Hình dung kết quả phân tích của Mô hình Tiên đoán của bạn - những con vú

Thông thường, bạn cần có khả năng hiển thị kết quả phân tích tiên đoán cho những người quan trọng. Dưới đây là một số cách sử dụng kỹ thuật hiển thị để báo cáo kết quả mô hình của bạn cho các bên liên quan.

Hình dung các nhóm ẩn trong dữ liệu của bạn

Thu thập dữ liệu là quá trình khám phá các nhóm ẩn của các mục liên quan trong dữ liệu của bạn. Trong hầu hết các trường hợp, cụm (nhóm) bao gồm các đối tượng dữ liệu cùng loại như người dùng mạng xã hội, tài liệu văn bản hoặc email. Một cách để hình dung các kết quả của một mô hình phân cụm dữ liệu được trình bày dưới đây, trong đó đồ thị biểu diễn các cộng đồng xã hội (các cụm) được phát hiện trong dữ liệu thu thập được từ người sử dụng mạng xã hội.

Dữ liệu về khách hàng được thu thập dưới dạng bảng; sau đó một thuật toán phân cụm đã được áp dụng cho dữ liệu, và ba nhóm (nhóm) được phát hiện: khách hàng trung thành, khách hàng lang thang, khách hàng giảm giá. Giả sử trục X và trục Y đại diện cho hai thành phần chính được tạo ra từ dữ liệu ban đầu. Phân tích thành phần chính (PCA) là một kỹ thuật giảm dữ liệu.

Lồng ghép khách hàng thành ba nhóm: trung thành, lang thang, và giảm giá.

Ở đây mối quan hệ thị giác giữa ba nhóm đã cho thấy những nỗ lực tiếp thị nâng cao và nhắm mục tiêu có thể làm tốt nhất.

Hình dung các kết quả phân loại dữ liệu

Mô hình phân loại chỉ định một lớp cụ thể cho mỗi điểm dữ liệu mới mà nó kiểm tra. Các lớp cụ thể, trong trường hợp này, có thể là các nhóm kết quả từ công việc phân cụm của bạn. Đầu ra được đánh dấu trên đồ thị có thể xác định tập hợp mục tiêu của bạn. Đối với bất kỳ khách hàng mới nào, một mô hình phân loại tiên đoán dự đoán nhóm khách hàng mới sẽ thuộc về nhóm nào.

Hình ảnh cho thấy thông tin của khách hàng mới được đưa vào mô hình phân tích tiên đoán của bạn như thế nào, từ đó dự đoán nhóm khách hàng mà khách hàng mới này thuộc về nhóm khách hàng đó. Khách hàng mới A, B, và C sắp được gán cho các cụm theo mô hình phân loại. Áp dụng mô hình phân loại dẫn đến dự đoán rằng Khách hàng A sẽ thuộc về khách hàng trung thành, Khách hàng B sẽ là người lang thang, và khách hàng C chỉ hiển thị để được chiết khấu.

Phân công khách hàng A, B, và C, theo phân loại của họ (các nhóm).

Hình dung ra ngoài phạm vi dữ liệu của bạn

Trong quá trình phân nhóm hoặc phân loại khách hàng mới, mỗi giờ bạn chạy vào

ngoại trừ (trường hợp đặc biệt không phù hợp với các đơn vị hiện có). Dưới đây, bạn sẽ thấy một số ngoại lệ không phù hợp với các cụm được xác định trước. Sáu khách hàng khác đã được phát hiện và hình dung. Họ cư xử một cách khác nhau đến nỗi người mẫu không thể biết liệu họ thuộc bất kỳ loại khách hàng nào được xác định.

Sáu khách hàng ngoài ý muốn phản biện phân loại chỉ bằng cách hiển thị.

Hình dung cây quyết định

Nhiều mô hình sử dụng

cây quyết định như các kết quả đầu ra của chúng: Các sơ đồ này cho thấy các kết quả có thể có từ các hướng hành động thay thế, được bố trí giống như các nhánh của cây. Hình ảnh dưới đây cho thấy một ví dụ về cây được sử dụng làm trình phân loại: phân loại người hâm mộ bóng chày dựa trên một vài tiêu chí, chủ yếu là số tiền dành cho vé và ngày mua. Từ hình ảnh này, bạn có thể dự đoán loại quạt mà người mua vé mới sẽ là: giản dị, trung thành, có nhiều hàng rào, hoặc một số loại khác.

Các thuộc tính của mỗi quạt được đề cập ở mỗi cấp trong cây (tổng số trò chơi tham dự, tổng số tiền chi tiêu, mùa); bạn có thể theo một đường dẫn từ một gốc "cụ thể" vào một "lá" cụ thể trên cây, nơi bạn nhấn một trong các lớp học fan hâm mộ (c1, c2, c3, c4, c5).

Tìm lớp học trong đó có một người hâm mộ bóng chày cụ thể.

Giả sử bạn muốn xác định loại quạt bóng chày mà khách hàng là để bạn có thể xác định loại quảng cáo tiếp thị nào sẽ gửi cho khách hàng. Giả sử bạn đưa ra giả thuyết rằng những người hâm mộ bóng chày và những người hâm mộ bandwagon có thể được thuyết phục để mua một chiếc xe hơi mới khi đội của họ đang làm tốt và đi đến playoffs.

Bạn có thể muốn gửi quảng cáo tiếp thị và giảm giá để thuyết phục họ mua hàng. Hơn nữa, giả sử bạn đưa ra giả thuyết rằng người hâm mộ bandwagon có thể được thuyết phục bỏ phiếu ủng hộ một số vấn đề chính trị nhất định. Bạn có thể gửi cho họ các quảng cáo tiếp thị yêu cầu họ hỗ trợ đó. Nếu bạn biết bạn sở hữu loại quạt nào, sử dụng cây quyết định có thể giúp bạn quyết định cách tiếp cận nó như một loạt các loại khách hàng.

Hình dung dự đoán

Giả sử bạn đã chạy một loạt các mô hình phân tích tiên đoán, bao gồm các cây quyết định, các rừng ngẫu nhiên và thuật toán đổ xô. Bạn có thể kết hợp tất cả những kết quả đó và trình bày một bài tường thuật nhất quán mà tất cả họ đều ủng hộ. Ở đây độ tin cậy là một tỷ lệ phần trăm có thể được tính toán bằng cách sử dụng một chức năng toán học. Kết quả tính toán đóng gói điểm số của một sự kiện xảy ra có thể xảy ra.

Trên trục x, chứng cứ hỗ trợ đại diện cho nguồn nội dung được phân tích bằng mô hình phân tích nội dung xác định các kết quả có thể có. Trong hầu hết các trường hợp, mô hình tiên đoán của bạn sẽ xử lý một tập dữ liệu lớn, sử dụng dữ liệu từ nhiều nguồn khác nhau để có được những kết quả có thể có. Do đó, bạn chỉ cần trình bày những bằng chứng hỗ trợ quan trọng nhất trong quá trình hình dung của bạn.

Chỉ hiển thị các bằng chứng hỗ trợ quan trọng nhất trong quá trình hình dung.

Ở trên, bản tóm tắt các kết quả thu được từ việc áp dụng phân tích tiên đoán được trình bày dưới dạng hình ảnh minh họa kết quả có thể, cùng với điểm số tự tin và các bằng chứng hỗ trợ cho mỗi kết quả. Ba kịch bản có thể được hiển thị:

Khoảng không quảng cáo của Mục A sẽ không theo kịp nhu cầu nếu bạn không gửi ít nhất 100 hàng mỗi tuần vào Store S. (Mức tin cậy: 98 phần trăm)

• Số lượng bán hàng sẽ tăng 40 phần trăm nếu bạn tăng sản lượng của mục A ít nhất 56 phần trăm. (Điểm tin cậy: 83 phần trăm.)
• Một chiến dịch tiếp thị ở California sẽ tăng doanh thu của Mục A và D nhưng không phải Mục K. (Điểm tin cậy: 72 phần trăm.)
• Điểm tin cậy thể hiện khả năng mà mỗi kịch bản sẽ xảy ra, theo mô hình phân tích tiên đoán của bạn. Lưu ý rằng chúng được liệt kê ở đây theo thứ tự giảm dần theo xác suất.

Ở đây, các bằng chứng hỗ trợ quan trọng nhất bao gồm cách các đoạn trích từ nhiều nguồn nội dung được trình bày trên trục x. Bạn có thể tham khảo với họ nếu bạn cần phải giải thích làm thế nào bạn có một kịch bản cụ thể - và trot ra các bằng chứng hỗ trợ nó.

Sức mạnh đằng sau sự trực quan hóa này là sự đơn giản của nó. Hãy tưởng tượng, sau nhiều tháng áp dụng phân tích tiên đoán vào dữ liệu của bạn, theo cách của bạn thông qua một số lần lặp lại, bạn sẽ bước vào một cuộc họp với người ra quyết định. Bạn được trang bị một hình ảnh minh hoạ ba kịch bản khả thi có thể có tác động rất lớn đến hoạt động kinh doanh. Hình ảnh đó tạo ra các cuộc thảo luận có hiệu quả và có thể dẫn dắt quản lý đến những khoảnh khắc "aha".