Inhoudsopgave:
- Verborgen groepen weergeven in uw gegevens
- Gegevensclassificatieresultaten weergeven
- Visualisatie van uitbijters in uw gegevens
- Visualisatie van beslissingsbomen
- Visualisaties voorspellen
Video: Onderzoek Victory Boogie Woogie 2024
Vaak moet u de resultaten van uw voorspellende analyses kunnen tonen aan degenen die ertoe doen. Hier zijn enkele manieren om visualisatietechnieken te gebruiken om de resultaten van uw modellen te rapporteren aan de belanghebbenden.
Verborgen groepen weergeven in uw gegevens
Gegevensclustering is het proces van het ontdekken van verborgen groepen gerelateerde items in uw gegevens. In de meeste gevallen bestaat een cluster (groepering) uit gegevensobjecten van hetzelfde type, zoals gebruikers van sociale netwerken, tekstdocumenten of e-mails. Hieronder ziet u een manier om de resultaten van een model voor gegevensclustering te visualiseren, waarbij de grafiek sociale community's (clusters) vertegenwoordigt die zijn gevonden in gegevens die zijn verzameld van gebruikers van sociale netwerken.
De gegevens over klanten zijn verzameld in een tabelformaat; vervolgens werd een clusteralgoritme op de gegevens toegepast en werden de drie clusters (groepen) ontdekt: loyale klanten, zwervende klanten en kortingsklanten. Stel dat de X- en Y-as de twee hoofdcomponenten voorstellen die zijn gegenereerd uit de oorspronkelijke gegevens. Principale componentanalyse (PCA) is een techniek voor datareductie.
Hier suggereert de visuele relatie tussen de drie groepen al waar verbeterde en gerichte marketinginspanningen het meeste goed kunnen doen.
Gegevensclassificatieresultaten weergeven
Een classificatiemodel wijst een specifieke klasse toe aan elk nieuw gegevenspunt dat het onderzoekt. De specifieke klassen in dit geval kunnen de groepen zijn die het resultaat zijn van uw clustering. De uitvoer gemarkeerd in de grafiek kan uw doelsets definiëren. Voor elke nieuwe klant probeert een voorspellend classificatiemodel te voorspellen tot welke groep de nieuwe klant behoort.
Nadat u een clusteringalgoritme en ontdekte groeperingen in de klantgegevens hebt toegepast, komt u tot een moment van waarheid: hier komt een nieuwe klant - u wilt dat het model voorspelt welk type klant hij heeft of zij zal zijn.
De afbeelding laat zien hoe de informatie van een nieuwe klant wordt ingevoerd in uw voorspellende analysemodel, dat op zijn beurt voorspelt tot welke groep klanten deze nieuwe klant behoort. Nieuwe klanten A, B en C staan op het punt te worden toegewezen aan clusters volgens het classificatiemodel. Het toepassen van het classificatiemodel resulteerde in een voorspelling dat klant A zou behoren tot de trouwe klanten, klant B zou een zwerver zijn en klant C kwam alleen opdagen voor de korting.
Visualisatie van uitbijters in uw gegevens
Tijdens het clusteren of classificeren van nieuwe klanten komt u zo nu en dan uitbijters tegen (speciale gevallen die niet passen in de bestaande divisies).
Hieronder ziet u enkele uitbijters die niet goed in de vooraf gedefinieerde clusters passen. Zes uitbijterklanten zijn gedetecteerd en gevisualiseerd. Ze gedragen zich verschillend genoeg zodat het model niet kan bepalen of ze tot een van de gedefinieerde categorieën klanten behoren.
Visualisatie van beslissingsbomen
Veel modellen gebruiken beslissingsbomen als hun uitvoer: deze diagrammen tonen de mogelijke resultaten van alternatieve handelingsvakken, uiteengezet als de takken van een boom.
De onderstaande afbeelding toont een voorbeeld van een boom die als classifier wordt gebruikt: het classificeert baseballfans op basis van een paar criteria, voornamelijk het bedrag dat wordt uitgegeven aan tickets en de aankoopdatums. Vanuit deze visualisatie kun je voorspellen welk type fan een nieuwe ticket-koper zal zijn: casual, loyaal, bandwagon, diehard of een ander type.
Attributen van elke fan worden vermeld op elk niveau in de boom (totaal aantal bezochte games, totaal uitgegeven bedrag, seizoen); je kunt een pad volgen van een bepaalde "wortel" naar een specifiek "blad" in de boom, waar je op een van de ventilatorklassen (c1, c2, c3, c4, c5) drukt.
Stel dat u wilt bepalen welk type honkballiefhebber een klant is, zodat u kunt bepalen welk type marketingadvertenties u naar de klant moet sturen. Stel dat je de hypothese opneemt dat honkbalfanaten en bandwagon-fans kunnen worden overgehaald om een nieuwe auto te kopen wanneer hun team het goed doet en op weg gaat naar de play-offs.
Mogelijk wilt u marketingadvertenties en kortingen verzenden om hen ertoe te bewegen de aankoop te doen. Stel verder dat je de hypothese hebt dat muziekliefhebbers kunnen worden overgehaald om te stemmen ter ondersteuning van bepaalde politieke kwesties. U kunt hen marketingadvertenties sturen om hen om die ondersteuning te vragen. Als je weet welk type fanbase je hebt, kan het gebruik van beslissingsbomen je helpen te beslissen hoe je het benadert als een reeks klantentypen.
Visualisaties voorspellen
Stel dat u een reeks voorspellende analysemodellen hebt uitgevoerd, waaronder beslissingsbomen, willekeurige forests en stroomalgoritmen. Je kunt al die resultaten combineren en een consistent verhaal presenteren dat ze allemaal ondersteunen. Hier is vertrouwen een numeriek percentage dat kan worden berekend met behulp van een wiskundige functie. Het resultaat van de berekening geeft een score weer van hoe waarschijnlijk een mogelijk voorkomen is.
Op de x-as staat het ondersteunende bewijsmateriaal voor de inhoudsbron die is geanalyseerd met inhoudsanalysemodellen die de mogelijke uitkomsten hebben geïdentificeerd. In de meeste gevallen zou uw voorspellende model een grote gegevensreeks hebben verwerkt, met behulp van gegevens uit verschillende bronnen, om die mogelijke resultaten te verkrijgen. U hoeft dus alleen het belangrijkste ondersteunende bewijsmateriaal in uw visualisatie te tonen.
Hierboven wordt een samenvatting van de resultaten van het toepassen van voorspellende analyses gepresenteerd als een visualisatie die mogelijke uitkomsten illustreert, samen met een vertrouwensscore en ondersteunend bewijsmateriaal voor elke uitkomst. Er worden drie mogelijke scenario's weergegeven:
- De voorraad van Item A zal de vraag niet bijhouden als u niet ten minste 100 eenheden per week naar winkel S verzendt. (Vertrouwenscore: 98 procent.)
- Het aantal verkopen zal met 40 procent toenemen als u de productie van artikel A met ten minste 56 procent verhoogt. (Vertrouwenscore: 83 procent.)
- Een marketingcampagne in Californië verhoogt de verkoop van items A en D maar niet item K. (betrouwbaarheidsscore: 72 procent.)
De betrouwbaarheidsscore vertegenwoordigt de kans dat elk scenario zal worden uitgevoerd gebeuren, volgens uw voorspellende analysemodel. Merk op dat ze hier in aflopende volgorde van waarschijnlijkheid worden weergegeven.
Hier bestaat het belangrijkste ondersteunende bewijs uit hoe fragmenten uit verschillende inhoudsbronnen worden weergegeven over de x-as. U kunt naar hen verwijzen als u moet uitleggen hoe u tot een bepaald mogelijk scenario bent gekomen - en het bewijs drastisch kunt gebruiken dat het ondersteunt.
De kracht achter deze visualisatie is de eenvoud. Stel je voor, na maanden van voorspellende analyses toe te passen op je gegevens, je door verschillende iteraties heen te werken, dat je een ontmoeting met de beslissingsmaker binnenloopt. U bent gewapend met één dia-visualisatie van drie mogelijke scenario's die een enorme impact op het bedrijf kunnen hebben. Zo'n visualisatie creëert effectieve discussies en kan het management naar "aha" -momenten leiden.
