BI/CDP/CTR 建模

一般情况下，模型驱动项目的起点是一个业务场景或者痛点，比如说大家想解决一个什么样的问题。我们的团队会和需求方进行一个详细的沟通，比如说在业务场景中出现这种问题的原因是什么，有哪些解决方案，开发模型需要那些数据。这些业务角度的洞察，对我们后面的项目部署具有非常好的指导意义。
具体来讲，很多企业近年来借助 BI（Business Intelligence，商务智能） 工具，得到了很多有意义的洞察与增长。但由于 BI 工具是由分析师设计，再交由运营人员去使用的分析工具，所以从人力投入与使用场景来看，BI 工具所做出的分析一般不会特别复杂，可能只是一些低维度的比如一维、二维的分析。
举例来讲，最近在为来自不同行业的客户做预测模型，尽管不同行业的业务场景各有差异，但抽象后总能发现一些共性问题。比如用户转化率的提升就是不同行业所共同关注的一个关键指标。
以将有限的资源集中到这些高潜用户中从而进行精准运营。总体而言，就是以最少的投入触达最多的高转化率用户，最终提升整体转化率。
当我们拥有大体方案后，下一步就是进行数据采集。一些提前部署了 客户数据平台（CDP） 的企业，他们的数据已经封装在我们的客户数据平台中。这些标准化后的数据是可以直接使用的。
一个成功的技术模型，往往是商业洞察、数据、算法三者相互作用的结果。业务目标决定了我们需要采集什么数据、使用什么算法、做什么验证以及制定什么策略。总而言之，业务目标是一个根本性的驱动因素。
模型检验通常来讲有两个目的，一是验证模型的准确性，二是解决模型的稳定性。通常而言，
在衡量算法模型项目的准确性时候，通常会用到技术指标和商业指标：

技术指标

不同类型的模型会有一些技术指标，相信大家都非常熟悉。

商业指标

做模型的最终目的是给业务带来增长，因此商业指标在某种程度上要比技术指标更重要。比如说看一下 CTR（Click-Through-Rate，点击通过率）或是引入模型后带来的营收增量等指标。
A/B 测试是我们比较熟悉的检测方法，更复杂的还有交叉验证、In-time testing 和 Out of time testing。这些都是基础模型常用的检测手段。
尽管模型本身的数据逻辑很复杂，但它背后的核心逻辑能用两点来概括：一是商业逻辑；二是长期作用。如果我们能够探索出决定模型的商业逻辑，它在我们提炼营销策略时就能起到很好的提示作用。
从方法论来讲，我们主要可以从三个方面来入手。
第一个是变量的重要性。
第二个考虑我们所使用的特征与商业指标之间的关系。
第三个是输入与输出的关系。