字数 2145，阅读大约需 11 分钟

Vibe数据建模：对话式AI数据科学

1.不再为代码发愁

去年年底的时候，我接了个电商推荐系统的活儿。数据不算太大，几百万条用户点击记录，按说不是什么难事。但真做起来，光整理数据就花了两天时间。那些pandas代码，一会儿是数据类型不对，一会儿是缺失值处理，写了删，删了写，最后弄出来三百多行代码，非常消耗精力。

后来在AI群里大家讨论Vibe建模，有点像AI编程领域的Vibe coding，Vibe建模就是数据科学领域的AI Coding，其实就是用自然语言跟AI交流，然后帮你做数据分析，让它帮你完成代码部分的工作。我试了一下，直接说"这儿有个用户行为数据，你帮我搞个推荐系统，要能记住用户的长期偏好"。效果还是不错的，AI不光把代码写出来了，还选了协同过滤算法，自动处理了稀疏矩阵。最让我意外的是，它还加了个时间衰减系数，最近的行为权重更高，这个大部分人自己写的时候是很难想得到的。

不过说实话，完全依赖AI也不行。有一次它给我推荐用深度学习，我一看数据才几千条，这不是大材小用吗？所以你还是得懂一些基本原理，知道什么时候该用什么方法。但至少不用再为那些语法错误抓狂了，这就已经省了我一大半时间。

做用户流失预测的时候，感受更明显。以前我得一个特征一个特征地写代码，比如算最近登录频率的变化趋势，得写个循环对比最近30天和之前30天的差异；算消费金额的下降速度，又得写一段代码做移动平均。现在呢，就跟AI说"帮我找出那些可能不再用我们产品的用户，主要看他们最近的活跃度变化"。AI不仅把这些常规指标都算出来了，还加了些实用的特征，比如用户最后一次购买距今的天数、客服投诉频率的增长——这些确实是流失的前兆信号。

调模型参数也变简单了。以前如果模型的查全率太低，我得去改代码，调整分类阈值，重新跑一遍看效果。现在我就说"现在漏掉太多真正要流失的用户了，提高一下敏感度"，AI会自动调整决策边界。这种感觉就像是，以前你得自己修车，现在你只要告诉修车师傅哪里有问题需要修复，你只专注于实际问题，专业技术问题交个及专业的人。

2.复杂问题的简单解法

今年初做了个信贷风险的项目，这个案例能很好地说明Vibe建模是怎么回事。二十多万条贷款记录，里面有申请人的收入、负债、还款历史什么的，违约率只占2.3%，典型的不平衡数据。

我跟AI是这么说的："这是个人贷款数据，帮我预测违约风险。违约样本很少，你得注意处理。另外监管不让直接用年龄和性别来决策，但模型得能解释为什么拒绝某个人的申请。"

AI的处理几乎超越了绝大多数专家水平。它用了加权处理来解决不平衡问题——让模型更重视那些违约的案例。特征工程方面，它帮我算了负债收入比、信用使用率、历史逾期次数这些金融业标准指标。虽然不能直接用年龄，但它用了工作年限、账户历史长度这些替代指标，这样既不违规，信息也没丢多少。

它用了三个模型，各有各的用处。逻辑回归用来解释，能看出哪个因素影响大；XGBoost用来做预测，准一些；还有个简单的决策树，能输出那种简单的规则，比如"月收入低于8000且负债率超过70%为高风险"，信贷员一看就明白。

后来发现个问题。我发现模型把一些资质不错的客户也拒了，就跟AI说了。一查发现是"近期征信查询次数"权重过高——有些客户只是在多家银行比较利率，查询次数就多了，其实人家还得起钱。于是AI调整了这个特征的权重，并加入了"查询机构类型"——银行查询和小贷公司查询分开看。这么一改，拒错人的情况少多了。

3.业务和技术的融合

还有个例子，是最近做的一个生鲜电商销量预测。生鲜这东西麻烦，保质期短，库存成本高，预测不准就赔钱。

我跟AI说："预测未来一周各SKU的销量。这是生鲜产品，过期损耗成本很高。需要考虑天气、节假日、促销活动的影响。历史数据质量不太好，有些异常值需要处理。"

AI采用了分层建模策略。对保质期只有1-2天的叶菜类，用了短期预测模型，主要基于最近3天的销售趋势；对保质期较长的根茎类蔬菜，用了包含周期性的时间序列模型；对水果类，考虑了季节因素和价格弹性。这种差异化处理办法靠数据分析师，不仅很难想到这么周全的策略，并且需要对生鲜零售有很丰富经验的人，才可能想的如此全面，因为不同品类的销售规律确实不同。

处理异常值的方法也比较实际。系统故障导致的零销量，用插值法补充；促销导致的销量峰值，保留但做标记，让模型知道这是特殊情况；价格录入错误导致的异常，直接剔除。每种异常都有对应的处理方式，当然有些特殊情况，是需要人工提醒AI的，所以Vibe建模对手工建模是一个极大的增强效应。

新品预测是个技术难题，AI的方案是基于产品属性做相似度匹配。比如新上架一种进口水果，就找价格区间、产地、品类相似的已有产品，用它们的销售曲线作为初始预测基础。随着实际销售数据积累，逐步调整预测模型。实测下来，这个方法比简单的类别平均要准确很多。

模型发现了一些有趣的规律。比如下雨天根茎类蔬菜销量会上升20%左右——可能是因为下雨天大家更愿意买能放几天的菜。周一的销量普遍偏低，周五周六最高，这个规律在各品类都存在。月初和月中（发工资后）销量有小幅上升。这些规律如果不是系统性分析，很难被发现。

部署的时候我要求模型能实时更新，因为生鲜市场变化快。AI设计了一个在线学习框架，每天凌晨用前一天的实际销售数据微调模型参数，不需要完全重训。还加了预警机制，如果连续两天预测误差超过20%，会触发人工复核。

说到底，Vibe建模就是让技术服务于业务，而不是相反。当你不用花大量时间写代码调试的时候，你就能专注于真正重要的事——理解业务需求，设计合理的解决方案，验证结果的合理性。模型预测说明天要进100斤白菜，你得想想明天是不是有特殊情况，这个数字合不合理，而不是纠结于RMSE是0.15还是0.14。

这个转变其实挺深刻的。技术门槛降低了，但对业务理解和逻辑判断的要求更高了。AI可以帮你实现想法，但想法本身还得靠人。它知道怎么算，但不知道该算什么，更不知道算出来的东西有什么商业价值。这些判断，永远是人的领域。