大数据挖掘技术和流程

　　【大数据时代的历史机遇】连载

　　hadoop系统的发展解决了企业大数据的存储和处理能力的问题。但是系统本身并不能对数据形成分析和理解。如何从海量的数据中发现有用的知识并为企业发展提供帮助和指导，是数据挖掘技术的研究目标。

　　简单来说，数据挖掘就是利用人工智能、机器学习、统计学、模式识别等技术，从大量的、含有噪声的实际数据中提取其中隐含的、事先不为人所知的有效信息的过程。一方面，数据挖掘所处理的数据对象是真实的、包含噪音，因此是一门实际应用科学;另一方面，其目的在于发现人们感兴趣的知识，与市场逻辑存在着紧密联系。大数据时代的数据挖掘技术并不是一门新的学科，其基本原理与传统数据挖掘并无本质区别。只是由于所需要处理的数据规模庞大、且价值密度低，在处理方法和逻辑上被赋予了新的含义。比如传统数据挖掘由于数据量较小，为真实反应实际情况，需要构建相对复杂的模型;而大数据时代提供了海量的数据，可能使用相对简单的模型便可以满足需求。

　　所示为数据挖掘基本流程，包括商业理解、数据准备、数据理解、模型建立、模型评估和模型应用几个步骤。

　　首先是商业理解，也就是对数据挖掘问题本身的定义。所谓做正确的事比正确的做事更重要，在着手做数据模型之前一定要花时间去理解需求，弄清楚真正要解决的问题是什么，根据需求制定工作方案。这个过程需要比较多的沟通和市场调研，了解问题提出的商业逻辑。在沟通交流过程中，为了便于对沟通效果进行把控，可以采取思维导图等工具对的结果进行记录、整理。

　　明确需求后，接下来就是要收集并整理数据建模所需要的数据。这个过程是资源调配的过程，需要与企业的相关部门明确可以使用的数据维度有哪些，哪些维度与建模任务相关性比价高。这个过程通常需要一定的专业背景知识。

　　数据理解指的是对用于挖掘数据的预处理和统计分析过程，有时也称为ETL过程。主要包括数据的抽取、清洗、转换和加载，是整个数据挖掘过程最耗时的过程，也是最为关键的一环。数据处理方法是否得当，对数据中所体现出来的业务特点理解是否到位，将直接影响到后面模型的选择及模型的效果，甚至决定整个数据挖掘工作能否完成预定目标。该过程需要有一定的统计学理论和实际经验，并具备一定的项目经验。

　　模型建立是是整个数据挖掘流程中最为关键的一步，需要在数据理解的基础上选择并实现相关的挖掘算法，并对算法进行反复调试、实验。通常模型建立和数据理解是相互影响，经常需要经过反复的尝试、磨合，多次迭代后方可训练处真正有效的模型。

　　模型评估是在数据挖掘工作基本结束的时候，对最终模型效果进行评测的过程。在挖掘算法初期需要制定好最终模型的评测方法、相关指标等，在这个过程中对这些评测指标进行量化，判断最终模型是否可以达到预期目标。通常模型的评估人员和模型的构建人员不是同一批人，以保证模型评估的客观、公正性。

　　最终，当挖掘得到的模型通过评测后可以安排上线、正式进入商业化流程中。为了避免由于建模数据与线上真实情况不一致而导致模型失效的状况出现，通常在应用过程中采取A/B测试的步骤，对模型在实际线上环境中的运行状况进行观察跟踪，确保模型在线上环境中符合预期。

　　了解了数据挖掘的基本流程，常用的数据挖掘任务和所用到的挖掘技术有哪些?总的来说，数据挖掘任务可以概括为描述性预测性两大类。描述性任务主要是对现有数据的理解和整理，从中发现其中的一般特性，是对历史知识的总结和归纳。预测性任务则是利用当前数据对事务的未来发展趋势进行推断，是知识的外延和推理过程。

　　比较常见的数据挖掘技术有如下几类：

　　关联规则分析：包括频繁模式挖掘、序列模式挖掘，用于发现能够描述数据项之间关系的规则。典型应用是用户购物篮分析，发现用户经常一起购买的商品集合，如购买啤酒的人经常也会顺手购买小孩尿布;及用户购买某商品之后后续最有可能购买的其他商品，如用户购买自行车两个月左右后通常会再购买打气筒。前者可以用来指导商场的商品陈列，将用户最可能在一起购买的商品摆列在一起。后者则可以用来对用户的未来消费行为进行推荐引导。

　　分类和预测：分类是按照已知的分类模式找出数据对象的共同特点，并将样本划分到相应的类别中，是最为基本的数据挖掘技术，广泛用于客户喜好分析、满意度分析等场景。如银行根据用户的消费能力和还款记录对其信用评级进行划分等。预测是将样本映射到连续的数值型目标值，发现属性见的依赖关系。如对产品未来一段时间的销售状况进行预测等。

　　聚类分析：将一组对象按照相似性和差异程度划分到几个类别，使同一类别中样本的相似性尽可能大。如在金融行业中对不同股票的发展趋势进行归类，找出股价波动趋势相近的股票集合。

　　推荐技术：根据用户的兴趣特点和历史的行为，向用户推荐其感兴趣的信息或商品。其最为成功的应用是在电子商务网站中，向用户推荐其可能购买的商品，从而增加商品的销售规模并提高用户粘性。

　　链接分析：根据样本或数据对象之间的关联，可以构建对象之间的链接网络。链接分析是指利用图论模型对这些链接网络进行分析挖掘的一系列技术。其中最为知名的当属Google通过分析网页之间的跳转关系对页面权威度进行排序的PageRank算法。

　　其他相关挖掘技术还包括孤立点分析、数据演变分析等。

　　上述挖掘技术均在互联网、金融、生物医学、零售业等多个行业和领域得到广泛应用，并为相关企业带来丰厚的收益。以下将通过具体行业案例，说明数据挖掘技术的使用方法及其价值。