作者: Qing 20070918

挖掘模型有一种功能，它能预测目标。告诉你什么人会离网，什么人会欠费，什么人你赠送话费可以让他多打电话...

你希望这种模型能起到什么效果？概括起来，我想可以用三个字来形容。这三个字，大家很熟悉，当然，也很老套。大家猜猜..............不是，绝对不是"我爱你"这三个字，也不是"他妈的"。

且容我卖个关子。先从离网模型来引入这个模型效果三字经。

客户离网模型是电信行业里一项悠久的挖掘模型，追溯历史，得是遥远的上个世纪。有人专门研究这个课题，当然，也并不妨碍很多挖掘团队自己从头开始建立模型。为了能让非电信行业的人对这个模型有个基本了解，作个简单介绍。

首先提出的业务问题----什么样的手机用户会离网？要留住他。答，可能工作地点变动的；可能他去世了；可能厌倦了运营商的服务，对质量、客户不满的，嫌贵的；被竞争对手硬挖过去的...因此，专门研究这个课题的专家会将离网分为主动和被动的。主动就是那种不可控外界因素导致的原因，被动就是那种可控的因素导致的（称作主动和被动有些词不达意）。要对离网客户作出预警，最好是针对那些被动的，也就是可控因素导致的进行。并且，假设这样的客户在离网前行为是有所规律的。

那么将会有哪些规律呢？于是通过挖掘模型来识别。

现在电信运营商的离网预警模型基本上都是这个思路吧，如果有什么新的，我衷心很希望了解一下。因为很不好意思地，我们有个运行好几年的离网预警模型，现在似乎不尴不尬地存在那里，人们不信任他，也不愿意用它。原因当然很多，跟运营商关注离网的程度有关系，另一个原因，当然跟模型自身有关系。后一个原因，自然就是对模型效果的期望。

这个模型的精度并不差，模型评估的结果，lift在3以上，我们经常引以为傲的。简单表述一下lift的含义，假设模型预测到离网的用户1000个里面真的有100个离网，命中率10％。而平均情况下，全体100万用户，真的有3万个用户离网，3％流失率。于是，lift等于10％除以3％，提升了3倍。

我们津津乐道于这个显著的lift，大家齐称赞模型多牛比。不过大家忘了一点，业务人员从来不会傻逼到随机地抽取一批号码，去赌其中有多少离网的。多少，他们会动动脑子，从感觉出发。比如，有可能消费太低的容易离网，那好，将月消费小于30块的挑出来。也可能是连续三个月消费消费突降的容易离网，那好，将前两个月平均消费在80以上，最近一个月跌破20的挑出来。这样的猜测大多比随机要准一些，按照这些条件，假设挑选出有1万个用户，其中真的有800个离网，那么命中率也就是8％了。

如果用模型的命中率跟这个业务猜测的命中率相比，lift确实还多了一点点，2％。只多了一点点？也许说这是微不足道的有点不厚道，因为大家知道有时候即便是提高一点点也得费老鼻子力气。不过不要忘了业务上还有其他关注点。一方面是希望你能够准一点，这通过lift能够证明。另一方面，假如总共1000个目标，你能够找出多少出来？全找出来就算你狠，这一般用查全率来表示。

从查全这个角度，按照前面的数据，业务猜测找到800个，预测模型找到100个，显然是前者狠一点。也许，你会说，我可以将预测模型的打分放宽一点，也能找到800个目标，但那样，命中率恐怕就不及10％，甚至不及8％。命中率跟查全率俩兄弟常常是一个吃饱了，另一个就得饿肚子。

当然，上面的数字是我随口诌出来的，没有什么根据，只是为了说明方便。如果那个业务猜测真的能够达到那样的效果，所谓模型到真的不必，虽然有时候所谓的"猜测"是知道了模型的结论之后作出的。挖掘模型号称是从海量数据里面发掘知识，所谓知识，也就是规则。因此，掌握了这个知识的人，当然可以"猜测"。这里涉及到一个将模型转换为知识的过程，且不说。

如果我们将模型当作一个大学生，将知识当作一个有业务经验的人，将什么都没有，没知识，没文化，没道德的人当作白痴。

可以这么说，现在的lift计算方法，大学生的预测能力除以白痴的预测能力。

惭不惭愧呢？惭愧。有本事去跟业务经验比嘛，干吗欺负白痴。整天叫嚣者我比白痴提升3倍，真的有点惭愧。

当然，从商业角度，宁愿将基准线放低一点。不是有句古话说得好吗，聪明人跟笨蛋在一起更加聪明，美女在恐龙面前更加美丽。

OK，大家现在已经知道模型效果的三字经了吧。不错，就是稳、准、狠。

果然很老套，也不要怪我牵强附会，但它们真的可以涵盖我们对模型效果的期望哦（之前曾经提到的抽象性、结论性、简洁性都是特性，不是效果）。刚刚并没有说全这三字经。已经说了"准"，用lift来衡量，还有"狠"，用查全率来衡量。还有一个我没说，是"稳"。这个效果需要时间证明，不过通常现实中很多模型，在项目进度跟客户关注点漂移不定的环境下，"稳"是退而求其次的。然而，最近我们一项模型，客户就对我们有这个要求，发现，这简直就是一个比准和狠更难搞的事情。准、狠，大不了豁出去，凑合达到要求。但稳要求一贯的准和狠，别上个月lift是8，这个月就是1。

就像是上市公司的业绩一样，你可以短时间将自己盈利搞得很好看，但是你能长期保持吗？比如官员的业绩也是如此，可以搞搞政绩工程显得红红火火，但可以长治久安吗？可是现实情况又是，世人大多只关注短期，不关注长期。所以，你说"稳"到底是重要还是不重要哩？

作者: Hu Jiangtang 20070918

对Qing的lift，有些地方不明白。

lift是为了评估模型效果，Qing举了个分群模型。我们计算lift，一般要先把所有的样本分为10个decile，以后才说对第几个decile，提升指-数lift是多少多少。第一个decile，比如说，是最有离网趋向的人群的前10%，一个好模型，第一个decile的lift值应该最大，第二个decil-e次之，以此类推，对第10个decile，这就包括了所有的人群，lift显然为1.

我的问题是，那个为3的lift，是对第几个decile来说的，还是有一个平均的东西

作者: Qing 20070918

呵呵，文中不是提到了嘛。我们的lift差不多就是你那种第一个decile的提升指数，跟白痴比。

你说的这个decile是个什么东东，看起来更酷一点。也许对于挖掘模型的应用，分成十种情况来评估显得有些太麻烦了吧，所以就选一种最好的。

作者: villa7 li 20070918

说到模型也来两句，现在觉得模型不重要，以前我们敢忽悠移动公司"模型"，现在都基本不敢忽悠了，后来一再强调应用，判别出用户离网不重要的，重要的是如何保有-离网，判断出这些用的目的是什么，为什么要做离网专题，这个专题是对哪些用户来做，不能将全体用户都扔到模型里跑一遍出来，先把目标确定好了，再考虑做，如果移-动公司只为了判断离网用户而来让我们做这个专题，那专题就做的很没意义，而且现在也不敢把自己牛哄哄的"模型"给拿出来，就像Qing说的，业务经验拍出来的和-我们费了九牛二虎之力做了个半年搞出来的差不到哪儿去，提升不了多少，最终反倒自己挖了个坑把自己埋进去跳出不来了。所以现在觉得搞模型似乎没什么钱途，技术上-提升不了什么，反倒做了这个专题后移动的执行力、移动的他们自己的想法等都是起非常关键的作用。这儿没有bs做研究的任何意思，当然如果能在技术上有更高的改进-还是非常不错的。

作者: Qing 20070918

villa讲的话，很有道理，也许这就是现实情况。

说模型不重要，似乎会伤害很多人的感情。其实他还是很重要，但在目前这个形势下，至少他的重要性不是体现在模型本身的性能上面，而是在于模型的存在——需要它放-在那里，但不大需要它的作用。

也请不要绝对地理解这个说法，我对这件事情报乐观态度。因为模型的作用已经越来越被重视，如果决策者真的是很谦逊地认为，需要科学方法来提高决策能力的话。也许-这样的决策者还是太少，很多都还是很自我，认为自己比模型牛。确实牛啊，他们也没错，因为现在大多模型并没有显示出比决策者更有洞察力，决策者有理由骄傲。

如果模型能够证明他的性能，就能发挥作用。否则，还是摆设。

当然，另一方面，应用设计者还得给机会证明。

不同的时期重要的东西不同，现在，也许是执行力、想法缺少，这块重要。等这块弥补了，发现方法、工具跟不上，那时候，模型可能又重要的。风水轮流转，不好说。

作者: 兰德里尼 20070920

正好让我翻译的那篇文章里有关于LIFT的说法，也贴出来凑凑热闹：

==================================
对于二分式目标的预测来说经常会参考LIFT值，但是如果没有考虑环境变量的话，这个值有时候会大（或者小）得出奇。Lift是组内收益与整体收益的比值。LIFT=组内发生的比重/整体发生的比重。

举个例子，目标整体发生概率是50%，通过模型筛选可以找到概率为75%的群体，那么LIFT值可以这样来计算，用75%整体概率50%，得到LIFT值为1.5；然而我们在考虑另外一个场景：目标整体发生概率为1%，模型提升后为8%，这时lift值为8。LIFT值为8远比LIFT值为1.5要好得多。然而LIFT值为1.5对应了预测可能的25%的提高，LIFT8仅仅对应了7%的提高。而且结果的可信性是其9倍之多（75% VS 8%）。

当整体概率为50%时，LIFT值最大（提升至100%时）是2，然而当整体概率为2%时，LIFT值最大（提升至100%时）可以达到50。这个例子可以说明当整体环境没有考虑的时候，单纯的LIFT值时没有意义的。为了避免这个问题，要通盘考虑实际提升值和模型最终的概率（准确率）。