Tahmin Edici Modelinizin Analitik Sonuçlarını Görselleştirme Tahmin Edici Modelinizin Analitik Sonuçları - canavarlar <[SET:descriptiontr]'Nın görüntülenmesi

Genellikle, tahminsel analitiklerin sonuçlarını önemsiz olanlara gösterebilmeniz gerekir. Modelinizin sonuçlarını paydaşlara raporlamak için görselleştirme tekniklerini kullanmanın bazı yolları.

Verilerinizdeki gizli grupları görselleştirme

Veri kümeleme, verilerinizde gizli kalmış ilgili grup öğelerini keşfetme işlemidir. Çoğu durumda, bir küme (gruplama), sosyal ağ kullanıcıları, metin belgeleri veya e-postalar gibi aynı türdeki veri nesnelerinden oluşur. Bir veri kümeleme modelinin sonuçlarını görselleştirmenin bir yolu, grafikte sosyal ağ kullanıcılarından toplanan verilerde keşfedilen sosyal toplulukları (kümeleri) temsil etmektedir.

Müşterilerle ilgili veriler tablo biçiminde toplandı; verilere bir kümeleme algoritması uygulandı ve üç küme (grup) keşfedildi: sadık müşteriler, dolaşan müşteriler ve indirim müşterileri. X ve Y ekseninin orijinal veriden üretilen iki ana bileşeni temsil ettiğini varsayalım. Temel bileşen analizi (PCA) bir veri azaltma tekniğidir.

Müşterileri üç gruba ayırın: sadık, dolaşıp indirim.

Burada, üç grup arasındaki görsel ilişki, geliştirilmiş ve hedeflenen pazarlama çabalarının en iyi performansı gösterebileceğini göstermektedir.

Veri sınıflandırma sonuçlarının görselleştirilmesi

Bir sınıflandırma modeli incelediği her yeni veri noktasına belirli bir sınıf atar. Belirli sınıflar, bu durumda, kümeleme çalışmalarınızdan kaynaklanan gruplar olabilir. Grafikte vurgulanan çıktı, hedef kümelerinizi tanımlayabilir. Herhangi bir yeni müşteri için, tahmini bir sınıflandırma modeli, yeni müşterinin hangi gruba ait olacağını tahmin etmeye çalışır.

Müşteri verilerinde bir kümeleme algoritması ve keşfedilen gruplamalar uyguladıktan sonra bir anlığına geleceksiniz: Burada yeni bir müşteri geliyor - modelin hangi müşteri tipini tahmin etmesini istiyorsunuz yoksa olacak.

Resim, tahmini analiz modelinize yeni bir müşterinin bilgilerinin nasıl beslendiğini ve bu yeni müşterinin hangi müşterilere ait olduğunu tahmin etmektedir. Yeni müşteriler A, B ve C, sınıflandırma modeline göre kümelere atanmak üzeredir. Sınıflandırma modelinin uygulanması, Müşteri A'nın sadık müşterilere ait olacağı ve Müşteri B'nin gezinen biri olacağı ve Müşterinin C yalnızca indirim için gösterildiğine dair bir tahminle sonuçlandı.

A, B ve C müşterilerini sınıflandırmalarına (kümeler) atama.

Verilerinizdeki aykırı değerlerin görselleştirilmesi

Yeni müşterileri kümelemek veya sınıflandırırken, şimdi ve sonra, aykırı (mevcut bölünmelere uymayan özel durumlar) içine girersiniz.

Aşağıda, önceden tanımlanmış kümelere pek uymayan birkaç outlier görüyorsunuz. Altı seçkin altı müşteri tespit edildi ve görselleştirildi. Modelin, tanımlanmış herhangi bir müşteri kategorisine ait olup olmadıklarını anlamayacak kadar farklı davranıyorlar.

Altı seçkin altı müşteri, gösterilmesini sağlayarak kategorilere meydan okuyor.

Karar Ağaçlarının Görselleştirilmesi

Birçok model, çıktıları olarak karar ağaçları kullanır: Bu diyagramlar, bir ağacın dalları gibi ortaya konan alternatif eylem yollarının olası sonuçlarını gösterir.

Aşağıdaki resim sınıflandırıcı olarak kullanılan bir ağacın bir örneğini göstermektedir: Beyzbol hayranlarını, esas olarak biletlerde ve satın alma tarihlerinde harcanan miktarda olmak üzere birkaç kritere göre sınıflandırmaktadır. Bu görselleştirme sayesinde, yeni bir bilet alıcısının vazgeçilmez olacağı türünü öngörebilirsiniz: rahat, sadık, veda, diehard veya başka bir tür.

Ağacın her seviyesinde her bir fanın özellikleri belirtilir (toplam oy sayısı, harcanan toplam miktar, sezon); (c1, c2, c3, c4, c5) fan sınıflarından birine geldiğinizde, ağaç üzerinde belirli "kök" ten belirli bir "yaprağa" kadar bir yolu takip edebilirsiniz.

Belirli bir beyzbol fanatüsünün ait olduğu sınıfın bulunması.

Müşteriye ne tür bir pazarlama reklamı göndereceğinizi belirleyebilmeniz için beyzbol fan türünü belirlemek istediğinizi varsayalım. Diyelim ki beyzbol fanatikleri ve voleybol taraftarları takımları iyi geçtiğinde yeni bir araba satın almak için ikna edilebilir ve play-off'lara doğru yola çıktı.

Satın almayı ikna etmek için pazarlama reklamları ve indirimler göndermek isteyebilirsiniz. Ayrıca, bazı vatandaş taraftarların bazı siyasi konulara destek vermek için ikna olabileceğini varsayarsınız. Onlara, bu desteği isteyen pazarlama reklamları gönderebilirsiniz. Sahip olduğunuz fan tabanının çeşidini biliyorsanız, karar ağaçları kullanmak, bir dizi müşteri türü olarak ona nasıl yaklaşacağınıza karar vermenize yardımcı olabilir.

Tahminleri görselleştirme

Karar ağaçları, rasgele ormanlar ve akıncılık algoritmaları da dahil olmak üzere bir dizi tahmini analitik modeller uyguladığınızı varsayın. Bütün bu sonuçları birleştirebilir ve hepsinin desteklediği tutarlı bir anlatım sunabilirsiniz. Burada güven, matematiksel bir fonksiyon kullanarak hesaplanabilen sayısal bir yüzdendir. Hesaplamanın sonucu muhtemel bir oluşumun olasılığını gösteren bir skoru kapsar.

x ekseni üzerinde, destekleyici kanıt, olası sonuçları tanımlayan içerik-analitik modelleriyle analiz edilen içerik kaynağını temsil eder. Çoğu durumda, tahmin edici modeliniz, olası çıktıları türetmek için çeşitli kaynaklardan gelen verileri kullanarak büyük bir veri kümesi işleyecekti. Dolayısıyla, görselleştirmede yalnızca en önemli destekleyici delil göstermeniz gerekir.

Görselleştirme işleminde yalnızca en önemli destekleyici kanıt gösteriliyor.

Yukarıda, tahmini analitiklerin uygulanmasından elde edilen sonuçların bir özeti, muhtemel sonuçları gösteren bir görselleştirme ile birlikte bir güven puanı ve her birinin destekleyici kanıtları sunulmuştur. Üç olası senaryo gösterilmektedir:

• Store S.'ye haftalık en az 100 adet gemi gönderilmezse, A Maddesi envanteri talebi karşılamayacaktır (Güven puanı: 98%.)
• Satışların sayısı A Maddesi üretimini en az yüzde 56 oranında artırırsanız yüzde 40 oranında artacaktır. (Güven puanı: yüzde 83).
• Kaliforniya'daki bir pazarlama kampanyası, Öğe K ve A Maddelerinin satışlarını artıracaktır. (Güven puanı: yüzde 72)

Güven puanı, her senaryonun tahmini analitik modelinize göre gerçekleşir. Bunların burada olasılığın azalan sırasına göre listelendiğini unutmayın.

Burada, en önemli destekleyici kanıt, birçok içerik kaynağından alıntıların x ekseni üzerinde nasıl sunulduğundan oluşur. Belirli bir olası senaryonun nasιl olup olmadιğιnι açιklamasιnιz ve onu destekleyen kanıtlardan kurtulmanız gerekirse onlara danışabilirsiniz.

Bu görselleştirme arkasındaki güç basitliktir. Verilerinize tahmine dayalı analitik uygulamanızdan birkaç ay sonra, birkaç iterasyon ile yolunuzu ararken karar vericiyle bir toplantıya geçtiğinizi düşünün. İş üzerinde büyük bir etkisi olabilecek üç olası senaryonun bir slayt görselleştirmesiyle silahlandırılmışsınızdır. Böyle bir görselleştirme etkili tartışmalara neden olur ve yönetimi "aha" anlarına götürebilir.