6步驟預測　精準掌握顧客行為

上一期，我介紹了商業分析6步驟：TASSS$，預測分析也有6步驟，預測分析的目的是要建立一個預測模型，正確性很重要，因此流程必須更嚴謹。

預測模型的建立，有3種派別，分別是SAS公司的SEMMA、SPSS公司的CRISP-DM，以及我歸納出比較容易理解的方法：TAMEDI。

T-A-M-E-D-I分別代表6個步驟：Task、Analysis、Modeling、Evaluation、Deployment及Interpretation & Insight。

1.Task（課題）：與商業分析最大的不同是，預測分析的課題在於解決「一個人」的問題。例如：「如何提高每個顧客的貢獻率？」、「如何喚醒每個沉睡中的客人？」

2.Analysis（分析）：分析內涵包括理解現有資料、蒐集新資料、清理不必要的資料，以及確認分析的資料都是有效的。

3.Modeling（模型）：建立模型首先要決定採用何種演算法，每一種演算法都有優缺點，沒有絕對好壞。其次，模型是用我們手上的資料建立，所以資料的正確性非常重要，否則會建立錯誤的模型，給出錯誤的預測。

建立模型時，要先將資料分成「Training Data」及「Test Data」。通常，80％的資料是Training Data，用來建立初步模型；另外20％的資料是Test Data，用來驗證模型的正確性。大數據軟體可以讓我們設定這兩種資料的比率，同時隨機抽取。

4.Evaluation（評估）：當我們用Test Data檢驗模型準確度時，會出現4種可能，例如，當銀行決定是否放款給某位客人時，會先預測這個客人會不會逾期不還，而有：①預測客人會按期繳款，銀行決定把錢借給他（True Positive）。②預測客人不會按期繳款，銀行決定不把錢借給他（True Negative）。③預測客人會按期繳款，但銀行不願借錢給他（False Positive）。④預測客人不會按期繳款，但銀行同意把錢借給他（False Negative）。

第1、2種預測結果是正確的，所以出現比率愈高愈好；第3、4種則是愈低愈好。這種預測可以應用在很多地方，例如：顧客瀏覽各項資訊後，會不會購買產品？銀行該不該核發信用卡給這個申請者？這個病人會不會得到阿茲海默症？

5.Deployment（導入）：將已經確認的演算法及模型，導入實務應用。這個階段操作系統的人就是使用者或前台人員，不再是大數據科學家。