数据挖掘应用开发中的辩证法

数据挖掘应用的开发流程见下图，因为数据挖掘应用整个开发流程是一个探索的过程，所以各个过程之间不是严格分开的。

1、问题与数据

数据挖掘应用，是数据驱动的应用，不同的用户，因诉求不同，观察同样的数据，理解也不尽相同。在浏览数据时，建议不断问自己：用户是谁？分析的对象是谁？要解决什么问题？只有不断的提醒自己，才能保证分析过程的始终有一条清晰的主轴，这是在分析传统应用时非常不同的地方。传统的应用，需要解决的问题是很清晰的，已具备的条件也是清楚的，缺少的就是设计和实现。

定义问题阶段，具体的问题，可能对最终方案直接产生较大影响的时，解决这个问题，最终的硬件需要多少？譬如：通过信令数据分析手机用户的常驻点行为。一个应用是给公安系统开放接口：输入一个手机号，将指定用户最近的常驻点显示出来。另一个应用是给交通部门开放接口，根据用户群体的行为，规划道路设计。这两类应用，从数据分析角度观察都不大，都是常驻点分析，但从具体的应用观察，系统架构设计完全就不是一回事了。

2、数据预处理与模型选择和验证

解决相同的问题，可以有多个模型，不同的模型，对数据格式有不同的要求。数据的预处理过程与模型紧密相关。同样是解决聚类问题的算法，有的算法能够直接处理大、中、小这样的数据类型，有的算法需要大中小转换成 0、1、2这样的数字才能处理。

选择一个模型时，最终的分析结果可能并不理想，这时不能轻易的否定掉这个模型，如果数据预处理不到位，好的模型也会产生不好的结果。反过来，选错了模型，数据预处理模块再怎么努力，效果也不会有本质的提高。对于系统设计人员，除了知道不同的分析模型对应解决的问题，还需要知道每个分析模型适用范围和先决条件。

数据预处理过程还有一个误区，原始的数据总是有残缺的和异常值等现象存在。但从另一个角度思考，水至清则无鱼，异常数据不等于无价值数据。异常数据对数据分析结果肯定有影响，但如果把异常数据都穿上漂亮的衣服，那么有可能就会将数据的本来面目同样隐藏起来了。对异常数据的处理态度，还是与具体的应用有关，如果是分析人员的常驻地点，异常值价值就不大，如果是分析信用卡诈骗的应用，异常值就是价值特别高的数据。

数据预处理，从某种意义说就是一门艺术，是整个数据挖掘过程中最耗时的一个过程。

选择了一个模型，效果好不好，还需要对模型的效果进行验证。模型需要快速的反馈结果。验证模型的过程，是一个反复的过程，期间需要对不同的参数进调整。如果不能快速输出结果，例如每调整一个参数，都需要一天才能看到最终的运行结果，在系统设计过程中，这样的速度是不能接受的。为了能够快速的验证模型，需要对数据进行抽样。抽样过程可以分为广度优先和深度优先两种方式，譬如：通过上网记录分析用户的行为习惯，在选择和验证模型时，不可能对全量数据进行分析。这时，可以选取部分人群进行深层次的分析：选择100个人，分析3年的上网记录。也可以选取全量人员，分析最近一个星期的上网记录。具体采取何种方式，还是与具体的应用相关。

验证模型时，除了从技术方面考虑，还要从考虑成本的可行性。成本可分为直接成本和替代成本。直接成本，就是按照现在的模型投入到生产环境中，最乐观的情况下，需要多少硬件成本和后期维护成本。影响直接成本的因素很多，在相同的模型下，分析精度是影响直接成本的一个重要因素。除了直接成本，还要考虑替代成本。什么是替代成本？举个例子，有个数据分析应用是：分析电信用户账单，找出高价值用户。开发成本100W，硬件成本200W，后期维护需要两个工程师，每年成本50W。对应这样的系统，达到的分析效果，很可能雇佣两个普通职员，采用普通SQL语句和EXCEL表格统计，就能把相同的事情做了。此种场景，替代成本是很低的，系统是没有竞争力。

3、部署模型

选定了模型，下面就是部署模型了。部署模型不是简单的将验证过的模型放在生产环境下运行。部署模型，是一个完整的开发流程。验证模型时，为了提高反馈速度，可以不考虑系统的完整性、架构、开发语言、可服务性等等因素。简单说，怎么快就怎么来。不同应用，部署模型的过程不一样。

例一：文本分类器。在验证模型阶段，使用不同的算法对大量的语料进行分析，输出一个模型，然后使用另外一些语料对这个模型进行验证，如果可行，将这个模型部署到生产环境中。此例中，被部署的模型可以使用模型验证阶段相同的技术得到。但是使用这个模型，验证和生产的实现可能完全不一样。在验证阶段，慢慢对文本进行分类问题不大，但在生产环境中，有大量待分类的文本需要处理，效率、并发、接口方式都需要综合考虑了。

例二：通过分析信令信息得到用户的常驻地。此应用，验证模型中的直接产出（如代码）在生产环境中就很难复用。模型验证时，可能使用Python语言编写的公开代码库，在实现时为了效率，可能采用JAVA在Hadoop架构上实现。

部署模型阶段，简单理解就是常规系统的开发过程。