三个常用数据分析模型的典型应用场景
为啥是这三个模型呢?因为这三个模型分别代表了数据分析的三种思路:分类,聚类,降维。
为啥没有回归?回归我打算专门写一篇,因此在本文中暂不涉及。
为啥只说应用场景?因为具体模型有很多专业书籍讲的更好,而且我个人认为,模型是固定的,场景是多变的,知道什么时候该用什么模型,比会用这个模型更重要一些。
那么,接下来正文开始。
一、决策树
定义:机器学习中,决策树是一个预测模型;它代表的是对象属性与对象值之间的一种映射关系。
个人认为决策树最出名的应用应该是这个:
你们头脑里隐藏的任何念头,
都躲不过魔帽的金睛火眼,
戴上它试一下吧,我会告诉你们,
你们应该分到哪一所学院。
你也许属于格兰芬多,
那里有埋藏在心底的勇敢,
他们的胆识、气魄和豪爽,
使格兰芬多出类拔萃;
你也许属于赫奇帕奇,
那里的人正直 忠诚,
赫奇帕奇的学子们坚忍诚实,
不畏惧艰辛的劳动;
如果你头脑精明,
或许会进智慧的老拉文克劳,
那些睿智博学的人,
总会在那里遇见他们的同道;
也许你会进斯莱特林,
也许你在这里交上真诚的朋友,
但那些狡诈 阴险之辈却会不惜一切手段,
去达到他们的目的。
分院帽应用的是个非常典型的决策树模型(什么鬼),在上文的《分院帽之歌(节选)》中,我标粗的每个部分都可以认为是一个特征,帽子往学生头上一扣,读取学生的显著特征,然后分到某个类别里。所以你看,哈利波特一开始表现出来的特征都是格兰芬多的特征,但他毕竟是个魂器,分院帽读取数据时候发现这个人有两类显著特征,于是犹豫不决,最后还是波特自己提出了要求,这就证明应用模型时的人工干预必不可少(大雾)。
言归正传,决策树在实际工作中基本应用于给人群分类,最好的应用场景是要把人群分为互斥的两类,并找到两类人群的不同特征。当然,分为多个互斥类别也OK。
一个非常典型的场景是流失模型,对电信业来说,通过用户的行为来提前找到哪些人有流失风险,并通过专门优惠等手段挽留,是运营中的重要部分。之前我在转入互联网行业时,第一选择本来是游戏公司(可惜愿意收的给不起合理工资……),因此研究了一下游戏用户流失模型的内容,发现跟电信业有相通之处。举个例子,对于某款端游,定义超过一周不登录用户为流失,那么做过的任务、拿到的装备、打过的副本、充值金额等等,都可以作为预测用特征,比对流失与非流失用户,找到两者的区别,在关键流失节点上加一些运营策略来减少流失。
二、k-means聚类
定义:k-means聚类的目的是:把n个点(可以是样本的一次观察或一个实例)划分到k个聚类中,使得每个点都属于离他最近的均值(此即聚类中心)对应的聚类,以之作为聚类的标准。
K-means聚类的好处在于样本量大的时候,可以快速分群,但需要在分群后注意每个群体的可解释性。换句话说,给你一万个人,分成四群,需要能够解释每一群人的突出特征,如果有两群人的特征很相似,那就要重新分群了;或者有一群人的特征不明显,那就要增加分群了。
聚类与分类不同,分类的目的是得到可复用的规则,使得训练集以外的个体可以直接分到已知的类别里;聚类属于后验的研究,是对已有个体的辨别。当然聚类可以在一定条件下转化为分类,例如K-means里知道了每类的中心,那么新个体可以依据和每类中心的距离,来判断所属类别。但通常情况下,聚类方法本身仍是用于研究的次数更多。
K-means常用的场景是在不清楚用户有几类时,尝试性的将用户进行分类,并根据每类用户的不同特征,决定下步动作。一个典型的应用场景是CRM管理中的数据库营销。举例,对于一个超市/电商网站/综合零售商,可以根据用户的购买行为,将其分为“年轻白领”、“一家三口”、“家有一老”、”初得子女“等等类型,然后通过邮件、短信、推送通知等,向其发起不同的优惠活动。
明尼苏达州一家塔吉特门店被客户投诉,一位中年男子指控塔吉特将婴儿产品优惠券寄给他的女儿——一个高中生。但没多久他却来电道歉,因为女儿经他逼问后坦承自己真的怀孕了。塔吉特百货就是靠着分析用户所有的购物数据,然后通过相关关系分析得出事情的真实状况。
这个案例也算是与”啤酒和尿布“知名度差不多的一个案例。在这个案例中,那个高中生少女明显是被聚到了孕妇那一类,因为她的行为模式与孕妇是很相近的。
(决策树也可以做这件事,但需要先定义出特征,因此在探索特征未知的领域时,聚类可能更好用一些)
顺便说一句,我原先在国企的时候干的就是这个事,而且发送渠道是最土的那种……平信……术语叫数据库商函……也叫直复营销(不是直销也不是传销!)。
三、因子分析
定义:因子分析是指研究从变量群中提取共性因子的统计技术。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子,可减少变量的数目,还可检验变量间关系的假设。
之前说到因子分析是降维的一种方式,而降维归根结底就是一句话:变量太多的时候,需要将变量重构成带有更多信息的新变量,新变量与原始变量之间存在相关性,这样才能在不损失太多原始信息的情况下减少变量数量。
因子分析的一个典型应用场景是满意度调查。通过市场调研方式获取消费者满意度时,通常会有两位数的问题来了解消费者对哪些方面满意,哪些方面不满意,这个时候因子分析就很重要,可以将消费者的问题归结为相对较少的几个大问题方向,同时也可以看出哪些问题更为重要,需要优先解决。cda数据分析师培训
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10推荐学习书籍 《CDA一级教材》在线电子版正式上线CDA网校,为你提供系统、实用、前沿的学习资源,助你轻松迈入数据分析的大门! ...
2025-03-07在数据驱动决策的时代,掌握多样的数据分析方法,就如同拥有了开启宝藏的多把钥匙,能帮助我们从海量数据中挖掘出关键信息,本 ...
2025-03-06