Πώς να απεικονίσετε τα αναλυτικά αποτελέσματα του μοντέλου σας: Κρυμμένες ομαδοποιήσεις, ταξινομήσεις δεδομένων και αποκλίσεις

Η οπτικοποίηση των αποτελεσμάτων της ανάλυσης πρόγνωσης βοηθά πραγματικά τους ενδιαφερόμενους να καταλάβουν τα επόμενα βήματα. Εδώ είναι μερικοί τρόποι για να χρησιμοποιήσετε τεχνικές απεικόνισης για να αναφέρετε τα αποτελέσματα των μοντέλων σας στους ενδιαφερόμενους.

Πώς να απεικονίσετε κρυφές ομαδοποιήσεις στα δεδομένα σας

Η συγκέντρωση δεδομένων είναι η διαδικασία ανίχνευσης κρυφών ομάδων σχετικών στοιχείων μέσα στα δεδομένα σας. Στις περισσότερες περιπτώσεις, ένα σύμπλεγμα (ομαδοποίηση) αποτελείται από αντικείμενα δεδομένων του ίδιου τύπου, όπως χρήστες κοινωνικών δικτύων, έγγραφα κειμένου ή e-mail.

Ένας τρόπος απεικόνισης των αποτελεσμάτων ενός μοντέλου ομαδοποίησης δεδομένων είναι ένα γράφημα που αντιπροσωπεύει τις κοινωνικές κοινότητες (ομάδες) που ανακαλύφθηκαν σε δεδομένα που συλλέχθηκαν από χρήστες κοινωνικών δικτύων. Τα δεδομένα για τους πελάτες συλλέχθηκαν σε μορφή πίνακα. στη συνέχεια εφαρμόστηκε ένας αλγόριθμος ομαδοποίησης στα δεδομένα και ανακαλύφθηκαν τα τρία σύνολα (ομάδες): πιστούς πελάτες, περιπλάνηση πελάτες και πελάτες με έκπτωση.

Τρόπος οπτικοποίησης των αποτελεσμάτων ταξινόμησης δεδομένων

Ένα μοντέλο ταξινόμησης εκχωρεί μια συγκεκριμένη κλάση σε κάθε νέο σημείο δεδομένων που εξετάζει. Οι συγκεκριμένες κατηγορίες, σε αυτή την περίπτωση, θα μπορούσαν να είναι οι ομάδες που προκύπτουν από την εργασία σας ομαδοποίησης. Η έξοδος που επισημαίνεται στο γράφημα μπορεί να καθορίσει τα σύνολα στόχων σας. Για κάθε δεδομένο νέο πελάτη, ένα πρότυπο μοντέλο ταξινόμησης προσπαθεί να προβλέψει σε ποια ομάδα θα ανήκει ο νέος πελάτης.

Αφού εφαρμόσατε έναν αλγόριθμο ομαδοποίησης και ανακαλύψατε ομαδοποιήσεις στα δεδομένα του πελάτη, έρχεστε σε μια στιγμή αλήθειας: Εδώ έρχεται ένας νέος πελάτης - θέλετε το μοντέλο να προβλέψει τον τύπο του πελάτη που ή θα είναι.

Ακολουθεί ένα παράδειγμα του τρόπου με τον οποίο τροφοδοτούνται οι πληροφορίες ενός νέου πελάτη στο πρότυπο αναλυτικής ανάλυσης, το οποίο με τη σειρά του προβλέπει την ομάδα πελατών στους οποίους ανήκει αυτός ο νέος πελάτης. Οι νέοι πελάτες A, B και C πρόκειται να ανατεθούν σε ομάδες σύμφωνα με το μοντέλο ταξινόμησης.

Η εφαρμογή του μοντέλου ταξινόμησης είχε ως αποτέλεσμα την πρόβλεψη ότι ο Πελάτης Α θα ανήκε στους πιστούς πελάτες, ο Πελάτης Β θα ήταν περιπλανώμενος και ο Πελάτης Γ θα εμφανιζόταν μόνο για την έκπτωση.

Πώς μπορείτε να απεικονίσετε τα δεδομένα στα δεδομένα σας

Κατά τη διάρκεια της ομαδοποίησης ή της ταξινόμησης νέων πελατών, κάθε φορά που συναντάτε

απομεινάρια - ειδικές περιπτώσεις που δεν ταιριάζουν με τα υπάρχοντα τμήματα. Σε αυτό το παράδειγμα, μερικές εκτροπές δεν ταιριάζουν καλά στα προκαθορισμένα συμπλέγματα. Έχουν εντοπιστεί και οπτικοποιηθεί έξι πελάτες. Συμπεριφέρονται αρκετά διαφορετικά ώστε το μοντέλο να μην μπορεί να πει αν ανήκουν σε κάποια από τις καθορισμένες κατηγορίες πελατών. (Υπάρχει κάτι τέτοιο, όπως, ας πούμε, ένας πιστός περιπλανώμενος πελάτης που ενδιαφέρεται μόνο για την έκπτωση; Και εάν υπάρχει, θα έπρεπε να φροντίσει η επιχείρησή σας;)