So definieren und Test Predictive Analytics Prototypen
Ein effektiver Weg, Ihre Geschäftsziele für Predictive Analytics zu erklären, ist eindeutig als eine Aufzählung von Benutzerentscheidungen. Dann führen Sie Ihren Prototypen für jede mögliche Entscheidung Vorhersagen und Ergebnisse zu generieren. Zum Beispiel in einem Beispiel von Produkt X, könnten Sie Ihre Ziele als eine Reihe möglicher Geschäftsentscheidungen Liste zu beurteilen:
Menu
Erhöhen Sie den Umsatz von Produkt X
Terminate Herstellung von Produkt X
Ändern Sie die Marketing-Strategie, die hinter Produkt X
Erhöhen Sie Anzeigen in einem bestimmten geografischen Standort
Erhöhen Sie Anzeigen für bestimmte Kunden
Das Vorhersagemodell wird diese Entscheidungen nach ihrer Zukunft Wahrscheinlichkeit einer erfolgreichen Rentabilität zu bewerten. Der Ausgang könnte darauf hindeuten, zum Beispiel, dass das Unternehmen eine 80-prozentige Chance, eine Erhöhung des Gewinns hat durch das Umsatzvolumen von Produkt X zu erhöhen
Wie Sie das richtige Vorhersagedaten zu finden
Nachdem Sie deutlich das Geschäftsziel und das Problem, das Sie bereit sind, in Angriff zu nehmen gesagt habe, ist der nächste Schritt, um die Daten, die Ihr Prognosemodell verwenden zu sammeln. In dieser Phase müssen Sie Ihre Datenquelle (n) zu identifizieren.
Zum Beispiel, wenn Sie einen Prototyp für die Vorhersage, die richtige Entscheidung zu einem bestimmten Produkt entwickeln, dann müssen Sie sowohl interne als auch externe Daten für das Produkt zu sammeln. Sie sollten die Art oder Quelle der Daten nicht beschränken, solange es auf das Geschäft Ziel relevant ist.
Wenn (sagen wir) Ihr Unternehmen ist die Einführung eines neuen Hybrid-Sportwagen unter Berücksichtigung, können Sie die Vertriebsabteilung und Dateninformationen über den Verkauf von ähnlichen Produkten erzeugt sammeln. Sie können die Engineering-Abteilung wenden, wie viel die Komponenten Kosten (wie etwa jene langlebigere Batterien?), Um herauszufinden, sowie die Ressourcen und die Zeit benötigt, um das Produkt zu erzeugen (jede Umrüstzeiten?).
Sie könnten auch Daten über frühere Entscheidungen über ein ähnliches Produkt (sagen wir, ein überwältigten Cabrio vor einigen Jahren eingeführt) und ihr Ergebnis (Marktbedingungen und Treibstoffpreise drückten Umsatz).
Sie könnten große Daten mit Bezug auf das betreffende Produkt zu betrachten. Zum Beispiel, Bewertungen über Unternehmen Produkte, Tweets oder Facebook Beiträge herunterladen, wo die Produkte genannt werden. Eine Möglichkeit, das zu tun, ist die Verwendung Application Programming Interfaces (APIs) von diesen Unternehmen zur Verfügung gestellt.
Zum Beispiel, wenn Sie Tweets zu sammeln möchten, die ein bestimmtes Wort enthalten, bietet Twitter eine Reihe von APIs, die Sie solche Tweets zum Download nutzen könnten. Es gibt eine Grenze, wie viele Daten Sie frei von Ladungs- in einigen Fällen erfassen kann, könnten Sie zahlen müssen, um zu halten, um die benötigten Daten von Twitter herunterzuladen.
Wenn Sie die wichtigsten Daten und die nützlichsten Quelle festgestellt haben, von denen es zu bekommen, starten Sie das Speichern von Daten für Ihre Vorhersagemodell verwenden möchten. Die Daten können einige vorbereitende Operationen unterziehen müssen.
Wie Sie Ihre Vorhersagemodell zu entwerfen
Für einen Prototyp könnte Ihre Eingabe eine Datenmatrix, die abgeleitet bekannten Faktoren aus historischen Daten darstellt.
Eine solche Datenmatrix, wenn analysiert, kann eine Ausgabe erzeugen, die etwa wie folgt aussieht:
57,6 Prozent der Kunden gaben an, sie mit dem Produkt unzufrieden waren.
Das Produkt erfordert durchschnittlich drei Stunden zu produzieren.
Die positive Stimmung auf dem Produkt beträgt 80 Prozent.
Eingaben in das Prototyp-Modell könnten historische Daten über ähnliche Produkte umfassen, die entsprechenden Entscheidungen über sie gemacht, und die Auswirkungen dieser Entscheidungen auf Ihrer Geschäftsprozesse. Der Ausgang des Prototyp würde Prognosen sein und ihre entsprechenden Werte als mögliche Maßnahmen zu Erreichung der Ziele Sie festgelegt haben.
Um einen brauchbaren Prototypen zu erhalten, müssen Sie eine Mischung aus Techniken verwenden, um das Modell zu bauen. Zum Beispiel könnten Sie K-Mittel-Algorithmus als eine der Clustering verwenden algorithms- Sie es Cluster wie diese zu bauen verwenden:
Produkte, die beendet wurden - und diese Entscheidung die Auswirkungen auf Gewinn
Produkte, die in Volumen und diese Entscheidung der Auswirkungen auf den Gewinn erhöht wurden
Produkte, deren Marketingstrategie geändert wurde, und diese Entscheidung die Auswirkungen Gewinn
Dann sind Sie Klassifikationsalgorithmen wie einen Entscheidungsbaum oder Na # 239-ve Bayes, die klassifizieren würde oder vorhersagen fehlenden Werten (wie Verkaufsgewinn Wert) für das betreffende Produkt (Produkt X) nutzen könnten.
Wie Sie Ihre Testdaten zu identifizieren
Um Ihre Predictive Analytics-Modell zu bewerten, haben Sie das Modell über einige Testdaten auszuführen, die es noch nicht gesehen hat. Sie könnten das Modell über mehrere historische Datensätze als Eingabe laufen und aufzeichnen, wie viele der Vorhersagen des Modells korrekt herausstellen.
Wie das Modell auf Testdaten zu laufen
Ihre Vorhersagemodell Auswertung ist ein iterativer Prozess - im Wesentlichen Versuch und Irrtum. Effektive Modelle führen selten von einem bloßen ersten Test. Wenn Ihr Prognosemodell 100-prozentige Genauigkeit erzeugt, zu prüfen, dieses Ergebnis zu gut Echt- Verdächtigen etwas falsch mit Ihren Daten oder Ihre Algorithmen zu sein.
Zum Beispiel, wenn der erste Algorithmus Sie Ihren Prototyp zu bauen verwenden ist die Na # 239-ve Bayes-Klassifikator und Sie sind nicht zufrieden mit den Vorhersagen gibt es Ihnen, wenn Sie die Testdaten laufen, versuchen Sie einen anderen Algorithmus, wie der nächste Nachbar-Klassifikator . Halten Sie laufen andere Algorithmen, bis Sie zu finden, die am konsequentesten ist und zuverlässig prädiktive.
Während des Tests könnten Sie feststellen, dass Sie die Ausgangsdaten zu überdenken müssen, die Sie verwendet, um den Prototyp-Modell bauen. Sie müssen möglicherweise relevanter Daten für die Analyse zu finden.
Als Vorsichtsmaßnahme immer überprüfen, dass die in den Bau des Modells korrekt sind beteiligt Schritte. Darüber hinaus werden auf dem Testdatensatzes auf die tatsächlichen Ergebnisse, die die Ausgabe des Modells verglichen wird Ihnen helfen, die Genauigkeit des Modells zu bewerten.
Je höher das Vertrauen in die Ergebnisse des prädiktiven Modells, desto leichter ist es für die Akteure ihren Einsatz zu genehmigen.
Um sicherzustellen, dass Ihr Modell richtig ist, müssen Sie beurteilen, ob das Modell Ziele sein Geschäft erfüllt. Domain-Experten können Ihnen helfen, die Ergebnisse des Modells interpretieren.