01 何谓“数据智能五步法”？

“数据智能五步法”是个推对自身多年来数据建模和数据应用经验的深刻总结。“数据智能五步法”中的五步分别是“结果采样”“标注端详”“相似扩量”“实战应用”和“反馈归因”。通过这五步，个推将数据智能落地到广告投放、用户精细化运营等具体场景中，帮助客户解决实际业务难题。

▲点击图片，进一步了解“数据智能五步法”

比如，在品牌营销领域，精准拓客几乎是每一个品牌的营销目标。个推正是采用“数据智能五步法”，同时结合自身深厚的机器学习建模能力，帮助品牌主发掘高价值潜客。个推将来自品牌的一方数据作为样本数据（即“Y值”），依托自身丰富的标签和特征数据对样本人群的线上线下兴趣偏好进行洞察、端详，并使用机器学习算法搭建预测购买模型，基于该模型到全网流量池中去做look-alike相似性扩量，为品牌主从茫茫人海中找出大规模高潜力购买人群。

可以看到，“数据智能五步法”对个推用数据增能潜客挖掘、广告投放等的整个过程进行了非常清晰的梳理。这看似简单的五步，却能帮助我们更快速地找到优化广告投放策略、提升最终购买转化的突破点。

“数据智能五步法”中，个推尤其强调第二步“标注端详”的重要性。结合以往服务品牌等行业客户的经验，我们发现，很多客户私域流量的用户数据不一定是真实准确的，其中有很多脏数据和干扰因素。比如很多品牌会通过直播平台卖货，有部分“羊毛党”会参加品牌直播间的低价秒杀活动，成为品牌的购买用户。但是这部分“羊毛党”并非真正喜爱该品牌。因此，这部分用户数据就不能作为建模的消费者样本数据使用。此外，还有一些只是在数据上呈现相关性但其实相互之间并不存在因果关系的特征，会干扰模型的训练效果。因此还需要人类专家（比如数据分析师、业务专家）对样本特征数据进行深入端详、认真审视，并将其中的脏数据找出来、剔除掉，以免机器被数据误导，直接将无效特征“喂”入模型，影响最终的模型质量。

正是基于以上认知，个推在进行“数据智能五步法”的产品化落地时，也是强调要将“人”的价值充分发挥出来，通过“人机结合”的方式来构建和训练模型，实现数据智能的场景落地。

个推数据中台“每日治数平台”的设计和研发正是融入了“数据智能五步法”的创新理念，以更好地服务行业客户。其中重要的产品模块“机器学习平台”，只需简单五步，即可高效完成机器学习作业全流程。

个推的“机器学习平台”改变了传统机器学习开发周期长、成本高、难度大等情况，实现机器学习过程的标准化、平台化，并内嵌成熟的建模方法论“数据智能五步法”，使零代码基础的业务人员也能简单五步快速上手搭建算法模型，灵活满足业务洞察和分析的复杂需求。

第一步，即“样本上传”，对应“数据智能五步法”中的“结果采样”。用户可以将治理后的高质量样本数据一键接入到个推“机器学习平台”中，方便后续进行特征提取和数据洞察。

第二步，是“特征匹配”。很多客户由于私域数据规模有限或者维度不够丰富，难以实现较好的模型训练效果。因此，个推在“机器学习平台”中，融入了自身丰富的标签数据和亿级别的特征数据，帮助客户进一步丰富特征和数据体量。

第三步，是“数据洞察”。个推“机器学习平台”的“人机结合”特性，在这一步体现得尤其充分。个推“机器学习平台”将数据洞察结果可视化，生成特征词云图，通过词的大小和颜色的深浅来直观展现洞察人群某一特征的显著程度，帮助业务人员细致了解特定人群的各维度特征。如此一来，业务人员就可以深度介入到数据分析和模型训练工作中来，结合自身对行业和消费者的经验理解，人 为剔除无效特征，自主筛选有效的特征进入模型供机器学习和训练。

第四步，是“模型训练”。个推“机器学习平台”对LR、NLP等多种多样的算法进行了模块化封装，其中还包括个推自研的一些算法。

这样一来，数据分析师或算法人员在个推“机器学习平台”上，通过简单便捷的操作就可以迅速搭建起算法模型，减少了大量繁杂的工程开发、算法开发、参数调优等工作，使用户更加专注自身业务需求，更多地将精力放在数据洞察和业务分析上。

第五步，是“模型预测”。个推“机器学习平台”提供ROC曲线、混淆矩阵等通用的模型质量分析能力；同时，还根据模型预测评分进行数据分箱，生成可视化“五箱图”，使数据分析师和业务人员不需要太多专业的机器学习知识，也能对模型的预测质量进行评估。

通过以上五步完成了模型训练和效果验证后，就可以进入“实战运用”阶段，使用模型进行数据预测和分类。个推“机器学习平台”对预测结果进行了可视化的清晰展现，帮助业务人员在数据的指导下实现科学决策。比如，对于品牌主来讲，广告投放人员可以根据模型预测结果对广告曝光、触达TA数量进行提前的预估，同时结合自身预算，合理制定触达策略。

目前，个推已与众多品牌主以及移动互联网、智慧高速等多个垂直领域的客户合作，基于“数据智能五步法”联合建模，解决实际业务痛点难题。个推“机器学习平台”也以可视化、零代码、高性能的产品特性稳定高效支撑着公司内外部的数据建模需求。同时，面对越来越多的联合建模场景，个推也在积极探索联邦计算、中立国联合计算等数据安全技术和创新模式，为各行业客户提供可靠、专业的数据智能服务及解决方案。