|
本文作者为永洪科技高级咨询顾问
在O’reilly举办的2017年AI Conference上，吴恩达做了主题为“AI is the new electricity”的演讲。在演讲中吴恩达表示：“AI的崛起正改变着企业间的竞争力。”然而，众多企业受限于自身的技术能力，从而在同行业中缺乏核心竞争力。
永洪科技作为大数据领域领军企业，旗下Yonghong Z-Suite套件包含具备AI能力的深度分析模块，目前已经支持90%以上的常用算法，到2017年底将支持95%以上的常用算法。截至目前，已有不少客户已经在这一平台上开展自己的AI工作，并取得了一定的成果。
要对数据进行更深度地应用，需采取深度分析算法（或数据挖掘算法），通过机器内部的算法自动对数据规律进行运算，并对结果进行预测，该算法不预先对数据的分布和变量间关系做假设。如果说BI是“告诉你已知的”，那么具备AI能力的深度分析应用将“告诉你未知的”。
一. 逻辑回归分析
业务场景如下：业务人员想对手中的客户进行管理，他想预测哪些客户可能会流失，从而制定挽留策略。目前客户的历史数据字段如下：account length（账号）、total day minutes（白天通话时长）、total day calls（白天通话次数）、total day charge（白天通话费用）、total eve calls（傍晚通话次数）、total eve charge（傍晚通话费用）、total night calls（夜晚通话次数）、total night charge（夜晚通话费用）、total intl minutes（夜晚通话费用）、customerleft（夜晚通话费用）等。
业务人员可以在BI平台利用不同维度和度量的组合，从而构建类似如下分析模型：
图1：话务分析
由图1的话务分析模型，我们可以看到不同客户通话费用及通话次数排名，也可以看到某个客户的通话次数情况，以及重点监视排名靠后的客户。通过分析我们发现，虽然排名靠后的客户通话产生的话费较少，但是通话次数可能较多、粘度较高，从而无法判断其是否流失。此时，逻辑回归算法将会发挥巨大价值。逻辑回归算法专门解决因变量为分类变量的问题，如上面所提的客户流失的“是”与“否”问题。那么如何利用永洪的深度分析模块实现对客户流失的预测？
1. 把原有数据（churn-train）纳入逻辑回归分析模型，构建分类器：
图2：分类器的构建过程
图2中的“数据分区”将会把原有数据churn-Train按照设定的比例分成训练集和验证集，其拟合效果如下：
图3：ROC曲线
由图3的ROC曲线可以看到，训练集和验证集的AUC值均大于0.7（值域为0~1），表示拟合效果良好，因此该逻辑回归模型可用。
2. 把新数据（churn-test）纳入已经建立好的逻辑回归模型进行匹配，从而预测客户未来流失情况：
图4
点击图4的“评分“，即可以看到对客户的流失的预测结果：
图5：预测结果
由图5的预测结果可以看到，逻辑回归分析模型把新客户进行分类预测（流失=1，不流失=0），并给出相应的概率（见“概率”和“类”两个字段）。由此业务人员就可以得知哪些客户可能会流失，并执行相应的挽留策略。
接下来，我们继续介绍Yonghong Z-Suite V7.5中的时序预测算法。
二. 时序预测
时序预测：通过时间序列，对某个值进行预测。
考虑如下场景：通过趋势线，财务人员已经得知往年的成本支出情况，但他更想知道未来一年的成本支出是多少，以便调整成本预算。
图6：成本趋势统计
由图6的成本趋势统计中，我们可以看到2009-2010年的成本支出情况，那么有没有办法获取2011年的成本支出情况呢？永洪深度分析模块的时序预测算法可满足此需求。通过把时间序列和要预测的字段纳入时序预测分析模型，即可对未来一年的成本支出进行预测：
图7：成本预测
由此，财务人员可以根据成本预测图，及时调整成本预算。
通过上述两种算法的介绍，让我们能够对数据进行深度应用。那么其学习成本会不会很高，操作会不会很难？不用担心，永洪科技一直以来贯彻“自服务分析“理念，操作简易，上手快。经过简单培训后，即可通过拖拉拽的方式构建深度分析模型。以逻辑回归分析为例：
1. 提供参考样例，引导快速构建分析模型：
图8
2. 通过拖拉拽的方式和简易友好界面，进行参数配置：
图9
怎样？数据深度分析是不是并没有你想象得那么难。利用Yonghong Z-Suite V7.5平台，快速构建数据深度分析模型，提高企业竞争力。点击这里，快来申请试用吧~
| 
