業務人員都能用，這些功能降低了資料探勘使用門檻

提起資料探勘的應用，大家一般會想起預測分析。例如，預測明年公司的業績將會是多少？哪些客戶可能流失？而實際上，資料探勘除了預測未來，還可以幫助企業進行聚類分析、推薦、異常監測、相關性分析等等，還能廣泛應用於企業運營、生產控制、城市規劃、市場分析等各個領域。

大家都知道資料探勘牛逼，但是真正能把資料探勘技術用起來的卻並不多，究其原因，主要是覺得資料探勘太難了！不僅需要使用者具備一定的專業知識，還需要花費大量的精力進行演算法選擇、資料訓練。所以，資料探勘的門檻很高，非專業高階人士不可用。

那對於想用資料探勘功能的普通使用者來說，他們該怎麼實現資料更深層的價值挖掘呢？下面，小麥給大家介紹Smartbi 產品資料探勘的一些功能，這些功能非常簡單便捷，就算是業務人員都可以使用：

一、 豐富的挖掘元件，拖拽即可使用

封裝意味著遮蔽了底層技術的複雜性，留給使用者的是可見的成品。Smartbi 產品封裝 20+ 資料預處理方法、 10+ 特徵工程方法、 50+ 資料探勘演算法，含統計分析、文字分析、分類、迴歸、聚類、關聯演算法等，用於對資料進行統計、處理、分析、預測和分類。

這些元件通過簡單的拖拽即可應用：

   

二、 自助機器學習，快速建立實驗

建立實驗時，雖然通過拖拽即可進行元件的組合和流程的建立，但有的使用者可能還是會覺得複雜，那我們就把組合和流程再次封裝，實現嚮導化，進一步降低使用者的使用門檻 。

我們支援使用自助機器學習功能快速建立資料探勘實驗，你只需要根據頁面嚮導提示，配置資料來源、演算法、特徵三個步驟的設定項，即可快速自動生成實驗，即使沒有太多專業知識，也能使用機器學習。

三、 模型自學習，實現模型自動訓練

有娃的都知道，若是家裡的娃娃可以自主學習，那老母親真是太幸福了。而對於模型來講，能夠自學習，也是代表著模型能夠自動通過訓練提高準確性。

已經發布的模型隨著時間推移，準確性可能會逐步降低。這時若通過補充新的資料，重新進行訓練，則有可能提高模型的準確性。模型自學習則是將這個步驟自動化，並能自動將符合一定要求的模型釋出或者部署到生產中，它能解決模型長期得不到更新而導致準確性降低的問題，並極大地減輕運維人員的工作量。

 

四、 已訓練模型，可直接進行應用

類似於模板的複用，我們已儲存的訓練模型無需再次訓練，可直接利用特徵進行分類和迴歸預測，使用起來也更加簡單方便 。

如下圖示例，我們可以將已經訓練好的垃圾簡訊模型，直接拖拽進來對“垃圾簡訊識別”的資料進行預測，檢視其是否為垃圾簡訊。

 

五、 模型對比功能，一鍵生成報告

使用者建立好模型後，需要進行對比，判斷哪個模型的演算法準確性更高。產品支援模型對比功能，通過視覺化選擇需要對比評估的演算法模型，能把分散的結果統一彙總，一鍵生成對比報告，便於業務人員檢視儲存。

六、 內建豐富案例，可供學習使用

產品還內建豐富的案例，包括銀行零售客戶流失預測、波士頓房價預測、城市功能區識別、動物種類分類、二手車交易價格預測、購物籃分析等等，開啟即可參考應用。

比如購物籃分析，使用FP-Growth 關聯規則演算法實現，可以發現超市不同商品之間的關聯關係，並根據商品之間的關聯規則制定銷售策略。