Πρόβλεψη Αναλύσεων για Dummies Cheat Sheet - dummies

Από τον Anasse Bari, τον Mohamed Chaouchi, τον Tommy Jung

Ένα πρόγραμμα πρόβλεψης αναλύσεων συνδυάζει την εκτέλεση των λεπτομερειών με τη σκέψη της μεγάλης εικόνας. Αυτές οι χρήσιμες συμβουλές και λίστες ελέγχου θα σας βοηθήσουν να διατηρήσετε το έργο σας στις ράγες και έξω από το δάσος.

Δημιουργία προγνωστικού μοντέλου Analytics

Ένα επιτυχημένο πρόγραμμα αναλυτικών προβλέψεων εκτελείται βήμα προς βήμα. Καθώς βυθίζεστε στις λεπτομέρειες του έργου, παρακολουθήστε αυτά τα σημαντικά ορόσημα:

1. Ορισμός Επιχειρηματικών Στόχων

   Το έργο αρχίζει με τη χρήση ενός καλά καθορισμένου επιχειρηματικού στόχου. Το μοντέλο υποτίθεται ότι απευθύνεται σε μια επιχειρηματική ερώτηση. Σαφώς δηλώνοντας ότι αυτός ο στόχος θα σας επιτρέψει να καθορίσετε το πεδίο εφαρμογής του έργου σας και θα σας παράσχει την ακριβή δοκιμή για να μετρήσετε την επιτυχία του.

2. Προετοιμασία δεδομένων

   Θα χρησιμοποιήσετε ιστορικά δεδομένα για την εκπαίδευση του μοντέλου σας. Τα δεδομένα συνήθως διασκορπίζονται σε πολλαπλές πηγές και μπορεί να απαιτούν καθαρισμό και προετοιμασία. Τα δεδομένα ενδέχεται να περιέχουν διπλές εγγραφές και απογραφές. ανάλογα με την ανάλυση και τον επιχειρησιακό στόχο, αποφασίζετε αν θα τα κρατήσετε ή θα τα αφαιρέσετε. Επίσης, τα δεδομένα θα μπορούσαν να έχουν ελλείπουσες τιμές, μπορεί να χρειαστεί να υποστούν κάποια μετατροπή και μπορεί να χρησιμοποιηθούν για να παράγουν παράγωγα χαρακτηριστικά που έχουν περισσότερη προβλεπτική ισχύ για τον στόχο σας. Συνολικά, η ποιότητα των δεδομένων υποδηλώνει την ποιότητα του μοντέλου.

3. Δειγματοληψία των δεδομένων σας

   Θα χρειαστεί να χωρίσετε τα δεδομένα σας σε δύο ομάδες: σύνολα δεδομένων κατάρτισης και δοκιμών. Δημιουργείτε το μοντέλο χρησιμοποιώντας το σύνολο δεδομένων κατάρτισης. Χρησιμοποιείτε το σετ δεδομένων δοκιμής για να επαληθεύσετε την ακρίβεια της απόδοσης του μοντέλου. Αυτό είναι απολύτως κρίσιμο. Διαφορετικά, κινδυνεύετε να υποβαθμίσετε το μοντέλο σας - εκπαιδεύοντας το μοντέλο με ένα περιορισμένο σύνολο δεδομένων, μέχρι το σημείο που επιλέγει όλα τα χαρακτηριστικά (τόσο το σήμα όσο και το θόρυβο) που ισχύουν μόνο για το συγκεκριμένο σύνολο δεδομένων. Ένα μοντέλο που είναι υπερτιμημένο για ένα συγκεκριμένο σύνολο δεδομένων θα εκτελέσει δυστυχώς όταν το εκτελείτε σε άλλα σύνολα δεδομένων. Ένα σύνολο δεδομένων δοκιμής εξασφαλίζει έναν έγκυρο τρόπο για να μετρήσετε με ακρίβεια την απόδοση του μοντέλου σας.

   Δημιουργία του μοντέλου

4. Μερικές φορές τα δεδομένα ή οι επιχειρηματικοί στόχοι προσφέρονται για έναν συγκεκριμένο αλγόριθμο ή μοντέλο. Άλλες φορές η καλύτερη προσέγγιση δεν είναι τόσο ξεκάθαρη. Καθώς εξερευνάτε τα δεδομένα, εκτελέστε όσο περισσότερους αλγορίθμους μπορείτε. συγκρίνουν τις αποδόσεις τους. Βάση της επιλογής σας για το τελικό μοντέλο στα συνολικά αποτελέσματα. Μερικές φορές είστε καλύτερα να τρέχετε ένα σύνολο μοντέλων ταυτόχρονα με τα δεδομένα και επιλέγοντας ένα τελικό μοντέλο συγκρίνοντας τις αποδόσεις τους.

   Ανάπτυξη του μοντέλου

5. Μετά την κατασκευή του μοντέλου, πρέπει να το αναπτύξετε για να αποκομίσετε τα οφέλη του. Η διαδικασία αυτή μπορεί να απαιτεί συντονισμό με άλλα τμήματα.Στόχος είναι η οικοδόμηση ενός αναπτυσσόμενου μοντέλου. Επίσης, βεβαιωθείτε ότι γνωρίζετε πώς να παρουσιάσετε τα αποτελέσματά σας στους ενδιαφερόμενους της επιχείρησης κατά τρόπο κατανοητό και πειστικό, ώστε να υιοθετήσουν το μοντέλο σας. Αφού αναπτυχθεί το μοντέλο, θα πρέπει να παρακολουθήσετε την απόδοσή του και να συνεχίσετε να το βελτιώνετε. Τα περισσότερα μοντέλα αποσυντίθενται μετά από ορισμένο χρονικό διάστημα. Κρατήστε το μοντέλο σας ενημερωμένο, ανανεώνοντάς το με νέα διαθέσιμα δεδομένα.

   Πηγές δεδομένων για έργα πρόβλεψης Analytics

Τα δεδομένα για ένα έργο πρόβλεψης αναλύσεων μπορούν να προέρχονται από πολλές διαφορετικές πηγές. Ορισμένες από τις πιο συνηθισμένες πηγές βρίσκονται μέσα στη δική σας οργάνωση. άλλες κοινές πηγές περιλαμβάνουν δεδομένα που έχουν αγοραστεί από εξωτερικούς προμηθευτές.

Οι εσωτερικές πηγές δεδομένων περιλαμβάνουν

Δεδομένα συναλλαγών, όπως οι αγορές πελατών

• Προφίλ πελατών, όπως οι πληροφορίες που καταχωρήθηκαν από τις φόρμες εγγραφής

• Ιστορία καμπάνιας, συμπεριλαμβανομένων των μορφών κλικ στο διαδίκτυο των πελατών

• Οι αλληλεπιδράσεις με τους πελάτες, όπως αυτές που προέρχονται από e-mail, συνομιλίες, έρευνες και κλήσεις εξυπηρέτησης πελατών

• Δεδομένα που παράγονται από υπολογιστή, όπως τηλεματικά, αισθητήρες και έξυπνοι μετρητές

• Οι εξωτερικές πηγές δεδομένων περιλαμβάνουν

• Κοινωνικά μέσα όπως Facebook, Twitter και LinkedIn

Συνδρομητικές υπηρεσίες όπως Bloomberg, Thompson Reuters, Esri και Westlaw

• μοντέλα, μπορεί να έχετε μια καλύτερη συνολική εικόνα του πελάτη σας, και επομένως ένα πιο ακριβές μοντέλο.

• Διασφάλιση της επιτυχίας κατά τη χρήση προγνωστικών Analytics

Σκεφτείτε τα αναλυτικά στοιχεία πρόβλεψης ως λαμπρό λαμπτήρα που τροφοδοτείται από τα δεδομένα σας. Το φως (διορατικότητα) από τις αναλυτικές προβλέψεις μπορεί να ενισχύσει τη στρατηγική σας, να εξομαλύνει τις λειτουργίες σας και να βελτιώσει την κατώτατη γραμμή. Οι ακόλουθες τέσσερις συστάσεις μπορούν να σας βοηθήσουν να εξασφαλίσετε την επιτυχία των πρωτοβουλιών σας πρόβλεψης αναλυτικής ανάλυσης.

Προωθήστε μια κουλτούρα αλλαγής

Οι προγνωστικές αναλύσεις πρέπει να υιοθετηθούν σε ολόκληρο τον οργανισμό. Η οργάνωση πρέπει να αγκαλιάσει την αλλαγή. Οι ενδιαφερόμενοι φορείς της επιχείρησης πρέπει να είναι έτοιμοι να ενσωματώσουν συστάσεις και να υιοθετήσουν τα ευρήματα που προκύπτουν από τα προβλεπτικά προγράμματα ανάλυσης. Τα αποτελέσματα ενός έργου ανάλυσης πρόβλεψης είναι πολύτιμα μόνο αν οι επιχειρηματικοί ηγέτες είναι διατεθειμένοι να ενεργήσουν επ 'αυτών.

Δημιουργήστε μια ομάδα επιστημών δεδομένων

Μισθώστε μια ομάδα επιστημών δεδομένων, η μόνη δουλειά της οποίας είναι να δημιουργήσετε και να υποστηρίξετε τις προγνωστικές σας λύσεις ανάλυσης. Αυτή η ομάδα ταλαντούχων επαγγελματιών, που περιλαμβάνει επιχειρηματικούς αναλυτές, επιστήμονες δεδομένων και τεχνολόγους πληροφορικής, είναι καλύτερα εξοπλισμένος για να εργάζεται στο έργο με πλήρες ωράριο. Η συμπερίληψη μιας σειράς επαγγελματικών προφίλ μπορεί να αποφέρει πολύτιμες γνώσεις στην ομάδα από άλλους τομείς. Η επιλογή μελών της ομάδας από διαφορετικά τμήματα του οργανισμού σας μπορεί να σας βοηθήσει να εξασφαλίσετε ένα ευρύ buy-in.

Χρησιμοποιήστε αποτελεσματικά εργαλεία απεικόνισης

Η απεικόνιση είναι ένας ισχυρός τρόπος για αποτελεσματική μεταφορά σύνθετων ιδεών. Η αποτελεσματική χρήση της απεικόνισης μπορεί να σας βοηθήσει αρχικά να διερευνήσετε και να κατανοήσετε τα δεδομένα με τα οποία συνεργάζεστε.Τα οπτικά βοηθήματα όπως τα γραφήματα μπορούν επίσης να σας βοηθήσουν να αξιολογήσετε την απόδοση του μοντέλου ή να συγκρίνετε την απόδοση των μοντέλων πρόβλεψης.

Χρήση προγνωστικών εργαλείων ανάλυσης

Τα ισχυρά εργαλεία ανάλυσης πρόγνωσης είναι διαθέσιμα ως πακέτα λογισμικού στην αγορά. Έχουν σχεδιαστεί για να διευκολύνουν την όλη διαδικασία. Χωρίς τη χρήση τέτοιων εργαλείων, η οικοδόμηση ενός μοντέλου από το μηδέν καθίσταται γρήγορα χρονοβόρα. Χρησιμοποιώντας ένα καλό προγνωστικό εργαλείο ανάλυσης, μπορείτε να εκτελέσετε πολλά σενάρια και να συγκρίνετε αμέσως τα αποτελέσματα - όλα αυτά με μερικά κλικ. Ένα εργαλείο μπορεί να αυτοματοποιήσει γρήγορα πολλά από τα χρονοβόρα βήματα που απαιτούνται για την κατασκευή και την αξιολόγηση ενός ή περισσοτέρων μοντέλων.