Vorhersagende Analyse für Dummies Cheat Sheet - Dummies

Von Anasse Bari, Mohammed Chaouchi, Tommy Jung

Ein Predictive-Analytics-Projekt kombiniert die Ausführung von Details mit einem großen Bild. Diese praktischen Tipps und Checklisten helfen Ihnen dabei, Ihr Projekt auf den Schienen und aus dem Wald heraus zu halten.

Erstellen eines Predictive Analytics-Modells

Ein erfolgreiches Predictive Analytics-Projekt wird Schritt für Schritt ausgeführt. Wenn Sie sich in die Details des Projekts vertiefen, achten Sie auf diese wichtigen Meilensteine:

Geschäftsziele definieren

Das Projekt beginnt mit einem klar definierten Geschäftsziel. Das Modell soll eine Geschäftsfrage ansprechen. Die klare Angabe dieses Ziels ermöglicht es Ihnen, den Umfang Ihres Projekts zu definieren und liefert Ihnen den genauen Test, um seinen Erfolg zu messen.
Daten vorbereiten

Sie trainieren Ihr Modell mit historischen Daten. Die Daten sind normalerweise über mehrere Quellen verstreut und müssen möglicherweise gereinigt und vorbereitet werden. Daten können doppelte Datensätze und Ausreißer enthalten. Abhängig von der Analyse und dem Geschäftsziel entscheiden Sie, ob Sie sie behalten oder entfernen möchten. Außerdem können die Daten fehlende Werte enthalten, müssen möglicherweise einer Transformation unterzogen werden und können verwendet werden, um abgeleitete Attribute zu generieren, die eine größere Vorhersagekraft für Ihr Ziel haben. Insgesamt zeigt die Qualität der Daten die Qualität des Modells an.
Daten abtasten

Sie müssen Ihre Daten in zwei Gruppen teilen: Trainings- und Testdatensätze. Sie erstellen das Modell mithilfe des Trainingsdatensatzes. Sie verwenden den Testdatensatz, um die Genauigkeit der Ausgabe des Modells zu überprüfen. Das ist absolut entscheidend. Andernfalls laufen Sie Gefahr, Ihr Modell zu übersteuern - das Modell mit einem begrenzten Datensatz trainieren, bis zu dem Punkt, dass es alle Eigenschaften (sowohl das Signal als auch das Rauschen) auswählt, die nur für diesen bestimmten Datensatz gelten. Ein Modell, das für einen bestimmten Datensatz überarbeitet ist, funktioniert miserabel, wenn es auf anderen Datasets ausgeführt wird. Ein Testdatensatz stellt eine gültige Methode zur genauen Messung der Leistung Ihres Modells sicher.
Aufbau des Modells

Manchmal eignen sich die Daten oder die Geschäftsziele für einen bestimmten Algorithmus oder ein bestimmtes Modell. Zu anderen Zeiten ist der beste Ansatz nicht so eindeutig. Während Sie die Daten erkunden, führen Sie so viele Algorithmen wie möglich aus. vergleichen ihre Ausgänge. Orientieren Sie sich bei der Auswahl des endgültigen Modells an den Gesamtergebnissen. Manchmal ist es besser, ein Ensemble von Modellen gleichzeitig auf den Daten zu laufen und ein letztes Modell auszuwählen, indem man ihre Ausgaben vergleicht.
Bereitstellen des Modells

Nachdem Sie das Modell erstellt haben, müssen Sie es implementieren, um seine Vorteile nutzen zu können. Dieser Prozess erfordert möglicherweise eine Abstimmung mit anderen Abteilungen.Versuchen Sie, ein implementierbares Modell zu erstellen. Stellen Sie außerdem sicher, dass Sie wissen, wie Sie Ihre Ergebnisse den Geschäftsinteressenten verständlich und überzeugend präsentieren, damit sie Ihr Modell übernehmen. Nachdem das Modell bereitgestellt wurde, müssen Sie die Leistung überwachen und es weiter verbessern. Die meisten Modelle verfallen nach einer gewissen Zeit. Halten Sie Ihr Modell auf dem neuesten Stand, indem Sie es mit neu verfügbaren Daten aktualisieren.

Datenquellen für Predictive Analytics-Projekte

Daten für ein Predictive Analytics-Projekt können aus vielen verschiedenen Quellen stammen. Einige der häufigsten Quellen liegen in Ihrer eigenen Organisation. Andere gängige Quellen umfassen Daten, die von externen Anbietern erworben wurden.

Zu den internen Datenquellen gehören

Transaktionsdaten, z. B. Kundenkäufe
Kundenprofile, wie vom Benutzer eingegebene Informationen aus Registrierungsformularen
Kampagnenhistorien, einschließlich der Frage, ob Kunden auf s
Clickstream-Daten geantwortet haben. einschließlich der Muster der Webklicks der Kunden
Kundeninteraktionen, z. B. aus E-Mails, Chats, Umfragen und Kundendienstanrufen
Maschinengenerierte Daten, z. B. aus Telematik, Sensoren und intelligenten Messgeräten

Externe Datenquellen umfassen

Soziale Medien wie Facebook, Twitter und LinkedIn
Abonnementdienste wie Bloomberg, Thompson Reuters, Esri und Westlaw

Durch die Kombination von Daten aus mehreren unterschiedlichen Datenquellen in Ihrem Modelle, können Sie eine bessere Übersicht über Ihre Kunden erhalten, also ein genaueres Modell.

Sicherstellen des Erfolgs bei der Verwendung von Predictive Analytics

Stellen Sie sich Predictive Analytics als helle, von Ihren Daten gespeiste Glühbirne vor. Das Licht (Einsicht) aus Vorhersageanalysen kann Ihre Strategie unterstützen, Ihre Abläufe optimieren und Ihren Gewinn verbessern. Die folgenden vier Empfehlungen können Ihnen helfen, den Erfolg Ihrer Predictive-Analytics-Initiativen sicherzustellen.

Eine Kultur des Wandels fördern

Die vorausschauende Analyse sollte unternehmensweit angewendet werden. Die Organisation sollte Veränderungen akzeptieren. Unternehmensvertreter sollten bereit sein, Empfehlungen einzubringen und Erkenntnisse aus Vorhersageanalysen zu übernehmen. Die Ergebnisse von Vorhersageanalysen sind nur dann wertvoll, wenn die Führungskräfte bereit sind, darauf zu reagieren.

Erstellen Sie ein Data-Science-Team

Stellen Sie ein Data-Science-Team ein, dessen einzige Aufgabe darin besteht, Ihre Predictive-Analytics-Lösungen aufzubauen und zu unterstützen. Dieses Team aus talentierten Fachleuten - bestehend aus Wirtschaftsanalytikern, Datenwissenschaftlern und Informationstechnologen - ist besser dafür gerüstet, das Projekt in Vollzeit zu bearbeiten. Die Einbeziehung einer Reihe von beruflichen Hintergründen kann wertvolle Erkenntnisse für das Team aus anderen Bereichen bringen. Die Auswahl von Teammitgliedern aus verschiedenen Abteilungen in Ihrer Organisation kann dazu beitragen, ein umfassendes Buy-in zu gewährleisten.

Visualisierungstools effektiv nutzen

Visualisierung ist ein leistungsfähiger Weg, um komplexe Ideen effizient zu vermitteln. Die effektive Verwendung von Visualisierung kann Ihnen helfen, die Daten, mit denen Sie arbeiten, zunächst zu untersuchen und zu verstehen.Visuelle Hilfsmittel wie Diagramme können Ihnen auch helfen, die Ausgabe des Modells auszuwerten oder die Leistung von Vorhersagemodellen zu vergleichen.

Verwenden von Predictive Analytics-Tools

Leistungsstarke Predictive Analytics-Tools sind als Softwarepakete auf dem Markt verfügbar. Sie wurden entwickelt, um den gesamten Prozess zu vereinfachen. Ohne die Verwendung solcher Werkzeuge wird das Erstellen eines Modells von Grund auf schnell zeitintensiv. Mithilfe eines Tools für die zuverlässige Vorhersageanalyse können Sie mehrere Szenarien ausführen und die Ergebnisse sofort vergleichen - alles mit wenigen Klicks. Ein Tool kann viele zeitraubende Schritte schnell automatisieren, die zum Erstellen und Bewerten eines oder mehrerer Modelle erforderlich sind.