我是帆软数据挖掘的产品经理，在FineBI的新版本5.0中，你们将看到数据挖掘功能，这是我们第一次做数据挖掘功能，自然是要广而告之了。市场部的同事来找我，希望我来写一篇文章宣传一下，作为产品经理，责无旁贷嘛。传统宣传三段论：功能业务价值好大－>我们功能做的真好->客户给我们的评价很棒。嗯，这很简单，但缺了点什么。是什么呢？是诚意。所以我要写一些我真实的感受和想法，相信用心写的文字可以被感受到，和产品一样的。
数据挖掘很有趣，也很有用
这是我开始数据挖掘产品到现在以来最深的感受。
你一定听过黄金分割比率1.618，植物叶片形状、DNA分子结构、银河系的运行轨道都有这个比率的存在。你也应该听过斐波那契数列，从第三项开始，每一项都等于前两项之和：1、1、2、3、5、8、13、21、34...... ，这个数列后一项与前一项的比值无穷接近黄金分割1.618，是不是很神奇。同样的，自然中到处都是斐波那契数列，花瓣以及果实的排列方式，兔子的繁殖。再进一步，我们看斐波那契数列还有一个神奇的规律，前面n项的平方和＝n项*n+1项，为什么？用一个图形来解释一下：
因崔斯汀，但有什么用呢？首先，设计师对黄金分割的研究是很深入的，这个不谈。不知道你是否听过，股市中有个神奇的规律，不可解释但却有用，这就是斐波那契数列周期，看大盘的走势，可以看出每一次市场的月线回调连续下跌有一定的规律，即中级别的月线下跌往往调整5个月左右，大级别的下跌往往调整8个月左右，超大级别的下跌往往会在13个月附近见底。斐波那契数列在股市的时间变盘过程中起到了一定的预测作用，虽然不能保证每次预测的百分之百的正确，但多少也给投资者指出了一个方向。而从这里我看到的是，数学真的是很有用。
该说数据挖掘了，数据挖掘的定义是有很多的，解读它的定义是没什么意思的。我觉得，数据挖掘是拉近了数学和业务场景的距离的。比如我们曾经学过的线性代数，你可能已经忘了，可以通过下面的公式来回忆一下。
矩阵的乘法为什么这样规定？为什么这么奇怪的乘法规则可以在实践中有着巨大的作用？很多看上去完全不相关的问题，最后却都可以归结到矩阵的乘法上，是不是很神奇？在矩阵乘法规则之下，是不是隐藏着世界的某些本质规律？
在我们的物理空间中，是存在运动的，在线性空间内，也是有运动的，而矩阵的乘法就是用来表达线性空间中对象的运动的。为了让你还能读下去，这里不能更多的展开了。你可能会问，矩阵运算也好，线性空间运动也好，它有什么用？当然是有用的，这些很难和生活联系起来的数学知识，在数据挖掘中都会用起来的。
人工神经网络相信你一定有所耳闻，然而你知道吗，人工神经网络中的每一层，都是由矩阵运算连接着的。它是什么作用呢，最基本的了解，看这个例子就够了。下面两个图，红线是一组数据，蓝线是一组数据，如何用一条直线把两组数据分开呢？(单层神经网络只能画出n-1维的超平面，所以二维数据只能划出一条线)
答案就是增加一层神经元，将这个二维的空间的数据，通过矩阵乘法，运动到三维线性空间，形成下图所示的数据。这样，就可以一刀切下去，把两组数据分开了，而再把这三维线性空间变回二维，中间切开的那条直线，就变成了上图中的分割线，是条曲线。是不是很神奇？
所以，神经网络的层数越多，他解决复杂问题的能力就越强，它可以识别风险、可以听声音、还可以鉴黄，前些日子又因为下棋大火了一把。当然，不管是矩阵运算，或是神经网络，都不是我今天的目的，他们都足够单独开几个主题了。你看，数学\数据挖掘是这么的因崔斯汀，这些知识也有如此多的应用，只是用起来难度确实高了点。想象一下，如果把这些知识封装起来整合到产品中，让很多企业都能享受数学福利，岂不是很赞。不用说，有这种想法的人，我不是第一个，这类的产品，市场上已经很多了。
有的在实干，有的在张望，有的在忽悠
这是我眼中的市场现象。数据挖掘知识能够发展，还是因为它有着巨大的商业价值，将它揉碎嚼烂应用到产品中，并且给企业带来商业价值的案例比比皆是。谷歌的搜索、抖音的推荐、阿里的医疗，随便一个都是让我们羡慕又赞叹的应用。
当然了，总要有人走在前面。如果你的企业还没有玩转数据挖掘，相信你也这样想过。他们因为对技术的掌握和应用赚的盆满钵满，我们虽然不能嫉妒，但也想通过这些技术喝点汤啊，毕竟已经有人走在了前面，应该不难吧。若是把他们走过的路原样都走一遍，好像也不太容易。但是如果将他们走过的路修一修，再通上公交车，这样走过去就好多了。同样，意识到这个问题的人，我不是第一个。（公交车意指市面上各种通用的数据挖掘类工具）
市场上的公交车也不少，大车小车，使命必达者为好车。可有一些车还真的是不够好，它不看路只会走直线。如果只是想要时间序列，就集成时间序列；想要聚类就集成聚类，要不了多久，这产品就已经功能齐全算法无数了。这样堆积功能的产品，除了POC时风光一时，真正用起来却各种别扭。整块整块开源算法的粗暴集成，让它们不能适应各种业务场景，而需要场景来适应算法，比如它的时序预测只支持一条序列，莫非让人家有好几百个产品的公司排队预测吗？这样造就了功能好买不好用的局面，中小企业通过第三方挖掘工具创造的挖掘价值的数量，并不理想。
我们来晚了，可这车一开，就停不下来
数学与数据挖掘很早就存在了，他们有趣也有用。没有更早一点开发她们的价值，服务我们的客户，是有遗憾的。往者不可谏，来者犹可追，我们还是来了。而且，我们为此做了些准备。FineBI5.0，我们吃透了一些算法也带来了这些算法，涉及了时间序列、聚类、关联规则、回归、分类这五类算法。我们知道，这还不够，学的越多越是觉得深不可测，所以，我们集成了R语言，很快也会集成Python，它山之石可以攻玉嘛。但是，这还是不够。
吃透的知识不是懂了，而是会用了，我们这车，卖出了票不行，送到你想去的地方才是价值。所以，在产品发布之前，我们就与我们的客户合作，将数据挖掘的价值应用到客户的业务中。这段时间，我们实现了采购价格异常的检测，我们实现了销售量的预测，我们将误差率降低到了三期权重误差为0.13；我们正挑战门店地址的销售额评估，样本量很少条件很艰苦，但我们也有了突破；我们跑了几十种算法对比分析、做了几百次的特征选择、遍历过算法的所有参数。我们也知道，现在的我们，现在的产品，都还只是初级阶段，要走的路还很远，这只是开始，但我们已经开始，就不会停下来，未来会有更强大的功能更深入的应用。
数学是个好东西，她可以服务更多的人，让高斯、莱布尼兹、欧拉、黎曼重新走进你的生活如何？总之，我们即将发车了，现在的票价不贵，等你上车，数学的乐趣和价值给你，使命必达给我们。
大风起兮云飞扬
1、基于过去的航空公司乘客数据预测未来十个月的乘客数量
2、基于已有会员数据预测未注册客户的会员等级
3、根据花萼长度和宽度、花瓣长度和宽度来对花卉种类分类
最后，FineBI 5.0 已在官网上线，赶紧上车，体验一把数据挖掘！
|
老板，你听我解释……
涉及到很多数据方便专业的东西，对我这个小学生来说理解起来稍微有点费劲，不过追寻数据价值的精神一定是值的肯定的，希望FineBI可以做的更好。
