Forutsigende Analytics For Dummies Cheat Sheet - dummies

Av Anasse Bari, Mohamed Chaouchi, Tommy Jung

Et prediktivt analyseprosjekt kombinerer utførelse av detaljer med storbilde-tenkning. Disse praktiske tipsene og sjekklistene vil bidra til å holde prosjektet ditt på skinner og ut av skogen.

Bygg en forutsigende Analytics-modell

Et vellykket prediktivt analyseprosjekt utføres trinnvis. Når du fordyper deg i detaljene i prosjektet, se etter disse store milepæler:

1. Definere forretningsmål

   Prosjektet starter med å bruke et veldefinert forretningsmål. Modellen skal adressere et forretningsspørsmål. Å klart si at målet vil gi deg mulighet til å definere omfanget av prosjektet, og gi deg den nøyaktige testen for å måle suksess.

2. Klargjøre data

   Du bruker historiske data til å trene din modell. Dataene er vanligvis spredt over flere kilder og kan kreve rensing og forberedelse. Dataene kan inneholde dupliserte poster og utjevninger; Avhengig av analysen og forretningsmålet, bestemmer du om du vil beholde eller fjerne dem. Dataene kan også ha manglende verdier, må kanskje gjennomgå noe transformasjon, og kan brukes til å generere avledede attributter som har mer prediktiv kraft for målet ditt. Samlet sett indikerer kvaliteten på data kvaliteten på modellen.

3. Sampling av dataene dine

   Du må dele dataene dine i to sett: trening og test datasett. Du bygger modellen ved hjelp av treningsdatasettet. Du bruker testdatasettet til å verifisere nøyaktigheten av modellens utgang. Å gjøre det er helt avgjørende. Ellers risikerer du at du overfører modellen din - trener modellen med et begrenset datasett, til det punktet at det plukker alle egenskapene (både signalet og støyen) som bare gjelder for det aktuelle datasettet. En modell som er overfitted for et bestemt datasett, vil utføre mislykket når du kjører det på andre datasett. Et testdatasett sikrer en gyldig måte å nøyaktig måle modellens ytelse på.

   Bygg modellen

4. Noen ganger låner dataene eller forretningsmålene seg til en bestemt algoritme eller modell. Andre ganger er den beste tilnærmingen ikke så klar. Når du undersøker dataene, kjør så mange algoritmer som mulig. sammenlign sine utganger. Baser ditt valg av den endelige modellen på de samlede resultatene. Noen ganger er det bedre å kjøre et ensemble av modeller samtidig på dataene og velge en endelig modell ved å sammenligne sine utganger.

   Implementere modellen

5. Etter å ha bygget modellen må du distribuere den for å høste fordelene. Denne prosessen kan kreve samordning med andre avdelinger.Sikt på å bygge en distribusjonsmodell. Vær også sikker på at du vet hvordan du skal presentere resultatene dine til bedriftens interessenter på en forståelig og overbevisende måte, slik at de adopterer modellen din. Etter at modellen er distribuert, må du overvåke ytelsen og fortsette å forbedre den. De fleste modeller forfaller etter en viss tidsperiode. Hold modellen oppdatert ved å forfriskne den med nylig tilgjengelige data.

   Datakilder for Prediktive Analytics-prosjekter

Data for et prediktivt analyseprosjekt kan komme fra mange forskjellige kilder. Noen av de vanligste kildene er innenfor din egen organisasjon; Andre vanlige kilder inkluderer data kjøpt fra eksterne leverandører.

Internt datakilder inkluderer

Transaksjonsdata, for eksempel kundeoppkjøp

• Kundeprofiler, for eksempel brukeroppført informasjon fra registreringsskjemaer

• Kampanjestrategier, inkludert om kunder har svart på

• Clickstream-data, inkludert mønstrene til kundenes web klikk

• Kundeinteraksjoner, for eksempel fra e-post, chatter, spørreundersøkelser og kundeserviceanrop

• Maskingenererte data, som for eksempel fra telematikk, sensorer og smarte målere

• Eksterne datakilder inkluderer

Sosiale medier som Facebook, Twitter og LinkedIn

• Abonnementstjenester som Bloomberg, Thompson Reuters, Esri og Westlaw

• Ved å kombinere data fra flere ulike datakilder i ditt prediktive modeller, kan du få bedre oversikt over kunden din, og dermed en mer nøyaktig modell.

Sikre suksess når du bruker Predictive Analytics

Tenk på prediktiv analyse som en lyspære drevet av dataene dine. Lyset (innsikt) fra prediktiv analyse kan styrke din strategi, effektivisere driften din og forbedre bunnlinjen. Følgende fire anbefalinger kan hjelpe deg med å sikre suksess for dine predictive analytics-initiativer.

Foster en kultur av forandring

Prediktiv analyse bør vedtas på tvers av organisasjonen som helhet. Organisasjonen bør omfavne endring. Bedriftsinteressenter bør være klare til å inkorporere anbefalinger og vedta konklusjoner utledet av de prediktive analyseprosjektene. Resultatene av en forutsigbar analyseprosjekt er bare verdifulle hvis bedriftsledere er villige til å handle på dem.

Lag et datavitenskapsteam

Lei et datavitenskapsteam, hvis eneste jobb er å etablere og støtte dine prediktive analyseløsninger. Dette teamet av dyktige fagfolk - bestående av forretningsanalytikere, datavitenskapere og informasjonsteknologer - er bedre rustet til å jobbe med prosjektet på heltid. Inkludert en rekke faglige bakgrunner kan gi verdifull innsikt til teamet fra andre domener. Valg av lagmedlemmer fra ulike avdelinger i organisasjonen din kan bidra til å sikre en utbredt innkjøp.

Bruk visualiseringsverktøy effektivt

Visualisering er en kraftig måte å formidle komplekse ideer effektivt på. Ved hjelp av visualisering kan du hjelpe deg med å utforske og forstå dataene du arbeider med.Visuelle hjelpemidler som diagrammer kan også hjelpe deg med å evaluere modellens produksjon eller sammenligne ytelsen til prediktive modeller.

Bruk prediktive analyseværktøy

Kraftige prediktive analyseverktøy er tilgjengelig som programvarepakker på markedet. De er designet for å gjøre hele prosessen enklere. Uten bruk av slike verktøy blir det raskt tidsintensivt å bygge en modell fra bunnen av. Ved hjelp av et godt predictive analytics-verktøy kan du kjøre flere scenarier og sammenligne øyeblikkelig resultatene - alt med noen få klikk. Et verktøy kan raskt automatisere mange tidkrevende trinn som kreves for å bygge og evaluere en eller flere modeller.