挖掘數據價值—如何用Tempo數據建模工具提升數據質量
2022-05-13 17:31:26
次
大量的數據中隱藏著商業(yè)價值，各行各業(yè)都在做大數據分析，挖掘數據價值，但是卻很少有人關注數據質量的問題，數據分析質量高不高，直接影響數據分析成果的價值，保證數據質量才是數據分析的關鍵。
數據質量體現為數據的正確性、準確性、不矛盾性、一致性、完整性和集成性這六大方面。數據質量在數據分析的各個環(huán)節(jié)都應加以控制和保證，從數據采集、數據處理、數據分析到最后數據分析成果展現及應用，其中數據處理環(huán)節(jié)是提升數據質量的重要環(huán)節(jié)。《哈佛商業(yè)評論》的一項研究表明，人們將80%的時間用于數據清理和組織，而數據分析時間僅占20%。有了Tempo，數據預處理將變得簡單高效！下面我們來看看其中一些重要的功能。
Tempo 支持多種數據預處理方法，包括對行、列、表的30余種數據預處理節(jié)點，實現數據清理，集成，變換，歸約等數據預處理，為挖掘分析做好準備。其中行處理包括：數據過濾、排序、隨機抽樣、數據平衡等；列處理包括：重命名、屬性過濾、屬性生成、隨機數生成、缺失值處理、字符型/數值型/日期型屬性變換、設置角色等；表處理包括：數據連接、數據追加、數據拆分、數據分解、分類匯總、表轉置等；高級處理包括：數據平滑、主成分分析、因子分析、孤立點分析、RFM、季節(jié)解構、異常值檢測、奇異值分解、分箱、局部多項式回歸、過程查詢分析器等。
以某企業(yè)的全國銷售訂單分析為例，在構建挖掘分析模型前需要進行數據預處理。
第一步，數據連接
將銷售訂單數據表與客戶信息數據表做數據表連接，連接方式為內連接，如下圖所示，將兩表以城市、顧客姓名及訂單號相同為連接條件，組合成包含銷售訂單信息及客戶信息的數據寬表。
第二步，數據過濾
通過數據過濾節(jié)點，將寬表數據中符合分析條件的數據篩選出來，如下圖所示，篩選出銷售額大于50萬的客戶。
第三步，屬性生成
通過屬性生成節(jié)點，構造新的屬性。如下圖所示，構建新的屬性產品平均單價和凈利潤。
第四步，缺失值處理
將所有字段進行缺失值處理，支持對不同的字段類型采用不同的缺失值處理方式，如下圖所示，如數值型字段支持用平均值、最大值、最小值、中位數、眾數或自定義等方式進行缺失值的處理，字符型和日期型數據支持最多次數項、最少次數項或自定義方式進行缺失值處理。
第五步，異常值檢測
異常值檢測利用原始數據的分布特征情況，對存在異常和噪聲的數據進行檢測和識別。如下圖所示，可基于四分位距進行異常值檢測也可根據業(yè)務情況自定義異常值條件來檢測異常值，支持直接刪除異常值、用均值替換異常值、僅輸出異常值及標記異常值并輸出整表等操作。這里我們自定義折扣點大于1或銷售額小于0或者訂單數量基于四分位距的異常值點，不作為分析數據，將異常值直接刪除，從而進行下一步分析。（我們也可以將異常值數據輸出單獨分析，也許能發(fā)現一些業(yè)務問題）
第六步，數值型屬性變換
根據客戶的銷售額情況，請客戶分為小客戶、大客戶、重要客戶三個等級。如下圖所示，數值型屬性變換_區(qū)間轉字符，我們定義銷售額在50-100萬的客戶為小客戶，100萬-500萬的為大客戶，500萬以上的為重要客戶。
第七步，主成分分析
為了減少變量數目并避免多重共線性，用主成分分析方法，在保留原有數據90%信息的基礎上提取主成分，然后再用主成分參與構建模型。
第八步，設置角色
將主成分分析的計算結果作為自變量，構建KMeans聚類模型，進行模型評估，將模型結果輸出到指定的關系庫中，如下圖所示。
運用Tempo通過使用靈活多樣的數據預處理手段，大大提升了數據質量，為后續(xù)構建挖掘模型提供了更精準的數據，同時使構建的數據挖掘模型更貼合業(yè)務實際，為后續(xù)業(yè)務應用打下了堅實的基礎！
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數據工廠平臺
Tempo指標平臺
Tempo數據治理平臺
Tempo主數據管理平臺
首頁
陜公網安備 61019002000171號
