批量自动建模有什么意义？

目前，由于数据挖掘技术的门槛较高，实现起来复杂度较大，因此一般一个数据挖掘项目通常就是建立一个模型，这个模型要尽量有更广泛的应用范围。这样做其实会导致模型的适应能力下降，而多个模型适用效果就远远好于一个模型。

在需求侧，业务场景是多种多样的，模型的需求量很大。就是一个业务场景也往往不是一个模型就能完全解决的，而是需要一系列的模型。例如在精准营销场景中，使用模型可以帮助我们快速的定位潜在目标客户，提高营销成功率。通常的做法是简单的建一个全国所有客户的模型，但是各地区的营销政策和消费特点可能不同，即使同一地区，不同客户群体的关注点也是不一样的，这样一个模型用所有的结果就是放到哪里都不太适用。而如果能分地区、分客群的建立多个模型，适用性就会提高很多，况且一般需要营销的产品也不是只有一种，可能是几十种甚至更多，这样需要的模型量就更多了。再例如在金融信贷业务中，现金流的管理至关重要。为了准确预测现金流，可以拆分为收入端和支出端分别建模，在收入端和支出端还可以细分，比如按产品划分或者其他方式划分等，综合下来也需要十几、几十个模型才能实现对现金流的精准预测。因此在需求侧，往往需要批量的模型才能达到更好的预测效果

而在供给侧，目前主流的建模方式是手工建模（使用 SAS 等工具或 Python 开源包）。每一个模型都要人工数据探索，数据预处理，建模调参，耗时耗力，一个模型就至少需要几周甚至几个月的时间。同时建模师的成本也是比较高的，平均下来单个模型也是高居不下。以下表中三家美国公司数据分析团队的模型成本为例，我们很保守的估计一个数据挖掘人员的年薪是 10 万美金（实际上远不止这么低），单位模型成本至少要在 5 万美金以上。无论是从时间因素还是经济因素上