Inhoudsopgave:
- Een cultuur van verandering stimuleren
- Creëer een data-wetenschapsteam
- Visualisatietools effectief gebruiken
- Gebruik hulpmiddelen voor voorspellende analyse
Video: De Voorspelbare Mens 2: Big Brother, big data en voorspelbare criminaliteit 2024
By Anasse Bari, Mohamed Chaouchi, Tommy Jung
Een project voor voorspellende analyse combineert de uitvoering van details met grootbeelddenken. Deze handige tips en checklists helpen je project op de rails en uit het bos te houden.
Een voorspellend Analytics-model bouwen
Een succesvol project voor voorspellende analyse wordt stap voor stap uitgevoerd. Terwijl je jezelf onderwerpt aan de details van het project, kijk voor deze belangrijke mijlpalen:
-
Bedrijfsdoelstellingen definiëren
Het project begint met het gebruik van een duidelijk omschreven bedrijfsdoelstelling. Het model moet een zakelijke vraag behandelen. Als u duidelijk aangeeft dat dit het doel is, kunt u de reikwijdte van uw project definiëren en krijgt u de exacte test om het succes ervan te meten.
-
Gegevens voorbereiden
U gebruikt historische gegevens om uw model te trainen. De gegevens zijn meestal verspreid over meerdere bronnen en kunnen mogelijk worden gereinigd en voorbereid. Gegevens kunnen dubbele records en uitschieters bevatten; afhankelijk van de analyse en het zakelijke doel, beslist u of u ze wilt behouden of verwijderen. De gegevens kunnen ook ontbrekende waarden bevatten, moeten mogelijk enige transformatie ondergaan en kunnen worden gebruikt om afgeleide kenmerken te genereren die meer voorspellende kracht hebben voor uw doel. Over het algemeen geeft de kwaliteit van de gegevens de kwaliteit van het model aan.
-
Sampling uw gegevens
U moet uw gegevens in twee sets splitsen: training en test datasets. U bouwt het model met behulp van de trainingsgegevensset. U gebruikt de testgegevensset om de nauwkeurigheid van de uitvoer van het model te controleren. Dit is absoluut cruciaal. Anders loop je het risico dat je model wordt overbelast - door het model te trainen met een beperkte dataset, tot het punt dat het alle kenmerken (zowel het signaal als de ruis) kiest die alleen gelden voor die specifieke dataset. Een model dat is overbevestigd voor een specifieke gegevensverzameling presteert ellendig wanneer u het uitvoert op andere gegevenssets. Een testgegevensset zorgt voor een geldige manier om de prestaties van uw model nauwkeurig te meten.
-
Het model bouwen
Soms lenen de gegevens of bedrijfsdoelstellingen zich voor een specifiek algoritme of model. Andere keren is de beste aanpak niet zo duidelijk. Terwijl u de gegevens verkent, voert u zoveel algoritmen uit als u kunt; vergelijk hun outputs. Baseer uw keuze van het definitieve model op de algemene resultaten. Soms kun je beter een ensemble van modellen tegelijkertijd op de data laten draaien en een eindmodel kiezen door hun outputs te vergelijken.
-
Het model implementeren
Nadat u het model hebt gebouwd, moet u het implementeren om de voordelen ervan te benutten. Dat proces kan coördinatie met andere afdelingen vereisen.Streven naar het bouwen van een inzetbaar model. Zorg er ook voor dat u weet hoe u uw resultaten op een begrijpelijke en overtuigende manier kunt presenteren aan de zakelijke belanghebbenden, zodat zij uw model overnemen. Nadat het model is geïmplementeerd, moet u de prestaties ervan controleren en blijven verbeteren. De meeste modellen vervallen na een bepaalde periode. Houd je model up-to-date door het te vernieuwen met nieuw beschikbare gegevens.
Gegevensbronnen voor Predictive Analytics-projecten
Gegevens voor een project met voorspellende analyse kunnen afkomstig zijn van veel verschillende bronnen. Enkele van de meest voorkomende bronnen zijn binnen uw eigen organisatie; andere veelvoorkomende bronnen zijn gegevens die zijn gekocht van externe leveranciers.
Interne gegevensbronnen zijn
-
transactiegegevens, zoals klantaankopen
-
klantprofielen, zoals door de gebruiker ingevoerde informatie uit registratieformulieren
-
campagnegeschiedenissen, inclusief of klanten hebben gereageerd op gegevens van s
-
Clickstream, inclusief de patronen van klikinkjes van klanten
-
Klantinteracties, zoals die van e-mails, chats, enquêtes en klantenservicegesprekken
-
Door de machine gegenereerde gegevens, zoals die van telematica, sensoren en slimme meters
Externe gegevensbronnen zijn
-
Sociale media zoals Facebook, Twitter en LinkedIn
-
Abonnementsdiensten zoals Bloomberg, Thompson Reuters, Esri en Westlaw
Door gegevens uit verschillende gegevensbronnen te combineren in uw voorspellende waarde modellen, kunt u een beter overzicht krijgen van uw klant, dus een nauwkeuriger model.
Succes garanderen bij het gebruik van voorspellende analyses
Denk aan voorspellende analyses als een heldere lamp op basis van uw gegevens. Het licht (inzicht) uit voorspellende analyses kan uw strategie krachtiger maken, uw activiteiten stroomlijnen en uw bedrijfsresultaten verbeteren. De volgende vier aanbevelingen kunnen u helpen het succes van uw voorspellende analyse-initiatieven te waarborgen.
Een cultuur van verandering stimuleren
Voorspellende analyses moeten in de hele organisatie worden toegepast. De organisatie moet verandering omarmen. Zakelijke belanghebbenden moeten klaar zijn om aanbevelingen op te nemen en bevindingen aan te nemen die zijn afgeleid van de voorspellende analyseprojecten. De uitkomsten van een voorspellende analyseprojecten zijn alleen waardevol als de bedrijfsleiders bereid zijn hieraan gevolg te geven.
Creëer een data-wetenschapsteam
Huur een data-wetenschapsteam in wiens enige taak het is om uw oplossingen voor voorspellende analyse op te zetten en te ondersteunen. Dit team van getalenteerde professionals - bestaande uit bedrijfsanalisten, data scientists en informatietechnologen - is beter toegerust om fulltime aan het project te werken. Het opnemen van een reeks professionele achtergronden kan waardevolle waardevolle inzichten opleveren voor het team uit andere domeinen. Door teamleden van verschillende afdelingen in uw organisatie te selecteren, kunt u zorgen voor een brede buy-in.
Visualisatietools effectief gebruiken
Visualisatie is een krachtige manier om complexe ideeën efficiënt over te brengen. Door visualisatie effectief te gebruiken, kunt u de gegevens waarmee u werkt aanvankelijk verkennen en begrijpen.Visuele hulpmiddelen zoals diagrammen kunnen u ook helpen de uitvoer van het model te evalueren of de prestaties van voorspellende modellen te vergelijken.
Gebruik hulpmiddelen voor voorspellende analyse
Krachtige tools voor voorspellende analyse zijn beschikbaar als softwarepakketten op de markt. Ze zijn ontworpen om het hele proces een stuk eenvoudiger te maken. Zonder het gebruik van dergelijke tools wordt het snel opnieuw bouwen van een model tijdrovend. Met behulp van een goede tool voor voorspellende analyse kunt u meerdere scenario's uitvoeren en de resultaten onmiddellijk vergelijken - en dat alles met een paar klikken. Een tool kan snel veel van de tijdrovende stappen automatiseren die nodig zijn om een of meerdere modellen te bouwen en te evalueren.