Tahmin Edici Aptallar İçin Analiz Hile Tablosu - mankenler

Anasse Bari, Mohamed Chaouchi, Tommy Jung

Tahminli bir analitik projesi, ayrıntıların icrasını büyük resim düşüncesiyle birleştiriyor. Bu kullanışlı ipuçları ve kontrol listeleri projenizi parkurda ve ormanda tutmanıza yardımcı olacaktır.

Tahmin Edici Bir Analiz Modeli Oluşturma

Başarılı bir tahmini analitik proje adım adım yürütülür. Projenin detaylarına kendinizi kaptırırken, bu önemli kilometre taşlarına dikkat edin:

İş Hedeflerini Tanımlama

Proje, iyi tanımlanmış bir iş hedefi kullanmakla başlar. Modelden bir iş sorununun çözülmesi gerekiyor. Açıkça belirtmek gerekir ki, bu hedef, projenizin kapsamını tanımlamanıza izin verecek ve başarısını ölçmek için size tam bir test sunacaktır.
Verilerin Hazırlanması

Modelinizi eğitmek için geçmiş verileri kullanacaksınız. Veriler genellikle çoklu kaynaklara dağılmıştır ve temizlik ve hazırlık gerektirebilir. Veriler, yinelenen kayıtlar ve aykırı değerler içerebilir; analiz ve iş hedefine bağlı olarak bunları saklamaya veya kaldırmaya karar veriyorsunuz. Ayrıca, veriler eksik değerlere sahip olabilir, bazı dönüşüm geçirmek zorunda kalabilir ve hedefiniz için daha akıllı güce sahip türetilmiş nitelikler üretmek için kullanılabilir. Genel olarak, verilerin kalitesi modelin kalitesini belirtir.
Verilerinizi Örnekleme

Verilerinizi iki gruba ayırmanız gerekir: eğitim ve test veri kümeleri. Eğitim veri setini kullanarak model oluşturursunuz. Modelin çıktısının doğruluğunu doğrulamak için test veri setini kullanırsınız. Bunu yapmak kesinlikle çok önemlidir. Aksi halde, modeli sınırlı bir veri kümesiyle eğiten, yalnızca belirli veri kümesi için geçerli olan tüm özellikleri (sinyal ve gürültü) seçtiği noktaya kadar, modelinizde aşırı olma riski taşırsınız. Belirli bir veri kümesi için aşırı uygun bir model, diğer veri kümelerinde çalıştırdığınızda mutsuz bir şekilde gerçekleşir. Bir test veri seti, modelinizin performansını doğru bir şekilde ölçmek için geçerli bir yol sağlar.
Modeli Oluşturma

Bazen veri veya işletme hedefleri belirli bir algoritmaya veya modele borç vermektedir. Bazen en iyi yaklaşım o kadar net değildir. Veriyi keşfederken, mümkün olduğu kadar çok algoritma çalıştırın; çıktılarını karşılaştırın. Sonuçlar üzerinde nihai model seçiminizi temel alın. Bazen veriler üzerinde eşzamanlı olarak bir takım modeller çalıştırıp çıkışlarını karşılaştırarak nihai bir modeli seçmek daha iyi.
Modeli Dağıtma

Modeli oluşturduktan sonra avantajlarından yararlanabilmek için dağıtmanız gerekir. Bu süreç, diğer departmanlarla koordinasyonu gerektirebilir.Dağıtılabilir bir model oluşturmayı hedefleyin. Ayrıca, sonuçlarınızı iş paydaşlarına anlaşılır ve inandırıcı bir şekilde sunmayı bildiğinizden emin olun ki böylece modelinizi benimseyelim. Model kurulduktan sonra performansını izlemeniz ve geliştirmeye devam etmeniz gerekecek. Çoğu model, belirli bir süre sonra çürür. Modelinizi yeni verilerle yenileyerek güncel tutun.

Tahmin Edici Analitik Projeler için Veri Kaynakları

Tahmini bir analitik projesi verileri birçok farklı kaynaktan gelebilir. En yaygın kaynaklardan bazıları kendi organizasyonunuzun içindedir; Diğer yaygın kaynaklar, dış satıcılardan satın alınan verileri içerir.

Dahili veri kaynakları şunlardır:

Müşterilerin satın alma işlemleri gibi işlem verileri (
) Kayıt formlarından kullanıcı tarafından girilen bilgiler gibi müşterilerin profilleri
Kampanya geçmişleri, müşterilerin s
Clickstream verisine yanıt verip vermediği,
E-posta, sohbet, anket ve müşteri hizmetleri çağrıları gibi müşteri etkileşimleri
Telematik, sensörler ve akıllı sayaçlardan gelen gibi makine tarafından üretilen veriler

Dış veri kaynakları şunlardır:

Facebook, Twitter ve LinkedIn gibi Sosyal medya
Bloomberg, Thompson Reuters, Esri ve Westlaw

gibi abonelik hizmetleri. Tahmin edici bilgilerinizdeki birkaç farklı veri kaynağından gelen verileri birleştirerek modelleri ile müşterinizin daha iyi genel bir görünümünü elde edebilirsiniz, böylece daha doğru bir model elde edebilirsiniz.

Tahmin Edici Analytics Kullanırken Başarının Sağlanması

Akıllı tahlilleri verilerinizden güç alan parlak bir ampul olarak düşünün. Tahminlü analitikten gelen ışık (içgörü), stratejinizi güçlendirebilir, işlemlerinizi düzene sokabilir ve alt satırınızı iyileştirebilir. Aşağıdaki dört öneriniz, tahmini analitik girişimlerinizde başarılı olmanıza yardımcı olabilir.

Değişim kültürü geliştirin

Tahminli analitik, organizasyonun tamamında benimsenmelidir. Örgüt değişikliği kucaklamalıdır. İş paydaşları tavsiyeleri dahil etmeye ve tahmini analitik projelerden elde edilen bulguları benimsemeye hazır olmalıdır. Öngörülen analitik projelerin sonuçları, yalnızca iş dünyası liderleri onlara karşı harekete geçmeye istekli olduğunda değerlidir.

Veri-bilim ekibi oluşturma

Tahmini analitik çözümlerinizi oluşturmak ve desteklemek için tek olan bir veri-bilim ekibi kiralayın. İş analistleri, veri bilimcileri ve bilgi teknolojisi uzmanlarından oluşan yetenekli profesyonellerden oluşan bu ekip, projede tam zamanlı çalışmak için daha donanımlıdır. Bir dizi mesleki geçmişe sahip olmak, diğer alanlardan ekibe değerli bilgiler sağlayabilir. Kuruluşunuzdaki farklı departmanlardan takım üyeleri seçmek, yaygın bir satın alım işlemine yardımcı olabilir.

Görselleştirme araçlarını etkili bir şekilde kullanın

Görselleştirme, karmaşık fikirleri etkili bir şekilde iletmenin güçlü bir yoludur. Görselleştirmeyi etkin bir şekilde kullanmak, birlikte çalıştığınız verileri başlangıçta keşfetmenize ve anlamanıza yardımcı olabilir.Grafikler gibi görsel yardımcılar, modelin çıktısını değerlendirmenize veya tahmini modellerin performansını karşılaştırmanıza da yardımcı olabilir.

Tahmini analitik araçlarını kullanma

Güçlü akıllı tahlil araçları piyasadaki yazılım paketleri olarak mevcuttur. Bütün süreci daha kolay hale getirmek için tasarlandılar. Bu araçları kullanmadan, sıfırdan bir model oluşturmak hızlı bir şekilde zaman alır. İyi bir tahminsel analitik aracını kullanmak, birden çok senaryonun çalıştırılmasını ve sonuçları birkaç tıklama ile anında karşılaştırmanızı sağlar. Bir araç, bir veya daha fazla model oluşturmak ve değerlendirmek için gereken zaman alıcı adımların çoğunu otomatik olarak hızlandırabilir.