基于CRISP的数据挖掘有哪些坑？双手奉上破解妙招

雷锋网按：本文作者为Decision Management Solutions的CEO James Taylor，是基于数据分析的决策管理系统构建领域的领先专家，他为各种规模的公司提供战略咨询，与客户的各个部门合作，让他们可以使用决策模型，数据分析和其他决策技术。

决策管理系统可以帮助公司改进决策过程，开发数据驱动的敏捷业务系统。 Taylor 在 Kdnuggets上介绍了CRISP数据挖掘流程中常见问题和解决方案。本文由雷锋网编译。

CRISP-DM (cross-industry standard process for data mining)，即跨行业数据挖掘标准流程，描述了数据挖掘的生命周期，是迄今为止最流行的数据挖掘流程，更多CRISP-DM的应用示例请看《CRISP-DM, still the top methodology for analytics, data mining, or data science projects》这篇文章。

之所以许多数据分析人员使用CRISP-DM，因为他们需要的是一种可重复使用的分析方法。然而，如何在日常工作中使用CRISP-DM方法时，仍存在一些问题。排名前四的4个问题分别是对业务需求缺乏认知，盲目的返工，盲目的部署和无法形成迭代。决策建模和决策管理可以解决这些问题，使CRISP-DM流程的价值最大化，并确保模型分析的有效性。

完整的CRISP-DM数据挖掘流程的各个阶段如图1所示。下面介绍每个阶段所要完成的任务。

图1 基于CRISP-DM的完整数据挖掘流程图

1. 业务理解阶段(Business Understanding)：集中在理解项目目标和从业务的角度理解需求，定义数据挖掘问题和完成目标的初步计划；

2. 数据理解阶段(Data Understanding)：从初始的数据收集开始，通过一些活动的处理，目的是熟悉数据，发现数据的内部属性，或是探测引起兴趣的子集去形成隐含信息的假设；

3. 数据准备阶段(Data Preparation)：数据准备阶段包括从未处理的数据中构造最终数据集的所有活动。这些数据将是建模阶段的输入值，任务包括属性的选择、数据表、记录的抽取，以及将数据转换为模型工具所需的格式和清洗数据；

4. 建模阶段(Modeling)：可以选择和应用不同的模型技术，模型参数被调整到最佳的数值。有些技术在数据格式上有特殊要求，因此需要经常跳回到数据准备阶段；

5. 评估阶段(Evaluation)：经过建模阶段后，已建立了一个高质量的决策模型，但在开始最后部署模型之前，重要的事情是彻底地评估模型，检查构造模型的步骤，确保模型可以完成业务目标。这个阶段的关键目的是确定是否有重要业务问题没有被充分的考虑，评估模型是否有达到最初设定的目标；

6. 部署阶段(Deploying)：根据用户需求，实现一个重复的、复杂的数据挖掘过程。

最外面这一圈表示数据挖掘自身的循环本质，每一个解决方案部署之后代表另一个数据挖掘的过程也已经开始了，需要在运行过程中不断迭代、更新模型。

CRISP-DM是一个伟大的框架，它可以让项目组聚焦于挖掘真正的商业价值上。CRISP-DM路程已经存在有很长时间了，许多使用CRISP-DM流程的项目常常会走捷径，这些捷径中的有一些是有意义的，但捷径往往会导致项目使用不完整的流程，如图2所示。

图2 典型的不完整CRISP-DM

这种不完整的CRISP-DM流程存在四个问题，具体包括：

1. 业务目标不清晰：

不能一开始就陷入细节，应该真正去了解业务问题以及明确一个模型可以发挥什么作用，确定项目团队的业务目标和提出衡量项目成功的指标。“理解”了业务目标，团队想把工作负担最小化，就跳入项目的最有趣的部分--分析数据，但这样做只产出有趣的模型，而不能满足真正的商业需要。

2.  盲目地返工：

一些分析团队只用分析术语来评估他们的模型，认为如果模型只要做到可预测，那么它就是一个好的模型。大多数人通常可以意识到模型是有问题的，就会尝试检查他们的模型是否符合业务目标。但如果缺乏对商业问题的充分认识，这样的检查往往是非常困难的。如果他们开发的模型不符合业务需求，此时团队几乎没得选择，此时大多数人是在尝试找到新数据或新的建模技术，而不是与他们的业务合作伙伴一起重新评估业务问题。

3. 盲目地部署：

一些分析团队根本不考虑他们模型的部署和操作的易用性。做得好些的团队可以认识到他们构建的模型必将处理实时数据，数据通常存储在数据库中，或嵌在式操作系统中。即使是这样的团队通常也没有参与到部署工作中，不清楚模型是如何部署的，并不把部署当做分析工作的一部分，结果就是模型直接丢给IT团队去部署，模型是否容易部署、以及在生产环境是否可用都是别人的问题。这增加了模型部署的时间和成本，并产生了大量从未对业务产生影响模型。

4. 无法形成迭代：

分析专家了解模型的生命周期，为了保证模型的可用性，需要对模型保持更新。他们知道随着商业环境变化，模型的价值会改变，驱动模型的数据模式可能会改变。但他们认为这是另一个时间点的问题。由于他们缺少对业务问题的足够认识，往往难以确定如何评估模型的表现，相比模型建立阶段，他们在模型迭代、修改上的投入更少。毕竟解决另一个新问题更有趣。这使得老的模型不受监控和保护，从而破坏了模型的长期价值。

以上任一问题都可能使构建出来的模型毫无商业价值，真正需要利用分析的组织，特别是数据挖掘、预测和机器学习等更高级的分析，必须避免这些问题。

解决这些问题需要明确、清晰地关注决策，围绕着决策展开，包括需要改善的决策方法，改善意味着什么，做能实际改善决策的分析模型，设计可以辅助决策的系统，还需要明确在怎样的外部环境下需要重新评估模型。雷锋网将关注Taylo后续关于数据挖掘的文章，敬请期待。

via Four Problems in Using CRISP-DM and How To Fix Them