無論在報紙、雜志、機場媒體，還是在酒吧的閑談中，大數(shù)據(jù)都成了一個熱門話題。每個人都在談論這個時尚的話題，但迄今為止只有極少數(shù)企業(yè)真正成功的運用這一技術!導致這一情況的重要原因就是企業(yè)對建立可操作的大數(shù)據(jù)分析模型成功關鍵因素缺乏深刻的認識。結合多年來與多家全球性公司合作經(jīng)驗，我們認為：為了取得成功，大數(shù)據(jù)分析模型需要滿足如下幾種要求：

(1)業(yè)務相關性。業(yè)務相關性是對分析模型的第一個關鍵要求。分析模型必須能夠解決特定的商業(yè)問題。那些性能優(yōu)越，卻不能解決商業(yè)問題的模型是毫無意義的。顯然，在模型開發(fā)前，對商業(yè)背景和業(yè)務問題有全面的理解必不可少。例如，在保險欺詐檢測問題中，必須在一開始對如何定義、衡量和管理欺詐有清晰的界定。

(2)統(tǒng)計性能。影響模型成功的另一個重要關鍵因素是模型性能表現(xiàn)。換句話說，從統(tǒng)計意義的角度，分析模型應該顯著提高預測或描述的性能。根據(jù)分析問題的類型不同，常常采用不同類型的性能評價指標。在客戶細分，統(tǒng)計評價指標主要評價對比簇內的相似性與簇間的差異性;在客戶流失預測中，主要評價模型是否賦予了潛在流失客戶的較高得分。

(3)解釋性和合理性。解釋性是指分析模型容易為決策者所理解，合理性是指模型與專家的預期和業(yè)務知識相一致。解釋能力和合理性都是主觀判斷，取決于決策者的知識和經(jīng)驗。這兩個因素與統(tǒng)計性能分析之間常常是矛盾的，譬如：復雜神經(jīng)網(wǎng)絡和隨機森林模型預測性能較好，但是解釋性較差。所以，決策者需要在兩者之間尋找平衡點。在信用風險分析等應用場景中，解釋性和合理性是非常重要的因素，而在欺詐檢測和營銷響應建模中，這一因素就不是那么重要了。

(4)運行效率。運行效率涉及模型評估、監(jiān)測、檢驗及重建過程中所需投入的時間。從這個因素來看，很明顯的神經(jīng)網(wǎng)絡或隨機森林效率較低，而回歸模型和決策樹等更有效率。在信用卡欺詐檢測等業(yè)務場景中，運行效率是非常重要的，因為所有的決策必須在信用卡交易開始后幾秒鐘內完成。

(5)經(jīng)濟成本。經(jīng)濟成本是收集模型所需數(shù)據(jù)、運行模型以及分析模型結果的過程中所投入的成本，此外還包括引入外部數(shù)據(jù)和模型的成本。在分析模型的經(jīng)濟回報時，所有的這些成本都必須考慮在內，通常不是能簡單直接計算出來的。

(6)合規(guī)性。在很多行業(yè)中，合規(guī)性變得越來越重要。合規(guī)性是指模型對現(xiàn)有制度和法律的遵從程度。在信用風險領域，分析模型符合巴塞爾協(xié)議II和III的規(guī)定尤其重要。而在保險行業(yè)中，模型則必須遵從歐盟償付能力協(xié)議(Solvency II) 。

總結以上，在本博客文章中，我們簡要論述了成功構建數(shù)據(jù)分析模型的關鍵因素。如我們所指出的那樣，每個因素的重要性取決于模型應用場景。