批量自动建模有什么意义？

目前，因为数据挖掘技术的门槛较高，实现起来复杂度较大，所以通常一个数据挖掘项目一般就是创建一个模型，这个模型要尽可能有更普遍的应用范围。这样作其实会致使模型的适应能力降低，而多个模型适用效果就远远好于一个模型。

在需求侧，业务场景是多种多样的，模型的需求量很大。就是一个业务场景也每每不是一个模型就能彻底解决的，而是须要一系列的模型。例如在精准营销场景中，使用模型能够帮助咱们快速的定位潜在目标客户，提升营销成功率。一般的作法是简单的建一个全国全部客户的模型，可是各地区的营销政策和消费特色可能不一样，即便同一地区，不一样客户群体的关注点也是不同的，这样一个模型用全部的结果就是放到哪里都不太适用。而若是能分地区、分客群的创建多个模型，适用性就会提升不少，何况通常须要营销的产品也不是只有一种，多是几十种甚至更多，这样须要的模型量就更多了。再例如在金融信贷业务中，现金流的管理相当重要。为了准确预测现金流，能够拆分为收入端和支出端分别建模，在收入端和支出端还能够细分，好比按产品划分或者其余方式划分等，综合下来也须要十几、几十个模型才能实现对现金流的精准预测。所以在需求侧，每每须要批量的模型才能达到更好的预测效果

而在供给侧，目前主流的建模方式是手工建模（使用 SAS 等工具或 Python 开源包）。每个模型都要人工数据探索，数据预处理，建模调参，耗时耗力，一个模型就至少须要几周甚至几个月的时间。同时建模师的成本也是比较高的，平均下来单个模型也是高居不下。如下表中三家美国公司数据分析团队的模型成本为例，咱们很保守的估计一个数据挖掘人员的年薪是 10 万美金（实际上远不止这么低），单位模型成本至少要在 5 万美金以上。不管是从时间因素仍是经济因素上看，手工建模是没法实现批量建模的。也正因如此，如今数据挖掘项目通常都是只建一个模型，模型落地效果也经常不尽人意。

若是有了自动建模能力，那就彻底不一样了。它能够极大程度的提升建模效率，减小人工的工做量。自动建模可以自动实现数据探索、预处理、模型选择、调参、评估一系列流程的技术。借助自动建模工具，数据分析人员只须要完成业务理解，数据准备过程，剩下的须要反复迭代进行的建模过程尽可交给工具来完成，无需再手动进行。采用自动建模技术，可以将几周的建模时间缩短为几小时甚至几分钟。建模过程变得简单且很快之后，批量建模就再也不是问题，一天就能够建多个模型，每一个模型能够只适应一个局部或者一个小问题，批量的模型组成一个模型体系就能够有更强的适应能力。此外，自动建模技术对人员要求也下降很多，再也不须要受过专业训练的数据科学家，普通的初学者或程序员均可以借助工具来完成数据挖掘工做。批量自动建模，只须要一个操做人员就能够同时进行。采用批量自动建模，模型成本也会大幅度降低，模型再也不昂贵，能够普遍应用。

对进一步数据挖掘和 AI 技术感兴趣的同窗还能够搜索“乾学院”，上面有面向小白的零基础“数据挖掘”免费课程。