[发明专利]一种助力企业精细化运营的模型可解释性分析新方法

说明书

本发明公开了一种助力企业精细化运营的模型可解释性分析新方法，包括以下步骤：S1、构建初始的原始场景机器学习模型；S2、对初始的原始场景机器学习模型进行效果验证；S3、输出该模型在测试集上的预测概率值；S4、设置模型解释样本的圈选阈值，筛选模型解释样本；S5、构建模型解释回归树模型；S6、输出模型解释回归树模型的拟合概率值；S7、对模型解释回归树模型进行效果测评；S8、输出最优版本的解释回归树模型的学习规则，利用学习规则反向解释原始场景机器学习模型的机器学习逻辑。本发明采用树回归模型对原始机器学习模型进行解释，实现以机器学习解释机器学习的模式输出机器学习逻辑，为企业精细化运营提供业务策略支撑。

技术领域

本发明涉及企业运营领域，具体来说，涉及一种助力企业精细化运营的模型可解释性分析新方法。

背景技术

大数据时代背景下，精细化数字运营是企业运营的共同目标。公司通过各种业务规则及机器学习模型的搭建实现各类型场景的人、物及事件发生的可能性识别或预测，为企业风险预警、存量客户保有、竞品挖新等策略的制定提供数据支撑。

比如，公司通过自有的用户数据构建存量用户流失预警模型，以支撑其市场部制定相应的存量保有策略进行精细化的用户挽留；电力公司结合某区域的配农网线路负载状况、元器件使用年限、过往设备故障记录以及外部环境因素构建某区配电网故障预警模型，实时预警出可能发生故障的线路、台区以及设备，为其合理规划运维资源提供有力数据支撑。

在实际的生产运营中，各企业发现，相较于传统的分析方法，机器学习虽然可以显著提升人、物、事件识别或预警的准确率，但是机器学习算法就相当于一个黑盒子，企业无法从业务层面去解读模型的内部识别及预警机制，无法为企业具体精细化的运营策略做业务指导，这是各企业数字化运营转型路上的一大难点。

为了解决该问题，现有的技术方案主要有以下两个方面：

1、从业务角度出发，选择可解释性更强的业务规则模型而非机器学习模型进行模型构建，业务规则模型的高度易解读性可以支撑企业的精细化策略制定；

2、以模型拟合输出的入模变量权重或者重要性评估值作为业务理解的指标基础，然后基于被圈选或预警的人、物、事在已选评估指标上的数值进行业务分析，实现对机器学习模型的反向解读。

现有技术方案无论是从业务规则角度建模还是以“机器学习+业务规则”机制建模均可助力企业实现模型构建至模型结果分析的全流程贯通，助力企业更精细、更灵活、更便捷的应用模型结果。但是相对于当前数据挖掘技术的日益成熟且高效、建模技巧日益繁多，简单的业务规则模型已经无法有效的解释高集成化、融合化的模型建模结果，降低了模型结果的最终转化率；且当前现有的方案中模型解释部分主要还是依靠业务经验为主，通过人力的汇总分析进而得出带有浓厚主观倾向的模型解释，其无法真正全面客观的从数据层面理解模型的学习机理。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种助力企业精细化运营的模型可解释性分析新方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种助力企业精细化运营的模型可解释性分析新方法，该助力企业精细化运营的模型可解释性分析新方法包括以下步骤：

S1、企业按照具体的场景目标选择相应的入模指标及相匹配的模型算法构建初始的原始场景机器学习模型；

S2、利用预设的模型测试集对初始的原始场景机器学习模型进行效果验证，得到原始场景机器学习模型；

S3、利用原始场景机器学习模型对模型测试集进行模型推理预测，并输出该模型在测试集上的预测概率值；

S4、设置模型解释样本的圈选阈值，筛选模型解释样本；

S5、以回归树模型作为模型解释算法，并基于入模指标及预测概率值构建模型解释回归树模型；