Visualisierung der analytischen Ergebnisse Ihres Modells: Versteckte Gruppierungen, Datenklassifizierungen und Ausreißer - Attrappen Die

zu finden. Die Visualisierung der Ergebnisse Ihrer Vorhersageanalyse hilft den Beteiligten, die nächsten Schritte zu verstehen. Hier sind einige Möglichkeiten, Visualisierungstechniken zu verwenden, um die Ergebnisse Ihrer Modelle den Stakeholdern zu melden.

So visualisieren Sie verborgene Gruppierungen in Ihren Daten

Beim Datenclustering werden verborgene Gruppen verwandter Elemente in Ihren Daten erkannt. In den meisten Fällen besteht ein -Cluster (Gruppierung) aus Datenobjekten desselben Typs, z. B. Benutzern von sozialen Netzwerken, Textdokumenten oder E-Mails.

Eine Möglichkeit zur Visualisierung der Ergebnisse eines Datenclustering-Modells ist ein Diagramm, das soziale Communities (Cluster) darstellt, die in Daten von Nutzern sozialer Netzwerke gefunden wurden. Die Daten über Kunden wurden in einem tabellarischen Format gesammelt. Dann wurde ein Clustering-Algorithmus auf die Daten angewendet und die drei Cluster (Gruppen) entdeckt: loyale Kunden, wandernde Kunden und Discount-Kunden.

Hier deutet die visuelle Beziehung zwischen den drei Gruppen bereits darauf hin, wo verstärkte Marketinganstrengungen am besten funktionieren könnten.

So visualisieren Sie Datenklassifikationsergebnisse

Ein Klassifizierungsmodell ordnet jedem neuen Datenpunkt, den es untersucht, eine bestimmte Klasse zu. Die spezifischen Klassen können in diesem Fall die Gruppen sein, die sich aus Ihrer Clusterarbeit ergeben. Die in der Grafik hervorgehobene Ausgabe kann Ihre Zielmengen definieren. Für jeden neuen Kunden versucht ein vorhersagendes Klassifizierungsmodell vorherzusagen, zu welcher Gruppe der neue Kunde gehören wird.

Nachdem Sie einen Clustering-Algorithmus angewendet und Gruppierungen in den Kundendaten entdeckt haben, kommen Sie zu einem Moment der Wahrheit: Hier kommt ein neuer Kunde - Sie möchten, dass das Modell vorhersagt, welche Art von Kunden er oder sie wird es sein.

Hier ein Beispiel dafür, wie die Informationen eines neuen Kunden in Ihr Predictive-Analytics-Modell eingegeben werden, das wiederum voraussagt, zu welcher Gruppe von Kunden dieser neue Kunde gehört. Die neuen Kunden A, B und C werden bald Clustern gemäß dem Klassifizierungsmodell zugewiesen.

Die Anwendung des Klassifizierungsmodells führte zu einer Vorhersage, dass Kunde A zu den treuen Kunden gehören würde, Kunde B zu einem Wanderer und Kunde C nur zu dem Rabatt.

So visualisieren Sie Ausreißer in Ihren Daten

Beim Clustering oder der Klassifizierung von Neukunden stoßen Sie hin und wieder auf Ausreißer - Spezialfälle, die nicht in die bestehenden Geschäftsbereiche passen.

In diesem Beispiel passen einige Ausreißer nicht gut in die vordefinierten Cluster. Sechs Ausreißer-Kunden wurden erkannt und visualisiert. Sie verhalten sich so unterschiedlich, dass das Modell nicht sagen kann, ob sie zu einer der definierten Kategorien von Kunden gehören. (Gibt es so etwas wie, sagen wir mal, einen treuen Wanderkunden, der nur an dem Rabatt interessiert ist? Und falls doch, sollte sich Ihr Unternehmen darum kümmern?)