Inhaltsverzeichnis:
- Visualisierung verborgener Gruppierungen in Ihren Daten
- Datenklassifikationsergebnisse visualisieren
- Visualisierung von Ausreißern in Ihren Daten
- Visualisierung von Entscheidungsbäumen
- Visualisierung von Vorhersagen
Video: Visualisierung und Steuerung der Planungsdaten mit der SAP Analytics Cloud 2025
entdeckt. Oft müssen Sie in der Lage sein, die Ergebnisse Ihrer Vorhersageanalysen denjenigen anzuzeigen, die von Bedeutung sind. Hier sind einige Möglichkeiten, Visualisierungstechniken zu verwenden, um die Ergebnisse Ihrer Modelle den Stakeholdern zu melden.
Visualisierung verborgener Gruppierungen in Ihren Daten
Bei 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, die Ergebnisse eines Datenclustering-Modells zu visualisieren, wird unten gezeigt, wobei das Diagramm soziale Gemeinschaften (Cluster) darstellt, die in Daten entdeckt wurden, die von Nutzern sozialer Netzwerke gesammelt 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. Nehmen Sie an, dass die X- und Y-Achse die beiden Hauptkomponenten der ursprünglichen Daten darstellen. Hauptkomponentenanalyse (PCA) ist eine Datenreduktionstechnik.
Hier deutet bereits die visuelle Beziehung zwischen den drei Gruppen darauf hin, wo verstärkte und zielgerichtete Marketinganstrengungen am besten wirken könnten.
Datenklassifikationsergebnisse visualisieren
Ein Klassifikationsmodell 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.
Das Bild zeigt, wie die Informationen eines neuen Kunden in Ihr Predictive Analytics-Modell eingespeist werden, das wiederum vorhersagt, 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.
Visualisierung von Ausreißern in Ihren Daten
Im Zuge der Gruppierung oder Klassifizierung neuer Kunden stoßen Sie hin und wieder auf Ausreißer (Sonderfälle, die nicht in die vorhandenen Geschäftsbereiche passen).
Unten sehen Sie einige Ausreißer, die nicht gut in die vordefinierten Cluster passen. 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.
Visualisierung von Entscheidungsbäumen
Viele Modelle verwenden Entscheidungsbäume als ihre Ausgänge: Diese Diagramme zeigen die möglichen Ergebnisse von alternativen Handlungsabläufen, die wie die Zweige eines Baumes ausgelegt sind.
Das folgende Bild zeigt ein Beispiel für einen Baum, der als Klassifizierer verwendet wird: Es klassifiziert Baseballfans anhand einiger Kriterien, hauptsächlich des Betrags, der für Tickets und der Kaufdaten ausgegeben wird. Anhand dieser Visualisierung können Sie den Typ des Fans vorhersagen, den ein neuer Ticketkäufer haben wird: Gelegenheitsspieler, loyaler, fahrender, eingefleischter oder anderer Typ.
Die Attribute jedes Fans werden auf jeder Ebene des Baums erwähnt (Gesamtanzahl der besuchten Spiele, ausgegebene Gesamtmenge, Saison); Sie können einem Pfad von einer bestimmten "Wurzel" zu einem bestimmten "Blatt" auf dem Baum folgen, wo Sie eine der Fan-Klassen treffen (c1, c2, c3, c4, c5).
Angenommen, Sie möchten den Typ des Baseball-Fans für einen Kunden bestimmen, damit Sie festlegen können, welche Art von Marketing-Anzeigen an den Kunden gesendet werden soll. Angenommen, Sie vermuten, dass Baseballfanatiker und Zugfans dazu überredet werden können, ein neues Auto zu kaufen, wenn sich ihre Mannschaft gut entwickelt und auf die Playoffs zusteuert.
Sie können Marketing-Anzeigen und Rabatte senden, um sie zum Kauf zu bewegen. Nehmen wir weiter an, Sie vermuten, dass Zugfans dazu überredet werden können, bestimmte politische Themen zu unterstützen. Sie können ihnen Marketinganzeigen senden und sie um Unterstützung bitten. Wenn Sie wissen, welche Art von Fangemeinde Sie haben, können Sie Entscheidungsbäume verwenden, um zu entscheiden, wie Sie mit einer Reihe von Kundentypen umgehen möchten.
Visualisierung von Vorhersagen
Angenommen, Sie haben eine Reihe von Vorhersageanalysemodellen ausgeführt, einschließlich Entscheidungsbäumen, zufälligen Gesamtstrukturen und Beflockungsalgorithmen. Sie können all diese Ergebnisse kombinieren und eine konsistente Erzählung präsentieren, die alle unterstützen. Hier ist Vertrauen ein numerischer Prozentsatz, der mit einer mathematischen Funktion berechnet werden kann. Das Ergebnis der Berechnung enthält eine Bewertung, wie wahrscheinlich ein mögliches Ereignis ist.
Auf der x-Achse stellt der unterstützende Beweis die Inhaltsquelle dar, die mit Content-Analytics-Modellen analysiert wurde, die die möglichen Ergebnisse identifizierten. In den meisten Fällen hätte Ihr Vorhersagemodell einen großen Datensatz mit Daten aus verschiedenen Quellen verarbeitet, um diese möglichen Ergebnisse abzuleiten. Sie brauchen also nur die wichtigsten unterstützenden Beweise in Ihrer Visualisierung zu zeigen.
Oben wird eine Zusammenfassung der Ergebnisse aus der Anwendung von Vorhersageanalysen als Visualisierung präsentiert, die mögliche Ergebnisse zusammen mit einem Konfidenzwert und stützenden Beweisen für jeden einzelnen darstellt. Drei mögliche Szenarien werden angezeigt:
- Das Inventar von Artikel A wird nicht mit der Nachfrage Schritt halten, wenn Sie nicht mindestens 100 Einheiten pro Woche an Store S liefern. (Konfidenzpunktzahl: 98 Prozent)
- Die Anzahl der Verkäufe wird um 40 Prozent steigen, wenn Sie die Produktion von Artikel A um mindestens 56 Prozent erhöhen. (Konfidenzpunktzahl: 83 Prozent.)
- Eine Marketingkampagne in Kalifornien erhöht die Verkäufe der Items A und D, aber nicht Item K. (Confidence Score: 72 Prozent).
Der Konfidenzwert gibt die Wahrscheinlichkeit an, passieren, nach Ihrem Predictive Analytics-Modell. Beachten Sie, dass sie hier in absteigender Reihenfolge der Wahrscheinlichkeit aufgeführt sind.
Hier besteht der wichtigste unterstützende Beweis darin, wie Ausschnitte aus mehreren Inhaltsquellen über die x-Achse dargestellt werden. Sie können auf sie verweisen, wenn Sie erklären müssen, wie Sie zu einem bestimmten möglichen Szenario gekommen sind - und die Beweise, die dies unterstützen, auswerten.
Die Kraft hinter dieser Visualisierung ist ihre Einfachheit. Stellen Sie sich vor, dass Sie nach monatelanger Anwendung von Vorhersageanalysen auf Ihre Daten sich durch mehrere Iterationen arbeiten und in ein Treffen mit dem Entscheidungsträger eintreten. Sie sind mit einer Folienvisualisierung von drei möglichen Szenarien ausgestattet, die einen großen Einfluss auf das Geschäft haben könnten. Eine solche Visualisierung schafft effektive Diskussionen und kann das Management zu Aha-Momenten führen.
