Innholdsfortegnelse:
- Visualisere skjulte grupperinger i dataene dine
- Visualisere dataklassifikasjonsresultater
- Visualisering av avvikere i dataene dine
- Visualisering av beslutningstrær
- Visualisere spådommer
Video: Tiltak visualisering del1 2024
Ofte må du kunne vise resultatene av din prediktive analyse til de som har betydning. Her er noen måter å bruke visualiseringsteknikker til å rapportere resultatene av modellene dine til interessentene.
Visualisere skjulte grupperinger i dataene dine
Dataklyptering er prosessen med å oppdage skjulte grupper av relaterte elementer i dataene dine. I de fleste tilfeller består en klynge (gruppering) av dataobjekter av samme type som brukere av sosiale nettverk, tekstdokumenter eller e-post. En måte å visualisere resultatene av en dataklyngingsmodell på er vist nedenfor, hvor grafen representerer sosiale grupper (klynger) som ble oppdaget i data samlet fra brukere av sosiale nettverk.
Dataene om kunder ble samlet inn i et tabulært format; da ble en klyngalgoritme anvendt på dataene, og de tre klyngene (gruppene) ble oppdaget: lojale kunder, vandrende kunder og rabattkunder. Anta at X- og Y-aksen representerer de to hovedkomponentene som genereres av de opprinnelige dataene. Hovedkomponentanalyse (PCA) er en datareduksjonsteknikk.
Her viser det visuelle forholdet mellom de tre gruppene allerede hvor forbedret og målrettet markedsføringsarbeid kan gjøre det beste.
Visualisere dataklassifikasjonsresultater
En klassifikasjonsmodell tilordner en bestemt klasse til hvert nytt datapunkt det undersøker. De spesifikke klassene, i dette tilfellet, kan være de gruppene som kommer fra clusteringsarbeidet ditt. Utgangen som er markert i grafen, kan definere målsettene dine. For en gitt ny kunde forsøker en prediktiv klassifikasjonsmodell å forutsi hvilken gruppe den nye kunden vil tilhøre.
Når du har brukt en klyngalgoritme og oppdaget grupperinger i kundedataene, kommer du til et øyeblikk av sannhet: Her kommer en ny kunde - du vil at modellen skal forutsi hvilken type kunde han eller hun vil være.
Bildet viser hvordan en ny kundes informasjon blir matet til din prediktive analysemodell, som igjen forutsier hvilken gruppe kunder denne nye kunden tilhører. Nye kunder A, B og C skal tildeles klasser etter klassifikasjonsmodellen. Ved bruk av klassifikasjonsmodellen ble det forutsatt at kunde A ville tilhøre de lojale kundene, kunde kunde B være en vandrer, og kunde c viste seg bare for rabatten.
Visualisering av avvikere i dataene dine
I løpet av klustring eller klassifisering av nye kunder, kommer du av og til til utelukker (spesielle tilfeller som ikke passer til eksisterende divisjoner).
Nedenfor ser du noen utestengere som ikke passer godt inn i de forhåndsdefinerte klyngene. Seks outlier kunder har blitt oppdaget og visualisert. De oppfører seg forskjellig nok til at modellen ikke kan fortelle om de tilhører noen av definerte kategorier av kunder.
Visualisering av beslutningstrær
Mange modeller bruker beslutningstrær som deres utganger: Disse diagrammene viser de mulige resultatene fra alternative handlingskanaler, lagt ut som grener av et tre.
Bildet under viser et eksempel på et tre som brukes som klassifikator: Det klassifiserer baseball-fans basert på noen få kriterier, hovedsakelig beløpet brukt på billetter og kjøpsdatoene. Fra denne visualiseringen kan du forutsi hvilken type fan som en ny billettkjøper vil være: uformell, lojal, bandwagon, diehard eller en annen type.
Attributter til hver fan er nevnt på hvert nivå i treet (totalt antall deltok spill, samlet beløp brukt, sesong); Du kan følge en sti fra en bestemt "rot" til et bestemt "blad" på treet, der du treffer en av vifteklassene (c1, c2, c3, c4, c5).
Anta at du vil finne ut hvilken type baseballfan en kunde er, slik at du kan finne ut hvilken type markedsføringsannonser som skal sendes til kunden. Anta at du hypoteser at baseball fanatikere og bandwagon fans kan overtales til å kjøpe en ny bil når deres lag har det bra og ledet etter playoffs.
Du vil kanskje sende markedsføringsannonser og rabatter for å overtale dem til å foreta kjøpet. Videre, anta at du hypoteser at bandwagon-fans kan overtales til å stemme til støtte for visse politiske problemer. Du kan sende dem markedsføringsannonser som ber dem om den støtten. Hvis du vet hvilken type fanebase du har, kan du ved hjelp av avgjørelse hjelpe deg med å bestemme hvordan du nærmer deg det som en rekke kundetyper.
Visualisere spådommer
Anta at du har kjørt en rekke prediktive analysemodeller, inkludert beslutningstrender, tilfeldige skoger og flokalgoritmer. Du kan kombinere alle disse resultatene og presentere en konsekvent fortelling som de alle støtter. Her er tillit en numerisk prosentandel som kan beregnes ved hjelp av en matematisk funksjon. Resultatet av beregningen inkapsulerer en poengsum av hvor sannsynlig en mulig forekomst er.
På x-aksen representerer støttematerialet innholdskilden som ble analysert med innholdsanalysemodeller som identifiserte de mulige resultatene. I de fleste tilfeller ville din prediktive modell ha behandlet et stort datasett ved å bruke data fra ulike kilder for å utlede de mulige resultatene. Dermed trenger du bare vise de viktigste støttende bevisene i din visualisering.
Over er en oppsummering av resultatene oppnådd ved bruk av prediktiv analyse presentert som en visualisering som illustrerer mulige utfall sammen med en tillitsscore og støttende bevis for hver enkelt. Tre mulige scenarier vises:
- Lagerbeholdningen av A vil ikke følge opp med etterspørselen hvis du ikke sender minst 100 enheter hver uke til Store S. (Confidence score: 98 prosent.)
- Antall salg vil øke med 40 prosent dersom du øker produksjonen av vare A med minst 56 prosent. (Confidence score: 83 prosent.)
- En markedsføringskampanje i California vil øke salget av Objekter A og D, men ikke Objekt K. (Confidence score: 72 prosent.)
Foretrukket score representerer sannsynligheten for at hvert scenario vil skje, i henhold til din prediktive analysemodell. Merk at de er oppført her i synkende rekkefølge av sannsynlighet.
Her består det viktigste støttematerialet av hvordan utdrag fra flere innholdskilder presenteres over x-aksen. Du kan henvise til dem hvis du trenger å forklare hvordan du kom til et spesielt mulig scenario - og prut ut bevisene som støtter det.
Kraften bak denne visualiseringen er dens enkelhet. Tenk deg, etter måneder med å bruke predictive analytics til dataene dine, jobber deg gjennom flere iterasjoner, at du går inn i et møte med beslutningstakeren. Du er bevæpnet med en lysbildevisualisering av tre mulige scenarier som kan ha stor innvirkning på virksomheten. En slik visualisering skaper effektive diskusjoner og kan lede ledelsen til "aha" -momenter.
