大嘴巴漫谈数据挖掘：定位目标找用户，分类筛选决策树

在产品导入时期，为实现运营目标，经常还会通过内部数据分析进行目标用户定位及选取，主要运用数据挖掘中的分类筛选构建模型，形成业务运营闭环，并不断迭代修正。其中涉及营销测试和存量用户两种建模方法。

营销测试方法通过广告宣传引导用户开通或试用产品，并分析其中响应的用户特点。与营销测试有所不同，存量用户建模的反馈数据不需要经过市场测试，而是根据存量用户是否使用该产品而构造。
为了更好地使用数据挖掘技术，一些具备丰富经验的厂商和协会提出了CRISP-DM数据挖掘过程模型，并以此确立了数据挖掘实施过程中的整体规范和设计标准。

总的来说，数据挖掘过程模型提供了一个基于数据挖掘生命周期的总概览，从方法论的角度将整个过程分成六个阶段以及每一阶段包含的具体任务，还有后续所涉及的延伸应用。第一步商业理解主要是将业务分析目标与数据挖掘目标有效结合起来。

接下来的数据理解阶段，便是要着重考虑构建模型前的样本数据，即以用户的性别、年龄、收入和职业作为特征变量来理解目标用户的对产品的数据需求。变量的选择与提取需要产品经理和数据分析师共同确定，同时与数据库操作人员进行协调。

目标变量即因变量随着特征变量即自变量的变化而变化，而数据挖掘模型起到的作用便是将目标变量“订购”与“未订购”所对应的用户根据特征区分出来。

同时，从数据源中所提取出的数据必须经过严格校验和清理，包括补充空缺、处理异常值、数据降噪、调整一致等。某些时候因为主观或客观的原因，数据记录中会存在空值，为了避免影响结果的准确性，将其定义为缺失值，并按照一定的原则进行处理，比如选取整个变量的平均值来填补空缺。

实际操作中，准确判断出哪些变量是模型的最佳输入是十分困难的，通常情况下建议把可能的重要因素都考虑在内，也可以结合数据探索来了解变量的分布状态。对于连续型变量，常用的描述统计量有最大值和最小值，均值反映变量的集中趋势，方差反映数据的波动情况。产品经理通过数据探索可对目标市场有大致了解，为后续分析提供相对直观的基本信息。

数据在经过处理之后，还需要对单一变量进行探索分析，以此描述具体变量的分布情况，产品经理通过直接观察变量分布能够了解目标用户群体的大致特征，为后续的深入挖掘做准备。

如上所示，样本用户的年龄分布主要集中在20至40岁之间，男性用户较多，男女比例接近2：1。有时，为了满足特定的分析需求，产品经理也可以协同数据分析师，根据自身业务经验调整样本加权以及更改抽样方案。

目标用户的选取实际上也就是根据用户特征属性来判断用户所属类别的决策过程。一般来说，一个决策过程由一个决策结论和若干个决策依据组成，在这里，决策结论意指分类结果，决策依据则是特征属性。

数据挖掘中的决策树算法是一个广泛应用的判别方法，可以将一个决策流程映射到一个树形结构上，同时满足特征属性描述的简洁性和分类结果预测的准确性。其中树根及分枝代表着特征属性，叶子对应着分类结果。

决策树算法主要实现了数据挖掘中的分类筛选功能，并能够预测新数据的类别，产生最终的分类规则具有良好的可读性，有助于业务理解。在具体的实现过程中，从根到叶的每一条路径表示着特征属性和分类结果之间的逻辑策略和映射关系。判断建立分支节点时，选择最佳的特征属性尤为重要，也是构建决策树的关键步骤，通常会基于最大信息增益的原理。

从根到叶每一条路径代表着一个分类规则，所有的路径组成一个规则集。基于训练样本数据，从中挑选出出现次数较多的一些路径作为最优规则，并以概率的形式作为衡量指标。

如上所示，路径从根（年龄>=30）经过分枝（收入<5000），再到叶子（接受），最终形成一个订购产品的分类规则，且概率大小为69.7%，即表示样本数据中满足规则的用户占总用户数的比率情况。

如上所示，模型最终会生成并输出分类规则的展现形式和衡量尺度。总的来说，决策树算法以样本数据为基础，采用自顶向下的方式，基于一组无次序、无规则的数据，推理出合乎业务逻辑的分类规则，便于预测未知对象的类别标记。其中，选取合适的特征属性构建根及分枝节点，叶子即划分类别，从根到叶的一条路径对应着一个规则，整个决策树便形成一系列规则。

大嘴巴漫谈，有货，有形，有味！