1. 课程导论与项目全景

大家好，我是这门课的主讲。在正式开始之前，我想先聊聊一个很现实的问题：为什么很多数据科学项目，做着做着就烂尾了？

我见过不少团队，拿到数据就急着调模型，结果模型精度挺高，业务部门却说「这玩意儿没法用」。为什么？因为从一开始，大家就没搞清楚「我们要解决什么问题」。

这门课，就是想带你走一遍完整的路——从业务需求分析，到模型上线交付。咱们不搞花架子，每一步都踩实了走。

什么是ML全流程？

说白了，机器学习全流程不是「把数据扔进模型就完事」。它是一个系统工程，包含从业务理解到模型维护的完整链条。

我个人习惯把它拆成六个阶段：

1. 业务理解：搞清楚业务方到底想要什么
2. 数据理解：看看手头有什么数据，质量如何
3. 数据准备：清洗、转换、特征工程
4. 建模：选算法、调参数、训练
5. 评估：模型真的能用吗？
6. 部署：把模型塞进生产环境

你想想看，如果第一步「业务理解」就偏了，后面再努力也是白搭。我在项目中遇到过好几次，业务方说「我要预测用户流失」，结果聊深了才发现，人家真正想要的是「能提前两周识别出高流失风险用户，好让运营去干预」。这两个需求，对应的模型方案完全不同。

为什么需要系统化方法？

很多初学者喜欢跳步。拿到数据直接跑模型，跑出来效果不好就换算法，换来换去还是不行。这叫什么？这叫「碰运气式开发」。

系统化方法能帮你：

• 减少返工：每一步都有明确的交付物，错了能尽早发现
• 可复现：三个月后回头看，还能搞清楚当时为什么这么做
• 可沟通：业务方、开发、测试，大家用同一套语言对话

CRISP-DM框架：行业标准方法论

说到系统化方法，就绕不开 CRISP-DM（Cross-Industry Standard Process for Data Mining）。这是目前业界用得最广的框架，没有之一。

它把项目生命周期画成一个循环，而不是线性流程。为什么是循环？因为做数据项目，你几乎不可能一次走通，总要回头调整。

嗯，这里要注意：CRISP-DM 强调阶段之间可以回溯。比如你在数据准备阶段发现数据质量太差，可能需要回到数据理解阶段重新评估。这不是失败，这是正常迭代。

下面这张图，就是 CRISP-DM 的完整流程。我建议你多看几遍，后面每一章都会对应到其中的某个阶段。

本课程案例：电商用户流失预测

光讲理论太枯燥。这门课会用一个真实感很强的案例贯穿始终——电商用户流失预测。

为什么选这个案例？

• 业务价值明确：留住一个老客户的成本，远低于获取一个新客户
• 数据好理解：用户行为、订单记录、客服交互，大家都有直观感受
• 技术覆盖全：从特征工程到模型部署，每个环节都有挑战

我们的目标很具体：构建一个能提前30天预测用户流失风险的模型，准确率不低于85%，并且能输出可解释的流失原因。