- 探索数据?
- 数据噪音?
- 时间特征?
- 高基数变量？
- 模型需求多？
- 如何有效评估模型？
- 非正态分布？
- 标准化？
- LR, RF,GBDT…..使用哪种算法？
- 项目周期长？
- 缺失值？
- 参数配置？
易明智能建模
省钱省时 让数据说话
- 无须数据挖掘技能
- 无须数据科学家
- 一键完成建模预测
手工建模
VS
易明智能建模
建模流程完全自动进行。一键式建模，又快又好！
无需数据科学家即可建模
建模过程
需要数据科学家完成的众多人工任务
- 变数识别
- 基本统计量产生
- 异常值处理
- 缺失值处理
- 高基数变量处理
- 数据平滑处理
- 数值变量智能筛选
- 添加衍生变量
- 筛选重要变量
- 优化设置模型参数
- 选择建模方法
- 自动筛选重要变量
- 自动优化设置模型参数
- 自动优化选择建模方法
- AUC
- GINI
- MSE
- LIFT
- KS
- RECALL RATE...z
原本要数据科学家完成的人工任务，智能建模工具一键完成，并确保模型质量和稳定性
易明智能建模过程
1.变量类型识别
2.变量统计
3.自动预处理+建模
4.多种模型评估指标
易明智能建模架构
为什么是我们？
统计学专家毕生追求的呕心力作
数十年数据挖掘建模的实战经验，参与和主持过多次国内外银行、保险业数据挖掘项目，屡次带队在国际SAS大赛中获奖。
研发团队的扛鼎力作
深刻的数学理解能力、超强的软件实现能力、业界领先的高性能大数据技术。
案例：个人信贷违约预测
目标
- 建立信贷违约模型，给出用户信贷违约概率
- 给出用户合理的信贷额度
- 让业务人员根据经验选择数据建模，帮助业务人员接受模型的应用与普及
- 提高违约客户捕获率
痛点
- 找到合理的数据维度
- 高基数与非线性问题对模型的影响
- 挑选合理的模型或者模型组合
- 阳性样本少，避免模型过拟合
建模结果对比
| 智能建模 | 传统建模 | |
|---|---|---|
| 人数 | 1 | 1 |
| 建模时间 | 5分钟（数据预处理+建模） | 2个月 |
| 建模数量 | 1 | 1 |
| 数据规模 | 100000+ / 28MB | 100000+/ 28MB |
| 模型AUC | 0.9728（测试集0.965） | 0.957 |
模型表现（测试集）
案例：理财产品精准营销
| 客群1 | 客群2 | 客群3 | 客群4 | |
|---|---|---|---|---|
| 建模人数 | 1 | 1 | 1 | 1 |
| 模型数量 | 13 | 13 | 13 | 13 |
| 建模时间 | 1.5小时/个 | 1.5小时/个 | 1分钟/个 | 2分钟/个 |
| 数据量 | 134万 | 155万 | 6400 | 1.2万 |
| 累计提升度 | 累计捕获率 | AUC值 | |
|---|---|---|---|
| 前5% | 14.4 | 72% | >0.9 |
| 前10% | 9.4 | 94% | |
| 前15% | 6.3 | 94.5% | |
| 前20% | 4.8 | 96% |
当前该产品购买率为1.72%
- 使用模型前5%的数据比不使用模型效果提升 14.4倍购买率。 即每一百名精选的客户，可以完成24.77次交易，远高于平均每百名客户成交1.72次。
- 由模型抓取的前5%的数据中，可以捕获72.0%的目标客户。由模型抓取的前20%的数据中，可以捕获96.0%的目标客户。
智能建模 VS 手工建模
| 模型数量 | 时间 | 项目参与人数 | |
|---|---|---|---|
| 智能建模 | 50-60个 | 2周 | 1人 |
| 手工建模 | 不适合大量建模 | 1周~2个月/个 （实际取决于模型复杂程度和建模人员水平，时间不可控） |
数人 |
易明智能建模特点
人工智能少人工
自动建模
效率高
非数据科学家
成本低
模型完善
准确率高
智能建模改变应用模式：业务用户主导，应用过程中随时随地建模。
更多资料
