Απεικονίζοντας τα αναλυτικά αποτελέσματα του προγνωστικού σας μοντέλου

Συχνά, θα πρέπει να μπορείτε να εμφανίζετε τα αποτελέσματα της ανάλυσης πρόγνωσης σε όσους ενδιαφέρουν. Εδώ είναι μερικοί τρόποι για να χρησιμοποιήσετε τεχνικές απεικόνισης για να αναφέρετε τα αποτελέσματα των μοντέλων σας στους ενδιαφερόμενους.

Ομαδοποίηση κρυφών ομαδοποιήσεων στα δεδομένα σας

Η ομαδοποίηση 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 του κοινωνικού δικτύου, έγγραφα κειμένου ή μηνύματα ηλεκτρονικού ταχυδρομείου. Ένας τρόπος απεικόνισης των αποτελεσμάτων ενός μοντέλου ομαδοποίησης δεδομένων εμφανίζεται παρακάτω, όπου το γράφημα αντιπροσωπεύει 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. Ας υποθέσουμε ότι οι άξονες Χ και Υ αντιπροσωπεύουν τα δύο κύρια συστατικά που παράγονται από τα αρχικά δεδομένα. Η βασική ανάλυση συνιστωσών (PCA) είναι μια τεχνική μείωσης δεδομένων.

Ομαδοποίηση πελατών σε τρεις ομάδες: πιστός, περιπλάνηση και έκπτωση.

Εδώ η οπτική σχέση μεταξύ των τριών ομάδων δείχνει ήδη πού θα μπορούσαν να αξιοποιήσουν καλύτερα τις προσπάθειες προώθησης και προώθησης.

Οπτικοποίηση 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 ποιος τύπος πελάτη ή θα είναι.

Η εικόνα δείχνει πώς τροφοδοτούνται οι πληροφορίες ενός νέου πελάτη στο πρότυπο αναλυτικής πρόγνωσης, 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 σαν αποτέλεσμα την πρόβλεψη ότι ο πελάτης Α θα ανήκε στους πιστούς πελάτες, ο πελάτης Β θα ήταν περιπλανώμενος και ο πελάτης C θα εμφανιζόταν μόνο για την έκπτωση.

Αντιστοιχίστε τους πελάτες A, B και C στις ταξινομήσεις τους (ομάδες).

Ομαλοποίηση των δεδομένων σε δεδομένα

Κατά τη διάρκεια της ομαδοποίησης ή ταξινόμησης νέων πελατών, κάθε φορά που συναντάμε ακραία αποτελέσματα (ειδικές περιπτώσεις που δεν ταιριάζουν με τα υπάρχοντα τμήματα).

Παρακάτω, βλέπετε μερικές εκτροπές που 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.

Έξι εξωστρεφείς πελάτες αψηφούν την κατηγοριοποίηση μόνο με την εμφάνισή τους.

Οπτικοποίηση των δέντρων αποφάσεων

Πολλά μοντέλα χρησιμοποιούν δέντρα απόφασης ως τα αποτελέσματά τους: Αυτά τα διαγράμματα δείχνουν τα πιθανά αποτελέσματα από εναλλακτικές διαδρομές δράσης, όπως οι κλαδιά ενός δέντρου.

Η εικόνα που ακολουθεί δείχνει ένα παράδειγμα ενός δέντρου που χρησιμοποιείται ως ταξινομητής: Κατατάσσει τους οπαδούς του μπέιζμπολ με βάση μερικά κριτήρια, κυρίως το ποσό που δαπανήθηκε για τα εισιτήρια και τις ημερομηνίες αγοράς. Από αυτήν την απεικόνιση, μπορείτε να προβλέψετε τον τύπο ανεμιστήρα που θα έχει ένας νέος αγοραστής εισιτηρίων: casual, loyal, bandwagon, diehard ή κάποιος άλλος τύπος.

Χαρακτηριστικά κάθε ανεμιστήρα αναφέρονται σε κάθε επίπεδο στο δέντρο (συνολικός αριθμός παιχνιδιών που παρακολουθήθηκαν, συνολικό ποσό που δαπανήθηκε, σεζόν). μπορείτε να ακολουθήσετε μια διαδρομή από μια συγκεκριμένη "ρίζα" σε ένα συγκεκριμένο "φύλλο" στο δέντρο, όπου χτυπάτε μία από τις κλάσεις των ανεμιστήρων (c1, c2, c3, c4, c5).

Βρείτε την τάξη στην οποία ανήκει ένας συγκεκριμένος ανεμιστήρας του μπέιζμπολ.

Ας υποθέσουμε ότι θέλετε να καθορίσετε τον τύπο του ανεμιστήρα του μπέιζμπολ που είναι ο πελάτης έτσι ώστε να μπορείτε να καθορίσετε ποιο είδος διαφημίσεων μάρκετινγκ θα στείλετε στον πελάτη. Ας υποθέσουμε ότι υποθέτετε ότι οι φανατικοί του baseball και οι fans της μπάντας μπορούν να πεισθούν να αγοράσουν ένα καινούργιο αυτοκίνητο όταν η ομάδα τους κάνει καλά και κατευθύνεται προς τα πλέι-οφ.

Μπορεί να θέλετε να στείλετε διαφημίσεις και εκπτώσεις μάρκετινγκ για να τις πείσετε να κάνουν την αγορά. Επιπλέον, ας υποθέσουμε ότι υποθέτετε ότι οι οπαδοί της μπάντας μπορούν να πεισθούν να ψηφίσουν υπέρ ορισμένων πολιτικών ζητημάτων. Μπορείτε να τους στείλετε διαφημίσεις μάρκετινγκ που τους ζητούν την υποστήριξη. Εάν γνωρίζετε τον τύπο της βάσης των ανεμιστήρων που χρησιμοποιείτε, χρησιμοποιώντας τα δέντρα αποφάσεων μπορούν να σας βοηθήσουν να αποφασίσετε πώς να το προσεγγίσετε ως μια σειρά τύπων πελατών.

Οπτικοποίηση προβλέψεων

Υποθέστε ότι έχετε τρέξει μια σειρά προτύπων προγνωστικών μοντέλων, συμπεριλαμβανομένων δέντρων αποφάσεων, τυχαίων δασών και αλγόριθμων συρρίκνωσης. Μπορείτε να συνδυάσετε όλα αυτά τα αποτελέσματα και να παρουσιάσετε μια συνεπή αφήγηση που όλοι υποστηρίζουν. Εδώ η εμπιστοσύνη είναι ένα αριθμητικό ποσοστό που μπορεί να υπολογιστεί χρησιμοποιώντας μια μαθηματική συνάρτηση. Το αποτέλεσμα του υπολογισμού συμπεραίνει μια βαθμολογία για το πόσο πιθανό είναι ένα πιθανό περιστατικό.

Στον άξονα x, τα αποδεικτικά στοιχεία αντιπροσωπεύουν την πηγή περιεχομένου που αναλύθηκε με μοντέλα ανάλυσης περιεχομένου που προσδιορίζουν τα πιθανά αποτελέσματα. Στις περισσότερες περιπτώσεις, το μοντέλο πρόβλεψης θα επεξεργάστηκε ένα μεγάλο σύνολο δεδομένων, χρησιμοποιώντας δεδομένα από διάφορες πηγές, για να αντλήσει αυτά τα πιθανά αποτελέσματα. Έτσι θα πρέπει να παρουσιάσετε μόνο τα πιο σημαντικά αποδεικτικά στοιχεία στην οπτικοποίησή σας.

Εμφανίζονται μόνο τα σημαντικότερα αποδεικτικά στοιχεία στην οπτικοποίηση.

Πάνω, μια σύνοψη των αποτελεσμάτων που προέκυψαν από την εφαρμογή της προγνωστικής ανάλυσης παρουσιάζεται ως απεικόνιση που απεικονίζει πιθανά αποτελέσματα, μαζί με μια βαθμολογία εμπιστοσύνης και αποδεικτικά στοιχεία για κάθε μία από αυτές. Υπάρχουν τρία πιθανά σενάρια:

• Η απογραφή του στοιχείου Α δεν θα συμβαδίσει με τη ζήτηση εάν δεν αποστείλετε τουλάχιστον 100 μονάδες εβδομαδιαίως στο κατάστημα S. (Αποτέλεσμα εμπιστοσύνης: 98%.)
• Ο αριθμός των πωλήσεων θα αυξηθεί κατά 40% εάν αυξήσετε την παραγωγή του στοιχείου Α κατά τουλάχιστον 56%. (Βαθμός εμπιστοσύνης: 83 τοις εκατό.)
• Μια εκστρατεία μάρκετινγκ στην Καλιφόρνια θα αυξήσει τις πωλήσεις των στοιχείων Α και Δ αλλά όχι το στοιχείο Κ. (Απόδοση εμπιστοσύνης: 72%.)

Η βαθμολογία εμπιστοσύνης αντιπροσωπεύει την πιθανότητα κάθε σενάριο συμβεί, σύμφωνα με το πρότυπο πρόβλεψης αναλύσεων. Σημειώστε ότι αναφέρονται εδώ με φθίνουσα σειρά πιθανότητας.

Εδώ, τα σημαντικότερα αποδεικτικά στοιχεία συνίστανται στο πώς παρουσιάζονται αποσπάσματα από διάφορες πηγές περιεχομένου στον άξονα x. Μπορείτε να ανατρέξετε σε αυτά εάν πρέπει να εξηγήσετε πώς φτάσατε σε ένα συγκεκριμένο πιθανό σενάριο - και να παρασυρθείτε από τα αποδεικτικά στοιχεία που το υποστηρίζουν.

Η δύναμη πίσω από αυτή την οπτικοποίηση είναι η απλότητα της. Φανταστείτε, μετά από μήνες εφαρμογής των προγνωστικών αναλύσεων στα δεδομένα σας, να δουλεύετε μέσα από αρκετές επαναλήψεις, να μπείτε σε μια συνάντηση με τον υπεύθυνο λήψης αποφάσεων. Είστε οπλισμένοι με μία απεικόνιση διαφανειών τριών πιθανών σεναρίων που μπορεί να έχουν τεράστιο αντίκτυπο στην επιχείρηση. Μια τέτοια απεικόνιση δημιουργεί αποτελεσματικές συζητήσεις και μπορεί να οδηγήσει τη διοίκηση σε στιγμές "aha".