「经验」数据分析这7个场景下，可以利用算法解决问题
预计阅读时间：5min
阅读建议：本文站在数分同学的角度，分享工作中需要用到算法的地方，聚焦实际应用场景，算法不会展开（网络上有很多资料），内容相对轻松。
00
序言
「数据分析」和「数据挖掘」在很多同学眼中是两个单独的方向，但其实作为分析同学，在很多场景中，是可以利用挖掘技术解决问题的。同时，掌握一些算法内容，也是面试以及日常工作中的加分项。
本文小火龙会和大家分享7个在工作中用算法的场景，理论不会展开，聚焦思路，希望对你有所帮助。
01
反作弊
数据采集入库之后，常常会在ODS层做一步「离线反作弊」，目的是把“假用户”的刷量数据剔除出去，有助于下游数据的准确性。反作弊属数仓的范畴，一般会由DE同学负责，DS同学接触的相对较少。
反作弊的方式有很多，对于数据量不大的公司，有的甚至会直接采用统计规则进行识别。当然，在制定规则前，需要对作弊用户进行分析。例如：pv>500且ctr<0.3的用户在某些场景可能为作弊用户。
而对于数据量较大的公司，用户的作弊手段比较多样化，引入算法挖掘是非常有必要的。其中「图模型、树模型等」都有出现过，而在实战中，往往采用多种模型的组合，形成一个庞大的反作弊系统，简单举两个例子，让大家更有体感。
图模型方式举例：基于Swing二部图算法，计算用户之间相似度，结合图聚类将用户分簇，假设某个簇中疑似作弊用户大于一定阈值，则判定该簇中的全部用户均有作弊嫌疑。
树模型方式举例：根据用户的各种行为特征，采用有监督学习，判断是否为作弊用户。当然，有监督学习的缺点是，没有那么多作弊数据进行训练，同时当有新的作弊手段出现时，发现的也比较滞后。
02
异动分析
数据分析同学避不开的话题「指标异动分析」，这个在之前的文章中，小火龙也写过“异动分析三步曲”，从「异动分析思路」→「快速定位异常维度」→「输出量化结论」，对于哪部分感兴趣，可以戳蓝字部分，本篇文章不再展开。其中「快速定位异常维度」中，会利用树模型/相对熵的方式挖掘异常维度，提升排查效率。
03
预测分析
预测的作用主要在于目标的制定以及指标的监控。
预测的方式有很多：同环比、Arima、Holt-Winters、Prophet、LSTM等。
预测的场景同样有很多：日常预测、节假日预测、特殊时点预测等。
其中，Prophet是原理相对简单、精准度较高，且适用较多场景的模型。在之前的文章中也有写过「预测的理论篇」及「预测的代码实现篇」，对于哪部分感兴趣，可以戳蓝字部分。
04
用户增长 – Aha Moment挖掘
在新用户分析中，经常会度量功能对用户价值的影响，如果功能对用户有显著正向效果，则会考虑通过引导手段，帮助用户使用，也就是用户增长中常说的Aha Moment。
挖掘Aha的方式有很多，其中：功能与留存的Pearson相关性、随机森林特征贡献度，均是较为常用的方法，树模型可以辅助挖掘，从而提升分析效率。感兴趣的同学可以翻翻文章「用户增长-新用户篇」。
05
用户增长 – 用户流失预警
在用户成熟期后，往往会出现衰退、流失的情况，如果能在用户即将流失之前加以干预，挽留住用户，相比获取同等数量的新用户要划算的多。
用户流失预警模型，利用用户的各种特征，创建分类模型，预测用户未来流失的可能性，从而通过手段提前干预，尽可能留住这些用户。小火龙在之前工作中，也花了大量时间研究这块内容，在后面文章中，会和大家逐一分享。
06
因果分析
因果分析的目的主要是度量某个「干预」对「目标」的影响程度，我们经常用的AB实验就是为了解决因果问题。而在某些场景，当无法做AB实验，或者没来得及开发AB实验的时候，便可以通过一定算法手段进行挖掘。
DID（双重拆分法）、granger因果检验、因果树等，都是比较常用的方式。在之前的文章中，分享过因果算法在快手产品中的应用，感兴趣可以戳这里「因果推断」。
07
用户分群
在用户画像中，有些标签是人工加上去的，可以辅助业务进行推广，实现千人千面，例如：时尚达人、职场精英、家庭宅男等。这些标签是通过用户多种特征进行分群，并加以提炼。而聚类算法是经常用到的，同样可以翻一翻之前的文章，小火龙在「聚类算法的应用中」有详细的讲解。
最后说一句，在数据分析中，应用算法的地方还有很多，以上7个场景只是冰山一角。切记一点：学习前沿技术是非常有必要的，但算法的目的是服务于业务，在同等准召的情况下，优先选择简单的算法。
以上就是本期的内容分享。