批量自動建模有什麼意義？

目前，因爲數據挖掘技術的門檻較高，實現起來複雜度較大，所以通常一個數據挖掘項目一般就是創建一個模型，這個模型要儘可能有更普遍的應用範圍。這樣作其實會致使模型的適應能力降低，而多個模型適用效果就遠遠好於一個模型。

在需求側，業務場景是多種多樣的，模型的需求量很大。就是一個業務場景也每每不是一個模型就能徹底解決的，而是須要一系列的模型。例如在精準營銷場景中，使用模型能夠幫助咱們快速的定位潛在目標客戶，提升營銷成功率。一般的作法是簡單的建一個全國全部客戶的模型，可是各地區的營銷政策和消費特色可能不一樣，即便同一地區，不一樣客戶羣體的關注點也是不同的，這樣一個模型用全部的結果就是放到哪裏都不太適用。而若是能分地區、分客羣的創建多個模型，適用性就會提升不少，何況通常須要營銷的產品也不是隻有一種，多是幾十種甚至更多，這樣須要的模型量就更多了。再例如在金融信貸業務中，現金流的管理相當重要。爲了準確預測現金流，能夠拆分爲收入端和支出端分別建模，在收入端和支出端還能夠細分，好比按產品劃分或者其餘方式劃分等，綜合下來也須要十幾、幾十個模型才能實現對現金流的精準預測。所以在需求側，每每須要批量的模型才能達到更好的預測效果

而在供給側，目前主流的建模方式是手工建模（使用 SAS 等工具或 Python 開源包）。每個模型都要人工數據探索，數據預處理，建模調參，耗時耗力，一個模型就至少須要幾周甚至幾個月的時間。同時建模師的成本也是比較高的，平均下來單個模型也是高居不下。如下表中三家美國公司數據分析團隊的模型成本爲例，咱們很保守的估計一個數據挖掘人員的年薪是 10 萬美金（實際上遠不止這麼低），單位模型成本至少要在 5 萬美金以上。不管是從時間因素仍是經濟因素上看，手工建模是沒法實現批量建模的。也正因如此，如今數據挖掘項目通常都是隻建一個模型，模型落地效果也經常不盡人意。

若是有了自動建模能力，那就徹底不一樣了。它能夠極大程度的提升建模效率，減小人工的工做量。自動建模可以自動實現數據探索、預處理、模型選擇、調參、評估一系列流程的技術。藉助自動建模工具，數據分析人員只須要完成業務理解，數據準備過程，剩下的須要反覆迭代進行的建模過程儘可交給工具來完成，無需再手動進行。採用自動建模技術，可以將幾周的建模時間縮短爲幾小時甚至幾分鐘。建模過程變得簡單且很快之後，批量建模就再也不是問題，一天就能夠建多個模型，每一個模型能夠只適應一個局部或者一個小問題，批量的模型組成一個模型體系就能夠有更強的適應能力。此外，自動建模技術對人員要求也下降很多，再也不須要受過專業訓練的數據科學家，普通的初學者或程序員均可以藉助工具來完成數據挖掘工做。批量自動建模，只須要一個操做人員就能夠同時進行。採用批量自動建模，模型成本也會大幅度降低，模型再也不昂貴，能夠普遍應用。

對進一步數據挖掘和 AI 技術感興趣的同窗還能夠搜索「乾學院」，上面有面向小白的零基礎「數據挖掘」免費課程。