1700503009
数据挖掘与数据化运营实战：思路、方法、技巧与应用 17.3.2 积极响应
1700503010
1700503011
优秀的数据分析师不是天生的，所谓的天才更多是靠后天的努力和积累，所谓“燎原之火，生于荧荧；坏山之水，漏于涓涓”[1]。数据分析技能的培养，有很多有效的途径，除了本书前面章节讲解的那些内容外，遵从并积极响应条条大道通罗马的道理，努力培养自己的能力，使自己在面对一个分析专题时能提出多个不同方案和思路，这也是分析师自我进步、自我提升的重要途径。如何才能有效培养自己相应的能力呢？下面几点建议可供参考：
1700503012
1700503013
❑博采众长。一个人的能力终归是有限的，故成功者总是善于博采众长的。科技的进步，专业的细分，使得每个人所擅长的领域越来越小；而技术的突飞猛进，更使得人们连本来就显狭小的专业领域的知识也很难有效地覆盖和更新。面对这种严峻的现实，有效学习、复制别人好的经验和做法在当前快速发展的商业时代就显得尤其重要，尤其核心了。
1700503014
1700503015
❑批判接受。孔子曰：“三人行，必有我师焉，择其善者而从之，其不善者而改之[2]。”善于学习的人，不仅能从成功者那里取经，也善于从失败者那里吸取教训，警醒自己。别人尝试的新方法、新思路，虽然在他们当时的项目中没有成功，但是很可能并不是思路本身有问题，而是业务场景和数据质量出了问题。换了业务场景和数据，同样的思路就有可能适用。
1700503016
1700503017
❑培养发散性思维，养成换个角度看问题的习惯。换个角度看问题，常常可以给人柳暗花明又一村的全新感觉，正如在大千世界中横看成岭侧成峰的效果。在数据分析挖掘过程中，也处处体现着这个规律。举例来说，数据分布中常见的异常值（Outlier）通常是噪声，是垃圾；但是在有经验的数据分析师看来，这些值有可能也是值得关注的稀有事件，互联网行业的信用风险监控中的一个典型思路，就是通过关注异常值来锁定潜在风险。同样的异常值，横看是垃圾，侧看就是宝贝，个中滋味难道不值得回味吗？
1700503018
1700503019
❑寻找现有思路的缺点，并努力设法避免这些缺点，新的思路或许会由此诞生。这是最直观、最容易养成习惯的方法，其本质就是不断探索、不断修正。举例来说，消费者的喜好，通常是通过消费者调研问卷或者访谈得到的，但是这种方法的缺点在于：很多时候，消费者在面对调研时给出的回答或选择跟当初消费时的想法是不一致的，消费者面对调研的时候很容易受环境因素、问卷设计等的影响和误导。为了避免调研和问卷的这些缺点，直接通过消费行为数据进行分析也可以在很大程度上回答消费者的喜好问题，这就是不同于调研问卷的另外一个新思路了，即基于消费者真实的行为数据进行消费者喜好分析，或者将调研问卷和实际消费行为数据相结合进行分析，这些都是值得尝试的不同思路。
1700503020
1700503021
❑勤于积累和总结。在生活中很多人都有这样的经历，事到临头的时候，才后悔当初没有做好准备。可惜的是，这个世界上什么都有，就是没有后悔药。数据分析师面对千差万别的数据分析需求和挑战时，要想不后悔，最好的方法就是平时勤于积累和总结。机会只垂青于有准备的人，如果能随时随地把看到的、听到的、接触到的与数据分析相关的思路和想法以及应用实践案例记下来，反复研究吸收其精华，将其变成自己的思路和想法，等到自己进行数据分析商业实战时，涌泉思路自然就是水到渠成的事情了。作为数据分析师，在平常的工作中是有很多机会参加相关的分享、讨论、讲座、培训及交流的，身边不乏大量值得自己学习、借鉴、参考的同行、同事及前辈。有些人参加这些活动时听得快，忘得也快；有些人参加一次活动，可以用笔记下不少的感悟、体会、收获、启发，随着时间的推移，用不了多久，这两种人的思路和见识上的差距就可以泾渭分明了。除了专门的分享、讨论、讲座、交流之外，有心人还可以有更多的机会去积累。比如，从同行的博客里，从网上的论坛中，从各商业应用公司的公开案例中，从数据挖掘服务商的包装案例中等，会有太多的渠道和方法，只要你用心，就没有找不到的参考和借鉴资源。
1700503022
1700503023
❑勇于实践，勇于尝试。如果说前面谈到的几点都是围绕如何拓宽自己的思路来阐述的，那么“勇于实践，勇于尝试”就是这些方法的基础和后盾了。积累得再多，借鉴得再多，思考得再多，吸收得再多，都还只是别人的东西，只有通过自己的实践，自己的尝试，才能把别人的经验教训真正转化成自己的东西，转化成自己的核心竞争力。正如陆游的诗句“纸上得来终觉浅，绝知此事要躬行”[3]所揭示的道理。
1700503024
1700503025
[1]原野大火，开始于小小的火星；能够摧毁山丘的洪水，起初也不过是从堤坝上的漏洞中滴出的水。
1700503026
1700503027
[2]选自《论语·述而》。
1700503028
1700503029
[3]选自南宋陆游的《冬夜读书示子聿》。
1700503030
1700503031
1700503032
1700503033
1700503035
数据挖掘与数据化运营实战：思路、方法、技巧与应用 17.4 具体示例
1700503036
1700503037
任何一个数据分析需求，任何一个数据分析挖掘课题，都是可以用至少两种以上的方法、思路、技术加以有效解决的。这里无法列举所有的项目，将以传统零售业和电子商务中最常见的交叉销售为例，来分析至少有哪几种不同的思路和方法。
1700503038
1700503039
所谓交叉销售（Cross Selling），是指卖家能有效发现顾客的多种商品（或服务）需求，并通过满足其需求而销售多种相关服务或产品的营销方式，也就是向特定顾客销售更多不同的，同时也是他们需要的商品。那么，要实现交叉销售，又有哪些思路和方法呢？
1700503040
1700503041
思路一：利用关联规则（Association Rule），发现支持度和置信度都符合要求的强相关商品，从而利用这些强相关商品进行关联销售。有关关联规则的详细介绍，可参考本书2.3.4节的内容。
1700503042
1700503043
思路二：借鉴预测响应（分类）模型的思路，通过对购买A、B两种商品的消费者的特征进行分析，建立响应（分类）模型，模型的目标变量就是是否在特定时间段里，购买了A、B两种商品。利用搭建好的该响应（分类）模型，去预测（打分）新的潜在消费者群体，找出最可能在接下来的时间段里购买A、B两种商品的潜在目标消费者，并对他们进行精细化的营销宣传，从而实现交叉销售。另外，该思路也适用于有先后次序的商品交叉，只要在抽取建模样本的数据时注意样本选择的时间次序就可以了。有关预测响应（分类）模型的详细介绍，可参考本书第10章的预测响应（分类）模型的典型应用和技术小窍门。
1700503044
1700503045
思路三：借鉴电子商务中的商品推荐模型思路。电子商务中的商品推荐已经发展成为一个独立的研究领域，产生了不少成熟的算法和思路，除了上面提到的关联规则之外，常见的还有协同过滤、基于内容的推荐模型等。关于电子商务中商品推荐模型的详细介绍，可参考本书3.11节。
1700503046
1700503047
思路四：通过决策树的清晰的树状规则，发现具体的商业规则（有的多，有的少），然后根据这些有价值的规则去制定具体的交叉销售策略。有关决策树的详细介绍，可参考本书10.2节。
1700503048
1700503049
条条大道通罗马，数据分析师要在实践中自觉服从、贯彻、落实之，这是提高分析效率的需要，也是提升分析能力的需要，更是确保数据化运营落地应用实践的商业价值优化的需要。
1700503050
1700503051
1700503052
1700503053
1700503055
数据挖掘与数据化运营实战：思路、方法、技巧与应用 第18章 数据挖掘实践的质量保障流程和制度
1700503056
1700503057
有效的制度来源于实践，并服务于实践。
[
上一页 ]
[ :1.700503008e+09 ]
[
下一页 ]