Decision Trees und Prognosen: Wie Sie Ihr Modell der Analyseergebnisse zu visualisieren

Wenn Sie die Ergebnisse Ihrer prädiktiven Analyse zu Ihren Stakeholdern präsentieren, können visuelle Darstellungen der Daten zu schaffen helfen, die Informationen leicht zu verstehen und gut informierte Entscheidungen zu treffen. Hier sind zwei Methoden der visuellen Darstellungen, die Sie verwenden können:

Wie zu visualisieren Decision Trees

Viele Modelle verwenden Entscheidungsbäume als ihre Ausgänge: Diese Kategorie zeigt Diagramme, die die möglichen Ergebnisse von Handlungsalternativen, wie die Äste eines Baumes. Hier ist ein Beispiel für einen Entscheidungsbaum als Klassifizierer verwendet: Sie klassifiziert Baseball-Fans basierend auf einigen Kriterien, vor allem die Menge an Tickets und die Kaufdaten ausgegeben.

Aus dieser Visualisierung können Sie die Art des Lüfters vorhersagen, dass ein neues Ticket-Käufer sein wird: lässig, treu, fahrenden Zug, eingefleischten, oder eine andere Art. Attribute eines jeden Fan werden auf jeder Ebene im Baum (Gesamtzahl der besuchten Spiele, Gesamtbetrag ausgegeben, Saison) erwähnt - ein Pfad von einem bestimmten "root" folgen können, um eine bestimmte "Blatt" auf dem Baum, wo Sie treffen einer der Lüfterklassen (c1, c2, c3, c4, c5).

Angenommen, Sie die Art der Baseball-Fan, um zu bestimmen wollen ein Kunde so ist, dass Sie, welche Art von Marketing-Anzeigen bestimmen können an den Kunden zu senden. Sie wollen wissen, ob der Kunde ein Baseball-Fanatiker oder jemand, der gerade den Zug reitet.

Angenommen, Sie nehmen an, dass Baseball-Fanatiker und Zug-Fans überzeugt werden können, um ein neues Auto (oder andere diskretionäre Waren) zu kaufen, wenn ihr Team gut geht und für die Playoffs geführt. Sie können wollen, dass sie Marketing-Anzeigen und Rabatte zu schicken, sie zu überzeugen, um den Kauf zu tätigen.

Ferner nehme an, Sie nehmen an, dass Zug aufge Fans zur Unterstützung von bestimmten politischen Fragen zu stimmen überzeugt werden können. Sie können sie Anzeigen sie für die Unterstützung der Vermarktung senden zu fragen. Wenn Sie wissen, welche Art von Fan-Basis haben Sie, Entscheidungsbäume mit helfen können Sie entscheiden, wie sich ihr zu nähern, wie eine Reihe von Kundentypen.

Wie zu visualisieren Prognosen

Angenommen, Sie haben eine Reihe von Predictive Analytics-Modellen ausgeführt werden, einschließlich Entscheidungsbäumen, zufällige Wälder und Beflockung Algorithmen. Sie können alle diese Ergebnisse zu kombinieren und eine konsistente Erzählung, dass sie alle Unterstützung vorstellen. Hier Vertrauen ist ein numerischer Prozentsatz, berechnet werden kann, eine mathematische Funktion.

Das Ergebnis der Berechnung kapselt eine Punktzahl von, wie wahrscheinlich ein mögliches Auftreten ist. Auf der x-Achse stellt die Nachweise für die Inhaltsquelle, die mit Content-Analyse-Modelle analysiert, die die möglichen Ergebnisse identifiziert.

In den meisten Fällen würde Ihre Vorhersagemodell ein großes Dataset verarbeitet werden, Daten aus verschiedenen Quellen, diese möglichen Ergebnisse abzuleiten. So müssen Sie nur die wichtigsten Belege in Ihrer Visualisierung zeigen.

Eine Zusammenfassung der Ergebnisse aus der Anwendung Predictive Analytics erhalten wird, als Visualisierung präsentiert, die möglichen Ergebnisse zeigt, zusammen mit einer Vertrauensbewertung und Nachweise für jeden einzelnen. Drei mögliche Szenarien dargestellt:

• Der Bestand an Punkt A nicht mit der Nachfrage Schritt halten, wenn Sie speichern S. nicht wöchentlich mindestens 100 Einheiten versandt (Konfidenzmaß. 98 Prozent)

• Die Zahl der Verkäufe um 40 Prozent erhöhen, wenn Sie die Produktion von Punkt A um mindestens 56 Prozent zu erhöhen. (Vertrauensbewertung: 83 Prozent).

• Eine Marketing-Kampagne in Kalifornien Der Verkauf von Produkten A und D zu erhöhen, aber nicht Gegenstand K. (Konfidenzmaß. 72 Prozent)

Das Vertrauen Punktzahl ist die Wahrscheinlichkeit, dass jedes Szenario, nach Ihren Predictive Analytics-Modell passieren wird. Beachten Sie, dass sie hier aufgeführt sind, in der Reihenfolge der Wahrscheinlichkeit absteigen.

Hier die wichtigsten Belege aus, wie Auszüge aus mehreren Inhaltsquellen werden über die x-Achse dargestellt. Sie können sich auf sie beziehen, wenn Sie erklären müssen, wie Sie zu einer bestimmten mögliches Szenario bekam - und die Beweise Trab, die es unterstützt.

Die treibende Kraft hinter dieser Visualisierung ist seine Einfachheit. Stellen Sie sich vor, nach Monaten der Predictive Analytics, um Ihre Daten anwenden, arbeiten Sie Ihren Weg durch mehrere Iterationen, dass Sie in einem Treffen mit Entscheidungsträgern zu Fuß. Sie sind mit einer Folie Visualisierung von drei möglichen Szenarien gerüstet, die einen großen Einfluss auf das Geschäft haben könnten. Eine solche Visualisierung schafft effektive Diskussionen und kann das Management auf "aha" Momente führen.