京东|断供事件频出，是时候用信创软件实现科技自立自强了( 二 )

图1：Sophon与SAS功能对比一栏
在多年的行业积累和项目实践上，星环科技建立了一套模型迁移方法论，整个过程被定义为8个阶段——业务理解、数据理解、元模型理解、数据准备、模型迁移、评估报告、应用和检测。星环科技SAS平滑迁移过程强调针对实际业务问题，解决客户的业务痛点，产生实际价值。
通过对用户业务、数据、元模型的理解后，进行相应的数据准备，包括框架设计、数据处理、方案设计等。当数据准备好后就会进行模型迁移，这一阶段主要是进行代码逻辑架构梳理设计、模型验证等。模型迁移完成后会对迁移效果进行评估，确认迁移前后的准确性、一致性、以及优化效果验证。最后是部署上线来支持业务，对业务进行持续跟踪，不断优化模型，并对效果进行评估。通过一整套完整的迁移流程，保障SAS平滑、安全的迁移到Sophon 。
星环科技Sophon可以提供完整的SAS模型迁移能力。相较于SAS ，迁移到Sophon后可以支持多源异构数据的接入、丰富的数据处理、多个框架的模型训练及发布、模型部署和维护等全过程，多源数据和建模流程灵活组合确保综合性场景高效支撑。用户可以获得Sophon自建的200多个高性能分布式AI算子以及对自定义算子的支持，完全覆盖SAS原有的建模能力。同时， Sophon还能带来模型可解释性、联邦学习等额外的支持，更好地支撑模型的业务应用。此外，在模型的统一管理、发布及监控方面， Sophon也为企业客户提供了简洁、易用、稳定的解决方案，帮助用户更好地获取数据价值。
分布式的分析工具性能几何？用一个实际案例来说明
在银行交易中， 20%的头部优质客户会给银行贡献80%的利润，而赢得一个新客户的成本是保留一个老客户的5至6倍。因此，银行如果能够提前预测出潜在的流失客户，防止客户流失而引发的经营危机，对于提高银行的竞争力具有战略意义。
此前，某大型国有银行在面临此类数据挖掘的业务时，使用的是SAS产品。由于SAS是集中式的，对单台要求太高，算力无法支撑需求，且无法支持可视化的机器学习，对于业务人员来说使用门槛过高。在经过产品选型后，决定采用星环科技的智能分析工具Sophon替换原有SAS ，用以满足银行利用全量数据进行挖掘的需求。分布式的软件架构也在实战过程中证明了其海量的数据处理性能优势，逐渐取代了原有的集中式架构，从而以更有益的表现完成了某大型国有银行所要求的海量数据挖掘任务。
表1：替换前后的产品分析

由于Sophon提供用户从数据采集、接入、模型构建、测试、管理、知识存算和推理及辅助决策的全流程开发一体化平台，因此大幅提高了用户建模得整体效率。在模型上线后，该银行实现了对单个客户按照流失率得评分，评估数据显示，在流失率评分最高的前10%客户当中，实际流失的比例达到了20.2% ，相较全量数据5.9%的流失率来说，流失率预测效率提升了242% ，前10%客户的覆盖度为34.2% 。换言之，该银行只需要对流失率评分最高的前10%的客户进行营销活动，就能够覆盖整体34%的流失率，可以有效提升客户流失率挽回的效率和效果。在中高端客户流失预警模型构建方面，该银行基于星环科技分布式的智能分析工具Sophon ，利用中高端客户短期资产流失与长期资产流失的高关联性，通过逻辑回归模型提前找出中高端客户群中的近期潜在流失客户。模型训练主要选取了如客户基本属性、持有产品、交易情况、账户情况、渠道喜好等变量，综合全面地考量后，给出该客户在中高端客户流失层面的分数，分数高低决定了流失可能性大小。