編者按：MIT博士、Salesforce前SVP、數(shù)據(jù)科學家Rama Ramakrishnan提醒，在從事數(shù)據(jù)科學項目時，養(yǎng)成首先創(chuàng)建基線的良好習慣，迅速交付價值，避免自我欺騙。

準備解決一個數(shù)據(jù)科學問題時，你可能很想單刀直入，直接開始創(chuàng)建模型。

別這么做。首先創(chuàng)建一個常識基線。

常識基線是指，假設你不懂數(shù)據(jù)科學，你會如何解決這個問題。假設你對監(jiān)督學習、無監(jiān)督學習、聚類、深度學習之類一無所知?，F(xiàn)在問問你自己，如何解決手頭的問題？

對于經(jīng)驗豐富的從業(yè)者而言，首先創(chuàng)建常識基線是常規(guī)操作。

他們會首先思考數(shù)據(jù)和問題，發(fā)展某種關于什么能使解決方案更好的直覺，以及考慮一些需要避免的地方。他們會和商業(yè)終端用戶討論，這些用戶之前可能通過手工方式解決這個問題。

有經(jīng)驗的從業(yè)者會告訴你，常識基線不僅實現(xiàn)起來很簡單，而且常常難以打敗。即使數(shù)據(jù)科學模型確實戰(zhàn)勝了這些基線，優(yōu)勢也可能很小。

直銷郵件

讓我們來看三個例子，從一個直銷的例子開始。

你為一家服裝零售商工作，手頭有一個顧客數(shù)據(jù)庫，其中包括了去年從你處買過東西的每個顧客的信息。

你希望給一些顧客發(fā)郵件，宣傳最新的春裝，預算可以支持給數(shù)據(jù)庫中的100000名顧客發(fā)送郵件。

你應該選擇哪100000個呢？

你大概已經(jīng)在打算創(chuàng)建一個訓練集和一個測試集，并訓練一些監(jiān)督學習模型了。也許是隨機森林或梯度提升。甚至是深度學習。

這些都是很強大的模型，你的工具箱也應該常備這些。但是，先問自己一個問題：“如果這些方法都不存在，我必須靠自己的小聰明解決這個問題，那么我該如何挑選出這100000個顧客？”

常識告訴你，應該選擇那些最忠誠的顧客，畢竟，他們是最可能對郵件感興趣的人。（不過，其實這個問題也可以從增量建模（Uplift Modeling）的角度考慮，可能不管你發(fā)不發(fā)郵件，最忠誠的顧客總是傾向于到你這兒買東西，反而是給不那么忠誠的顧客發(fā)郵件，增量更高。）

那么，你將如何衡量忠誠度呢？直觀地說，忠誠顧客傾向于多購買，多花錢。所以你可以計算每位顧客去年在你那里花了多少錢，到你那里買過多少次東西？

如此計算之后，查看下結(jié)果，你會發(fā)現(xiàn)它很好地描述了忠誠度。但是你也注意到，這樣會選中那些在上半年很忠誠、下半年“失蹤”的客戶。

通過查看顧客在你處的最近購買情況，可以修正這一問題。如果花費和購買頻率相似，那么昨天在你處買東西的顧客，價值比11個月前購買過的顧客要高。

總結(jié)一下，你為每位顧客計算：

過去12個月在你處的花銷

過去12個月在你處發(fā)生的交易數(shù)量

上一次交易到現(xiàn)在有幾周

你可以基于上面的三個測度排序顧客列表：

測度轉(zhuǎn)換為10分制（十分位）

選中其中的前100000名顧客。

恭喜！你剛剛發(fā)現(xiàn)的是價值很高的RFM（Recency-Frequency-Monetary）啟發(fā)式算法，直銷領域久經(jīng)考驗的主力算法。

萬一你好奇R、F、M中哪個最重要，據(jù)研究R最重要。

RFM方法易于創(chuàng)建，易于解釋，易于使用。最妙的是，它出人意料地有效。有經(jīng)驗的直銷從業(yè)者會告訴你，即使當更復雜的模型戰(zhàn)勝RFM的時候，兩者之間的差距也比你想象的要小得多，讓你懷疑是否有必要構(gòu)建復雜模型。

推薦系統(tǒng)

接下來，我們來看一個推薦系統(tǒng)的例子。

你工作的服裝零售商有一家電商網(wǎng)站，需要你創(chuàng)建產(chǎn)品推薦區(qū)域，該區(qū)域?qū)@示在首頁上。

服裝推薦需要個性化——如果訪問者之前訪問過你的站點，你需要基于歷史數(shù)據(jù)推薦符合他們口味的商品。

有些書整本都在討論這一主題，而GitHub上也有許多專門為此開發(fā)的庫。你是不是應該直接開始應用矩陣分解（點擊閱讀）？

到了一定時候你大概應該嘗試下矩陣分解，但剛開始你不應該直接應用矩陣分解。你首先應該創(chuàng)建一個常識基線。

向訪問者展示相關商品的最簡單的方案是什么？

暢銷商品！

是的，它們并不是個性化的。但是暢銷商品之所以是暢銷商品，正是因為有足夠的訪問者購買了它們。所以從這個意義上說，很大可能至少相當一部分訪問者會對這些商品感興趣，即使這些商品并不是根據(jù)訪問者的興趣定制的。

此外，不管怎么說，你都需要準備好顯示暢銷商品，畢竟你需要向沒有數(shù)據(jù)的初次訪問者展示一些東西。

選中暢銷商品很簡單。確定一個時間窗口（最近24小時、最近7天、……），確定一項測度（利潤、訪問量、……），確定計算周期（每小時、每日、……），編寫查詢請求并加以自動化。

并且你可以調(diào)整這一基線，稍稍加上一點個性化。比如說，如果記住了訪問者上次訪問站點瀏覽的商品類別，那么你可以直接從這一具體類別中選出暢銷商品（而不是選出所有類別的暢銷商品），在推薦區(qū)域展示。例如，上次訪問時瀏覽過女裝類別的訪問者，可以向她展示暢銷女裝。

需要澄清的是，上面描述的“調(diào)整”涉及開發(fā)工作，因為你需要“記住”不同訪問會話的信息。但是，如果你計劃創(chuàng)建、交付基于模型的個性化推薦，那么這些收集信息的開發(fā)工作是免不了的。

定價優(yōu)化

最后一個例子是零售定價優(yōu)化。

作為一個服裝零售商，你販賣季節(jié)性商品——例如，毛衣——在季節(jié)末，需要清庫存，以便為下一季的商品留出空間。服裝業(yè)對此的標準做法是減價促銷。

如果折扣太小，最后時刻你將不得不以廢品回收的價格出清積壓的季節(jié)性商品。如果折扣太大，季節(jié)性商品會很快售罄，但是你損失了賺取更多金錢的機會。

在服裝行業(yè)，平衡這兩者的藝術(shù)稱為清倉優(yōu)化或減價優(yōu)化。

有大量關于如何使用數(shù)據(jù)科學技術(shù)建模和求解這一問題的文獻（例如，牛津價格管理手冊的第25章，利益申明：這書是我寫的）。但是讓我們首先考慮下如何創(chuàng)建一個常識基線。

想象一下，手頭有100單位的毛衣，這一季還有4周。每周可以調(diào)一次價，也就是說你有4次出手調(diào)整的機會。

你應該從本周就開始減價嗎？

好吧，首先考慮下，你覺得如果維持價格不變，下面4周可以賣掉多少單位毛衣？

我們?nèi)绾喂烙嬤@一數(shù)值？最簡單的做法是看看上一周賣了多少。

假定上一周賣了15單位。如果接下來4周和上一周情況差不多，那么我們將賣出60單位，到了季節(jié)末會積壓40單位。

不妙。明顯需要減價。

零售商有時使用折扣階梯，八折、七折、六折……最簡單的做法是首先邁上折扣階梯的第一階，也就是下周開始八折促銷。

快進一周。比方說賣掉了20單位，剩下80單位和3周。假設剩下3周維持相同的賣出率（例如，20單位每周），總共將賣出60單位，季節(jié)末仍將積壓20單位。所以你需要在折扣階梯上往下走一階，下周開始增加促銷力度，改為七折出售。

以此類推，在每周重復以上策略，直到季節(jié)末。

取決于賣出率對折扣的響應程度，不同的商品可能遵循不同的折扣路徑。比如，相比下圖中的商品A，商品B需要更大力度的折扣刺激。

這一常識基線可以通過非常簡單的if-then邏輯實現(xiàn)。和上面的個性化推薦例子一樣，我們也可加以調(diào)整（例如，之前我們直接使用上一周的銷售單位數(shù)“預測”未來幾周的銷售量，但是我們也可以轉(zhuǎn)而使用前幾周的平均銷售量）。

搞定了基線之后，你可以勇往直前，釋放數(shù)據(jù)科學的全部火力。但是不管你做了什么，都需要將所得結(jié)果與基線進行比較，從而精確地評估工作的回報。

結(jié)語

在很多問題上，古老的二八法則仍然適用。常識基線經(jīng)常能夠讓你以很快的速度取得80%的價值。

隨著越來越多數(shù)據(jù)科學技術(shù)的應用，你將看到更高的價值，但價值增長的速度越來越慢。取決于具體情況，你當然可以決定使用一個復雜方案榨取最后一點價值。不過你應該在很清楚增加的成本和收益的前提下才這么做。

常識基線能從根本上保護你避免理查德·費曼提到的著名危險：

首要原則是，你千萬不能愚弄自己，最容易被愚弄的人是你自己。

創(chuàng)建數(shù)據(jù)科學模型可能是一個非常享受的過程，你很容易哄騙自己，你所創(chuàng)建的復雜、傾注了很多心血、精心調(diào)整的模型（從成本/收益角度上而言）更好，而實際上并沒有那么好。

常識基線能夠迅速交付價值，也能避免自我欺騙。請養(yǎng)成首先創(chuàng)建基線的好習慣。