11.决策分析思考二：针对分析工程

基本概念：用数据科学解决商务问题——开始于数据工程：设计一个分析方法，基于数据，工具和可用技巧

代表技巧：数据科学解法设计中的期望值框架

针对慈善邮件的最好前景

期望值框架：解构商务问题和重构解法碎片

一个简短偏题——关于选择偏差

用一个更复杂的模型重访客户流失问题

期望值框架：构造一个更复杂的商务问题

评估激励的影响

从一个期望值解构到数据科学解法

总结

 

第十一章 决策分析思维二：走向分析工程

数据科学始于分析工程，世界很少给我们提供和这些技术完全一致的重要业务问题。所以业务分析，是运用数据挖掘能力的前提。

构建数据分析思维非常重要.

如何将商业问题解构为数据科学问题？

 

案例：针对性营销

应用预期效益模型可以联系实际业务。

预期值框架可以帮助我们更好的考虑实际业务。

关于选择偏差的简要论述

数据可能存在偏差。因为所能收集到的数据来自于过去做出回应的个人。

我们必须考虑模型应用的对象与训练模型的对象的不同之处。

 

从预期的价值分解到数据科学解决方案

 

这一章没什么实质性的东西，就是鼓励多了解实际业务场景，总结

 

总结

可以将业务问题详细阐述到更多更详细的内容，从而发现问题的额外复杂性（以及对其解决方案的更高要求）。你可能会想，“ 这一切都在哪里结束？我不能永远推动分析吗？“原则上，是的，但建模总是涉及做一些简化的假设，以保持问题易处理。在分析工程中总会有一些要点，你应该得出结论：

• 我们无法获得有关此事件的数据，

• 准确地模拟这个方面太贵了，

• 这个事件是如此不可能，我们只会忽略它，或者

• 这个表述暂时似乎已经足够了，我们应该继续下去。

分析工程的重点不是通过解决每一种可能的偶然事件来开发复杂的解决方案。相反，重点是促进对分析问题数据的思考，以便清楚地了解数据挖掘的角色，考虑业务约束，成本和收益，并且有意识地和明确地做出任何简化假设。这增加了项目成功的可能性，并降低了在部署期间被问题蒙蔽的风险。

分析工程的重点不是通过解决每一种可能的偶然事件来开发复杂的解决方案。相反，重点是促进对分析问题数据的思考，以便清楚地了解数据挖掘的角色，考虑业务约束，成本和收益，并且有意识地和明确地做出任何简化假设。这增加了项目成功的可能性，并降低了在部署期间被问题蒙蔽的风险。