不是数据挖掘而是数据洞察

    大多数情况下我们的客户需要一个模型，需要我们告诉他哪些是将要流失的客户，哪些是他们的营销目标客户，客户会认为把过多的时间放到业务的理解和数据的分析上是多余的，事实并非如此，模型性能的好坏，大部分是信赖于对业务问题的把握，而不是对数据挖掘算法的理解上。所以，有的业务问题并不需要数据挖掘模型，而一些简单的数据分析是可以得到非常好的结论的。我们对数据挖掘有一些误解，科研上所指的数据挖掘是用一些机器学习的算法对付超大的数据量，与之区别的是统计分析；而商业的上数据挖掘应该是指数据洞察，即从数据当中获取我所需要的信息，与之区别的是报表及OLAP分析（当然这两者也能够提供给我们一些重要信息），所以，商业上，一部分统计分析的手段和机器学习的算法都可算作数据挖掘。客户采购的数据挖掘产品，可以不包含报表及OLAP分析；但是，一个数据挖掘项目，是不排除这些工具及手段的应用的。 业务驱动而不是技术驱动

    这是最容易受忽视的一个问题。目前数据挖掘的行业人员层次有别，往往有一些只懂学术科研上的数据挖掘人员，把数据挖掘项目看作是技术驱动的，譬如，一提到市场细分，很多人便会想起K-means算法，或是Kohonen模型，其实，单纯拿一个维度（譬如客户年龄或者是ARPU值），也是可以把客户分群的，分成高年龄群、中年龄群，低年龄群等；或者是高消费群体、中等消费群体、低消费群体等。通过一个维度把客户分群之后，再看其它维度的统计量以及其它维度跟分群变量的相关程度，就可以得到一些重要的信息。 针对一个问题，最重要的是想到我们的客户需要什么，你并不需要告诉客户这个模型是什么方法得到的，更重要的是对其有一个合理的解释，并且符合客户的需要，了解这些远远比把一组数据用数个算法得到数个模型更重要。 建立一系列模型而不是一个模型

    就算法而言，每种数学算法都有其局限性，譬如，SVM适合数据量小而维度多的数据集，Logistic回归适合数据量大但是维度之间相关性不能太强的数据集，神经网络算法的拟合性能较强，但是商业解释性能太差。所以，在实际的建模过程当中，每种建模方法所需要的预处理是不同的，我们往往需要多种方法综合运用，获得更多的信息。我们需要的，可能不是最优的模型，而是成本较低时间较短的最合适的模型。 “啤酒与尿布”的故事给人太多误解，人们认为数据挖掘是一注“灵丹妙药”，一定会发现新奇的事物，当初步结果不如所期之后，就会大失所望。数据挖掘所得到的任何一个结论，任何一种规则，都必需知其然并且知其所以然，而且要从多个角度去验证，因此任何一个结论都可能极大影响决策。

    完整的营销闭环不仅仅是建模

　　　　在我们实施的多个数据库营销的项目中，借助好的建模工具，得到性能优良的预测模型并不是非常困难的事情，譬如，我们可以得到提高客户反应率的4倍左右的模型，但是，具体实施时，往往得到2倍的反应率便是一个不错的结果，为何实际的应用跟具体的结果会有如此大的差别？模型并不代表一切。如果说大众营销是在任意的时间向所有的客户发放所有的信息，那么数据库营销就是要求在正确的时间向正确的客户发放正确的信息，而模型能够告诉我们的只是正确的客户群，是否在正确的时间发放了正确的信息，这些是由我们的市场人员的经验所决定的，模型不是万能的！