假设不懂数据科学，如何解决问题?

编者按：MIT博士、Salesforce前SVP、数据科学家Rama Ramakrishnan提醒，在从事数据科学项目时，养成首先创建基线的良好习惯，迅速交付价值，避免自我欺骗。

准备解决一个数据科学问题时，你可能很想单刀直入，直接开始创建模型。

别这么做。首先创建一个常识基线。

常识基线是指，假设你不懂数据科学，你会如何解决这个问题。假设你对监督学习、无监督学习、聚类、深度学习之类一无所知。现在问问你自己，如何解决手头的问题？

对于经验丰富的从业者而言，首先创建常识基线是常规操作。

他们会首先思考数据和问题，发展某种关于什么能使解决方案更好的直觉，以及考虑一些需要避免的地方。他们会和商业终端用户讨论，这些用户之前可能通过手工方式解决这个问题。

有经验的从业者会告诉你，常识基线不仅实现起来很简单，而且常常难以打败。即使数据科学模型确实战胜了这些基线，优势也可能很小。

直销邮件

让我们来看三个例子，从一个直销的例子开始。

你为一家服装零售商工作，手头有一个顾客数据库，其中包括了去年从你处买过东西的每个顾客的信息。

你希望给一些顾客发邮件，宣传最新的春装，预算可以支持给数据库中的100000名顾客发送邮件。

你应该选择哪100000个呢？

你大概已经在打算创建一个训练集和一个测试集，并训练一些监督学习模型了。也许是随机森林或梯度提升。甚至是深度学习。

这些都是很强大的模型，你的工具箱也应该常备这些。但是，先问自己一个问题：“如果这些方法都不存在，我必须靠自己的小聪明解决这个问题，那么我该如何挑选出这100000个顾客？”

常识告诉你，应该选择那些最忠诚的顾客，毕竟，他们是最可能对邮件感兴趣的人。（不过，其实这个问题也可以从增量建模（Uplift Modeling）的角度考虑，可能不管你发不发邮件，最忠诚的顾客总是倾向于到你这儿买东西，反而是给不那么忠诚的顾客发邮件，增量更高。）

那么，你将如何衡量忠诚度呢？直观地说，忠诚顾客倾向于多购买，多花钱。所以你可以计算每位顾客去年在你那里花了多少钱，到你那里买过多少次东西？

如此计算之后，查看下结果，你会发现它很好地描述了忠诚度。但是你也注意到，这样会选中那些在上半年很忠诚、下半年“失踪”的客户。

通过查看顾客在你处的最近购买情况，可以修正这一问题。如果花费和购买频率相似，那么昨天在你处买东西的顾客，价值比11个月前购买过的顾客要高。

总结一下，你为每位顾客计算：

过去12个月在你处的花销

过去12个月在你处发生的交易数量

上一次交易到现在有几周

你可以基于上面的三个测度排序顾客列表：

测度转换为10分制（十分位）

选中其中的前100000名顾客。

恭喜！你刚刚发现的是价值很高的RFM（Recency-Frequency-Monetary）启发式算法，直销领域久经考验的主力算法。

万一你好奇R、F、M中哪个最重要，据研究R最重要。

RFM方法易于创建，易于解释，易于使用。最妙的是，它出人意料地有效。有经验的直销从业者会告诉你，即使当更复杂的模型战胜RFM的时候，两者之间的差距也比你想象的要小得多，让你怀疑是否有必要构建复杂模型。

推荐系统

接下来，我们来看一个推荐系统的例子。

你工作的服装零售商有一家电商网站，需要你创建产品推荐区域，该区域将显示在首页上。

服装推荐需要个性化——如果访问者之前访问过你的站点，你需要基于历史数据推荐符合他们口味的商品。

有些书整本都在讨论这一主题，而GitHub上也有许多专门为此开发的库。你是不是应该直接开始应用矩阵分解（点击阅读）？

到了一定时候你大概应该尝试下矩阵分解，但刚开始你不应该直接应用矩阵分解。你首先应该创建一个常识基线。

向访问者展示相关商品的最简单的方案是什么？

畅销商品！

是的，它们并不是个性化的。但是畅销商品之所以是畅销商品，正是因为有足够的访问者购买了它们。所以从这个意义上说，很大可能至少相当一部分访问者会对这些商品感兴趣，即使这些商品并不是根据访问者的兴趣定制的。

此外，不管怎么说，你都需要准备好显示畅销商品，毕竟你需要向没有数据的初次访问者展示一些东西。

选中畅销商品很简单。确定一个时间窗口（最近24小时、最近7天、……），确定一项测度（利润、访问量、……），确定计算周期（每小时、每日、……），编写查询请求并加以自动化。

并且你可以调整这一基线，稍稍加上一点个性化。比如说，如果记住了访问者上次访问站点浏览的商品类别，那么你可以直接从这一具体类别中选出畅销商品（而不是选出所有类别的畅销商品），在推荐区域展示。例如，上次访问时浏览过女装类别的访问者，可以向她展示畅销女装。

需要澄清的是，上面描述的“调整”涉及开发工作，因为你需要“记住”不同访问会话的信息。但是，如果你计划创建、交付基于模型的个性化推荐，那么这些收集信息的开发工作是免不了的。

定价优化

最后一个例子是零售定价优化。

作为一个服装零售商，你贩卖季节性商品——例如，毛衣——在季节末，需要清库存，以便为下一季的商品留出空间。服装业对此的标准做法是减价促销。

如果折扣太小，最后时刻你将不得不以废品回收的价格出清积压的季节性商品。如果折扣太大，季节性商品会很快售罄，但是你损失了赚取更多金钱的机会。

在服装行业，平衡这两者的艺术称为清仓优化或减价优化。

有大量关于如何使用数据科学技术建模和求解这一问题的文献（例如，牛津价格管理手册的第25章，利益申明：这书是我写的）。但是让我们首先考虑下如何创建一个常识基线。

想象一下，手头有100单位的毛衣，这一季还有4周。每周可以调一次价，也就是说你有4次出手调整的机会。

你应该从本周就开始减价吗？

好吧，首先考虑下，你觉得如果维持价格不变，下面4周可以卖掉多少单位毛衣？

我们如何估计这一数值？最简单的做法是看看上一周卖了多少。

假定上一周卖了15单位。如果接下来4周和上一周情况差不多，那么我们将卖出60单位，到了季节末会积压40单位。

不妙。明显需要减价。

零售商有时使用折扣阶梯，八折、七折、六折……最简单的做法是首先迈上折扣阶梯的第一阶，也就是下周开始八折促销。

快进一周。比方说卖掉了20单位，剩下80单位和3周。假设剩下3周维持相同的卖出率（例如，20单位每周），总共将卖出60单位，季节末仍将积压20单位。所以你需要在折扣阶梯上往下走一阶，下周开始增加促销力度，改为七折出售。

以此类推，在每周重复以上策略，直到季节末。

取决于卖出率对折扣的响应程度，不同的商品可能遵循不同的折扣路径。比如，相比下图中的商品A，商品B需要更大力度的折扣刺激。

这一常识基线可以通过非常简单的if-then逻辑实现。和上面的个性化推荐例子一样，我们也可加以调整（例如，之前我们直接使用上一周的销售单位数“预测”未来几周的销售量，但是我们也可以转而使用前几周的平均销售量）。

搞定了基线之后，你可以勇往直前，释放数据科学的全部火力。但是不管你做了什么，都需要将所得结果与基线进行比较，从而精确地评估工作的回报。

结语

在很多问题上，古老的二八法则仍然适用。常识基线经常能够让你以很快的速度取得80%的价值。

随着越来越多数据科学技术的应用，你将看到更高的价值，但价值增长的速度越来越慢。取决于具体情况，你当然可以决定使用一个复杂方案榨取最后一点价值。不过你应该在很清楚增加的成本和收益的前提下才这么做。

常识基线能从根本上保护你避免理查德·费曼提到的著名危险：

首要原则是，你千万不能愚弄自己，最容易被愚弄的人是你自己。

创建数据科学模型可能是一个非常享受的过程，你很容易哄骗自己，你所创建的复杂、倾注了很多心血、精心调整的模型（从成本/收益角度上而言）更好，而实际上并没有那么好。

常识基线能够迅速交付价值，也能避免自我欺骗。请养成首先创建基线的好习惯。