2、成功的数据项目：从流程到线性回归

成功的数据项目：从流程到线性回归

1. 成功的流程

在项目中，即使拥有最聪明的人、最好的软件和算法，也不能保证成功。解决问题或改进决策的关键往往在于沟通和影响力等软技能。为了实现成功，我们可以采用 Cross-Industry Standard Process for Data Mining (CRISP-DM) 这一灵活且全面的框架。

1.1 CRISP-DM 流程概述

CRISP-DM 流程专为数据挖掘设计，但可应用于任何分析项目，如预测分析、数据科学或机器学习。该流程包含六个阶段：
1. 业务理解
2. 数据理解
3. 数据准备
4. 建模
5. 评估
6. 部署

1.2 业务理解

这是整个流程的基础步骤，其目的是确定业务需求并将其转化为分析目标。具体包含以下四个任务：
- 确定业务目标 ：关键在于明确组织的目标并界定问题。可以问“我们将做出哪些不同的决策？”以此确定决策点。同时，要管理好预期，因为不存在完美的数据。此任务建议输出使命声明，包括谁（团队或项目名称）、做什么（任务，如机器学习）、何时（截止日期）、何地（地理、职能等范围）、为什么（业务目标）。另外，要尽可能清晰地定义成功标准。
- 评估情况 ：收集可用资源、约束和假设的信息，识别风险并制定应急计划。同时，确定受决策影响的关键利益相关者，并与项目发起人制定沟通计划。
- 确定分析目标 ：将业务目标转化为技术要求，例如将成功标准转化为 RMSE 或预测准确性等技术指标