Memvisualisasikan Hasil Analisa Model Ramalan Anda - keramaian

Sering kali, anda perlu dapat menunjukkan hasil analisis ramalan anda kepada mereka yang penting. Berikut adalah beberapa cara untuk menggunakan teknik visualisasi untuk melaporkan hasil model anda kepada pihak berkepentingan.

Menggambarkan kumpulan tersembunyi dalam data anda

Pengklasifikasian data adalah proses untuk mengetahui kumpulan tersembunyi item berkaitan dalam data anda. Dalam kebanyakan kes, kluster (pengelompokan) terdiri daripada objek data jenis yang sama seperti pengguna rangkaian sosial, dokumen teks, atau e-mel. Salah satu cara untuk memvisualisasikan hasil model clustering data ditunjukkan di bawah, di mana graf mewakili komuniti sosial (kelompok) yang ditemui dalam data yang dikumpulkan daripada pengguna rangkaian sosial.

Data mengenai pelanggan dikumpulkan dalam format jadual; maka algoritma pengelompokkan digunakan untuk data, dan tiga kelompok (kumpulan) ditemui: pelanggan setia, pelanggan yang mengembara, dan pelanggan diskaun. Anggapkan bahawa paksi X dan Y mewakili dua komponen utama yang dihasilkan dari data asal. Analisis komponen utama (PCA) adalah teknik pengurangan data.

Clustering pelanggan dalam tiga kumpulan: setia, mengembara, dan diskaun.

Di sini hubungan visual antara tiga kumpulan sudah mencadangkan apabila usaha pemasaran yang dipertingkatkan dan disasarkan mungkin melakukan yang paling baik.

Menggambarkan hasil klasifikasi data

Model klasifikasi memberikan kelas khusus kepada setiap titik data baru yang diteliti. Kelas-kelas tertentu, dalam kes ini, boleh menjadi kumpulan yang dihasilkan dari kerja kluster anda. Output yang diketengahkan dalam graf boleh menentukan set sasaran anda. Bagi mana-mana pelanggan baru yang diberikan, model klasifikasi ramalan cuba untuk meramalkan kumpulan mana yang pelanggan baru akan dimiliki.

Selepas anda menggunakan algoritma kluster dan mendapati pengelompokan dalam data pelanggan, anda datang ke saat kebenaran: Di sini datang pelanggan baru - anda mahu model itu meramalkan jenis pelanggan mana dia atau dia akan menjadi.

Imej menunjukkan bagaimana maklumat pelanggan baru diberi makan kepada model analisis ramalan anda, yang seterusnya meramalkan kumpulan pelanggan mana yang pelanggan baru ini kepunyaan. Pelanggan Baru A, B, dan C akan ditugaskan kepada kluster mengikut model klasifikasi. Memohon model klasifikasi menghasilkan ramalan bahawa Pelanggan A akan menjadi pelanggan setia, Pelanggan B akan menjadi pengembara, dan Pelanggan C hanya muncul untuk diskaun.

Menetapkan Pelanggan A, B, dan C, kepada klasifikasi mereka (kluster).

Menggambarkan penglihatan dalam data anda

Dalam proses pengelompokan atau pengelasan pelanggan baru, setiap sekarang dan kemudian anda melangkah ke outliers (kes khas yang tidak sesuai dengan bahagian yang ada).

Di bawah ini, anda melihat beberapa kelebihan yang tidak sesuai dengan kluster yang telah ditentukan sebelumnya. Enam pelanggan outlier telah dikesan dan digambarkan. Mereka bertindak dengan cara yang berbeza bahawa model itu tidak dapat memberitahu sama ada mereka tergolong dalam kategori pelanggan tertentu.

Enam pelanggan outlier menentang pengkategorian hanya dengan muncul.

Visualisasi Pokok Keputusan

Banyak model menggunakan pokok keputusan sebagai output mereka: Gambar rajah ini menunjukkan hasil yang mungkin dari kursus tindakan alternatif, yang diletakkan seperti cabang dari pokok.

Imej di bawah menunjukkan contoh pokok yang digunakan sebagai pengelas: Ia mengklasifikasikan peminat besbol berdasarkan beberapa kriteria, terutamanya jumlah yang dibelanjakan untuk tiket dan tarikh pembelian. Dari visualisasi ini, anda boleh meramalkan jenis peminat yang pembeli tiket baru: kasual, setia, kereta, diehard, atau beberapa jenis lain.

Atribut setiap peminat disebutkan di setiap peringkat di dalam pokok (jumlah permainan dihadiri, jumlah keseluruhan yang dibelanjakan, musim); anda boleh mengikuti laluan dari "akar" tertentu ke "daun" tertentu di atas pokok, di mana anda memukul salah satu kelas penggemar (c1, c2, c3, c4, c5).

Mencari kelas di mana peminat besbol tertentu dimiliki.

Anggap anda ingin menentukan jenis peminat besbol seorang pelanggan supaya anda dapat menentukan jenis iklan pemasaran yang akan dihantar kepada pelanggan. Katakan anda hipotesis bahawa fanatik besbol dan peminat kereta boleh dipujuk untuk membeli sebuah kereta baru apabila pasukan mereka berjalan dengan baik dan menuju ke playoff.

Anda mungkin mahu menghantar iklan pemasaran dan diskaun untuk meyakinkan mereka untuk membuat pembelian. Selanjutnya, andaikan hipotesis bahawa peminat kereta muzik boleh dipujuk untuk mengundi untuk menyokong isu politik tertentu. Anda boleh menghantar mereka iklan pemasaran meminta mereka untuk sokongan itu. Sekiranya anda tahu jenis kipas yang anda miliki, menggunakan pokok keputusan boleh membantu anda membuat keputusan cara mendekatinya sebagai julat jenis pelanggan.

Menggambarkan ramalan

Anggapkan anda menjalankan pelbagai model analitik ramalan, termasuk keputusan pokok, hutan rawak, dan algoritma yang berduyun-duyun. Anda boleh menggabungkan semua hasil tersebut dan menyajikan naratif yang konsisten yang mereka semua menyokong. Di sini keyakinan ialah peratusan berangka yang boleh dikira dengan menggunakan fungsi matematik. Hasil pengiraan merangkum skor kemungkinan kejadian yang mungkin terjadi.

Pada paksi x, bukti sokongan mewakili sumber kandungan yang dianalisis dengan model analisis kandungan yang mengenal pasti hasil yang mungkin. Dalam kebanyakan kes, model ramalan anda akan memproses dataset yang besar, menggunakan data dari pelbagai sumber, untuk mendapatkan hasil yang mungkin. Oleh itu, anda hanya perlu menunjukkan bukti sokongan yang paling penting dalam visualisasi anda.

Menunjukkan hanya bukti sokongan yang paling penting dalam visualisasi.

Di atas, ringkasan hasil yang diperoleh daripada menggunakan analitik ramalan dibentangkan sebagai visualisasi yang menggambarkan hasil yang mungkin, bersama dengan skor keyakinan dan bukti pendukung untuk masing-masing. Tiga senario yang mungkin ditunjukkan:

• Inventori Item A tidak akan memenuhi tuntutan jika anda tidak menghantar sekurang-kurangnya 100 unit mingguan ke Store S. (Skor yakin: 98 peratus.)
• Jumlah jualan akan meningkat sebanyak 40 peratus jika anda meningkatkan pengeluaran Item A sekurang-kurangnya 56 peratus. (Markah keyakinan: 83 peratus.)
• Kempen pemasaran di California akan meningkatkan penjualan Item A dan D tetapi tidak Item K. (Skor yakin: 72 persen.)

Skor keyakinan mewakili kemungkinan bahawa setiap senario akan berlaku, menurut model analisis ramalan anda. Perhatikan bahawa mereka disenaraikan di sini dalam kemungkinan kemungkinan menurun.

Di sini bukti sokongan yang paling penting terdiri daripada cara kutipan dari beberapa sumber kandungan dibentangkan pada paksi x. Anda boleh merujuk kepada mereka jika anda perlu menerangkan bagaimana anda mendapat senario tertentu - dan bawa bukti yang menyokongnya.

Kuasa di sebalik visualisasi ini adalah kesederhanaannya. Bayangkan, selepas berbulan-bulan menerapkan analitik ramalan ke data anda, jalankan anda melalui beberapa lelaran, supaya anda pergi ke pertemuan dengan pembuat keputusan. Anda bersenjata dengan satu penggambaran slaid dari tiga senario yang mungkin mempunyai kesan besar terhadap perniagaan. Visualisasi sedemikian mencipta perbincangan yang berkesan dan boleh menyebabkan pengurusan menjadi "aha" momen.