Vizualizarea rezultatelor analitice ale modelului dvs. predictiv - dummy

De multe ori, trebuie să puteți arăta rezultatele analizei dvs. predictive pentru cei care contează. Iată câteva modalități de a utiliza tehnici de vizualizare pentru a raporta rezultatele modelelor dvs. părților interesate.

Vizualizarea grupărilor ascunse în datele dvs.

Clasificarea datelor este procesul de descoperire a grupurilor ascunse de elemente conexe din datele dvs. În cele mai multe cazuri, un cluster (grupare) constă din obiecte de date de același tip, cum ar fi utilizatorii rețelei sociale, documentele text sau e-mailurile. O modalitate de a vizualiza rezultatele unui model de grupare a datelor este prezentată mai jos, în care graficul reprezintă comunități sociale (clustere) care au fost descoperite în datele colectate de la utilizatorii rețelei sociale.

Datele despre clienți au fost colectate într-un format tabelar; apoi a fost aplicat un algoritm de grupare a datelor, iar cele trei clustere (grupuri) au fost descoperite: clienți loiali, clienți rătăciți și clienți cu discount. Să presupunem că axele X și Y reprezintă cele două componente principale generate de datele originale. Analiza principală a componentelor (PCA) este o tehnică de reducere a datelor.

Gruparea clienților în trei grupe: loiali, rătăciți și reduceri.

Aici, relația vizuală dintre cele trei grupuri sugerează deja unde eforturile de marketing îmbunătățite și orientate ar putea face cele mai bune rezultate.

Vizualizarea rezultatelor de clasificare a datelor

Un model de clasificare atribuie o anumită clasă fiecărui punct de date nou pe care îl examinează. Clasele specifice, în acest caz, ar putea fi grupurile care rezultă din activitatea dvs. de grupare. Ieșirea evidențiată în grafic poate defini seturile țintă. Pentru orice client nou dat, un model de clasificare predictivă încearcă să prezică grupului din care va aparține noul client.

După ce ați aplicat un algoritm de grupare și ați descoperit grupări în datele despre clienți, ajungeți la un moment de adevăr: Iată un nou client - doriți ca modelul să prezică ce tip de client el sau ea va fi.

Imaginea arată modul în care sunt aduse informații despre un nou client către modelul dvs. de analiză predictivă, care la rândul său prezice grupul de clienți din care face parte acest client nou. Clienții noi A, B și C urmează să fie alocați clusterelor în funcție de modelul de clasificare. Aplicarea modelului de clasificare a dus la o prezicere a faptului că clientul A ar aparține clienților fideli, clientul B ar fi rătăcitor, iar clientul C ar fi prezentat doar pentru reducere.

Atribuirea clienților A, B și C la clasificările lor (clustere).

Vizualizați valorile exacte ale datelor

În cursul grupării sau al clasificării clienților noștri, din când în când se întâlnesc outliers (cazuri speciale care nu se încadrează în diviziunile existente).

Mai jos, vedeți câteva valori care nu se încadrează bine în grupurile predefinite. Șase clienți depășiți au fost detectați și vizualizați. Ei se comportă destul de diferit încât modelul nu poate spune dacă aparțin vreunei categorii definite de clienți.

Șase clienți depășiți sfidează clasificarea doar prin apariția.

Vizualizarea copacilor de decizie

Multe modele folosesc arbori de decizie ca ieșiri: Aceste diagrame arată posibilele rezultate ale unor cursuri alternative de acțiune, prevăzute ca ramurile unui copac.

Imaginea de mai jos prezintă un exemplu de copac folosit ca clasificator: Clasifică fanii de baseball pe baza câtorva criterii, în special suma cheltuită pe bilete și datele de cumpărare. Din această vizualizare, puteți prezice tipul de ventilator pe care un nou cumpărător de bilete va fi: casual, loial, bandwagon, orhard sau alt tip.

Atributele fiecărui ventilator sunt menționate la fiecare nivel din copac (numărul total de jocuri participate, suma totală petrecută, sezonul); puteți urma o cale de la o anumită "rădăcină" la o anumită "frunză" pe copac, unde ați lovit una dintre clasele de ventilatoare (c1, c2, c3, c4, c5).

Găsirea clasei în care aparține un anumit fan de baseball.

Să presupunem că doriți să determinați tipul de fan de baseball pe care îl are un client pentru a determina ce tip de anunțuri de marketing să le trimiteți clientului. Să presupunem că ați emis ipoteza că fanii de baseball și fanii de bandwagon pot fi convinși să cumpere o mașină nouă atunci când echipa lor se descurcă bine și se îndreaptă spre playoff.

Este posibil să doriți să trimiteți anunțuri de marketing și reduceri pentru a le convinge să facă achiziția. Mai mult, să presupunem că ați presupus că fanii bandwagon pot fi convins să voteze în sprijinul anumitor probleme politice. Puteți să le trimiteți anunțuri de marketing care să le solicite sprijinul respectiv. Dacă știți ce tip de bază de ventilatoare aveți, folosind arborii decizionali vă pot ajuta să decideți cum să vă apropiați ca o gamă de tipuri de clienți.

Predicții de vizualizare

Să presupunem că ați rulat o serie de modele de analiză predictivă, inclusiv arbori de decizie, păduri aleatoare și algoritmi flocking. Puteți combina toate aceste rezultate și puteți prezenta o narațiune consecventă pe care o susțin toți. Aici încrederea este un procent numeric care poate fi calculat folosind o funcție matematică. Rezultatul calculului încapsulează un scor de cât de probabil este o posibilă apariție.

Pe axa x, dovezile suport reprezintă sursa de conținut care a fost analizată cu modele de analiză a conținutului care au identificat posibilele rezultate. În majoritatea cazurilor, modelul dvs. de predicție ar fi procesat un set de date mare, folosind date din diverse surse, pentru a obține acele rezultate posibile. Astfel, trebuie să arătați doar cele mai importante dovezi justificative în vizualizarea dvs.

Se afișează numai cele mai importante dovezi de susținere în vizualizare.

Mai sus, un rezumat al rezultatelor obținute din aplicarea analizei predictive este prezentat ca o vizualizare care ilustrează rezultatele posibile, împreună cu un scor de încredere și dovezi justificative pentru fiecare dintre acestea. Se afișează trei scenarii posibile:

• Inventarul postului A nu va ține pasul cu cererea dacă nu expediați cel puțin 100 de unități pe săptămână în Store S. (Scor de încredere: 98%.)
• Numărul de vânzări va crește cu 40% dacă creșteți producția de la postul A cu cel puțin 56%. (Scor de încredere: 83%.)
• O campanie de marketing în California va crește vânzările articolelor A și D, dar nu a punctului K. (Scorul de încredere: 72%.)

Scorul de încredere reprezintă probabilitatea ca fiecare scenariu se întâmplă, conform modelului de analiză predictivă. Rețineți că sunt listate aici în ordinea descrescătoare a probabilității.

Aici cele mai importante dovezi justificative constau în modul în care sunt prezentate fragmente din mai multe surse de conținut pe axa x. Poți să te referi la ele dacă trebuie să explici cum ai ajuns la un anumit scenariu posibil - și să-i faci pe dovezi care o susțin.

Puterea din spatele acestei vizualizări este simplitatea ei. Imaginați-vă, după luni de la aplicarea analizei predictive a datelor dvs., făcându-vă drumul prin mai multe iterații, că intri într-o întâlnire cu factorul de decizie. Ești înarmată cu o vizualizare cu diapozitive a trei scenarii posibile care ar putea avea un impact imens asupra afacerii. O astfel de vizualizare creează discuții eficiente și poate conduce managementul la momentele "aha".