Eine erfolgreiche Predictive Analytics-Projekt wird schrittweise ausgeführt. Wie Sie sich in den Einzelheiten des Projekts tauchen, für diese wichtige Meilensteine sehen:
Definieren von Geschäftsziele
Das Projekt beginnt mit der Verwendung einer gut definierten Unternehmensziel. Das Modell soll eine Geschäftsfrage anzusprechen. Offensichtlich dieses Ziel besagt, ermöglicht es Ihnen, den Umfang des Projekts zu definieren, und werden Sie mit der genauen Prüfung bieten ihren Erfolg zu messen.
Vorbereiten von Daten
Sie werden historische Daten verwenden, um Ihr Modell zu trainieren. Die Daten werden in der Regel über mehrere Quellen gestreut und kann die Reinigung und Vorbereitung erfordern. Die Daten können doppelte Datensätze enthalten und outliers- auf die Analyse und unter Berücksichtigung der Unternehmensziel, Sie entscheiden, ob sie zu halten oder zu entfernen. Auch könnten die Daten fehlende Werte haben, müssen möglicherweise einige Transformation zu unterziehen, und kann verwendet werden, um abgeleitete Attribute erzeugen, die mehr Aussagekraft für Ihr Ziel haben. Insgesamt zeigt die Qualität der Daten, die die Qualität des Modells.
Sampling Ihre Daten
Sie müssen Ihre Daten in zwei Gruppen aufteilen: Trainings- und Testdatensätzen. Sie bauen das Modell der Trainingsdaten verwenden. Sie verwenden die Testdaten setzen die Richtigkeit der Ausgabe des Modells zu überprüfen. so zu tun, ist absolut entscheidend. Ansonsten laufen Sie Gefahr, Überanpassung Ihr Modell - Trainieren des Modells mit einer begrenzten Datenmenge bis zu dem Punkt, dass sie alle Merkmale nimmt (sowohl das Signal und das Rauschen), die nur wahr für diesen bestimmten Datensatzes sind. Ein Modell, das für einen bestimmten Datensatz overfitted ist kläglich wird ausführen, wenn Sie es auf anderen Datensätzen ausgeführt werden. Ein Testdatensatzes sorgt für eine gültige Möglichkeit, genau das Modell die Leistung zu messen.
Bau des Modells
Manchmal bieten sich die Daten oder die Geschäftsziele zu einem bestimmten Algorithmus oder Modell. Andere Zeiten der beste Ansatz ist nicht so klar. Wie Sie die Daten untersuchen, laufen so viele Algorithmen, wie Sie ihre Ausgänge vergleichen CAN-. Basieren Ihrer Wahl des endgültigen Modells auf das Gesamtergebnis. Manchmal bist du besser dran, ein Ensemble von Modellen gleichzeitig auf die Daten ausgeführt wird und ein endgültiges Modell der Wahl mit ihren Ausgängen zu vergleichen.
Bereitstellen des Modell
Nach dem Bau des Modells, müssen Sie es, um implementieren ihre Vorteile zu nutzen. Dieser Prozess kann die Koordination mit anderen Abteilungen benötigen. Richten Sie ein einsetzbares Modell zu bauen. Auch sicher sein, Sie wissen, wie Ihre Ergebnisse an die Stakeholder in einer verständlichen und überzeugend zu präsentieren, so dass sie das Modell übernehmen. Nachdem das Modell bereitgestellt wird, müssen Sie seine Leistung zu überwachen und zu verbessern es weiter. Die meisten Modelle Zerfall nach einer gewissen Zeit. Halten Sie Ihr Modell auf dem Laufenden, indem es erfrischend mit neu verfügbaren Daten.
Daten für ein Predictive Analytics-Projekt kann aus vielen verschiedenen Quellen kommen. Einige der häufigsten Quellen sind in den eigenen organisations andere gemeinsame Quellen Daten von externen Anbietern erworben wurden.
Interne Datenquellen umfassen
Transactional Daten wie Kundenkäufe
Kundenprofile, wie vom Benutzer eingegebenen Daten von Anmeldeformulare
Kampagnengeschichten, einschließlich, ob die Kunden, um Werbung reagiert
Klickstrom-Daten, einschließlich der Muster des Kunden web Klicks
Kunden-Interaktionen, wie die von E-Mails, Chats, Umfragen und Kundendienst-Anrufe
Maschine erzeugten Daten, wie zum Beispiel, dass von Telematik, Sensoren und Smart Meter
Externe Datenquellen umfassen
Soziale Medien wie Facebook, Twitter und LinkedIn
Abonnementdienste wie Bloomberg, Thompson Reuters, Esri und Westlaw
Durch die Daten aus mehreren unterschiedlichen Datenquellen in Ihre Vorhersagemodelle kombinieren, können Sie einen besseren Überblick über Ihre Kunden erhalten, wodurch ein genaueres Modell.
Denken Sie an Predictive Analytics als eine helle Lampe, indem Sie Ihre Daten mit Strom versorgt. Das Licht (Einblick) von Predictive Analytics können Sie Ihre Strategie, optimieren Sie Ihre Operationen zu stärken und Ihr Endergebnis zu verbessern. Die folgenden vier Empfehlungen können Sie Erfolg für Ihre Predictive Analytics-Initiativen sicherstellen helfen.
Förderung einer Kultur des Wandels
Prädiktive Analysen sollten in der gesamten Organisation als Ganzes übernommen werden. Die Organisation sollte Änderung umarmen. Stakeholder sollten bereit sein, Empfehlungen zu übernehmen und Erkenntnisse aus den Predictive Analytics-Projekte abgeleitet nehmen. Die Ergebnisse eines Predictive Analytics-Projekte sind nur dann wertvoll, wenn die Unternehmer bereit sind, sie zu handeln.
Erstellen Sie eine Daten-Wissenschaftsteam
Mieten Sie sich ein Daten-Wissenschaftsteam, deren einzige Aufgabe ist Ihre Predictive Analytics-Lösungen zu etablieren und zu unterstützen. Das Team von talentierten Professionals- umfasst Business-Analysten, Daten Wissenschaftler und Informatiker - ist besser gerüstet für das Projekt in Vollzeit zu arbeiten. eine Reihe von professionellen Hintergründen Einschließlich können wertvolle Einblicke in das Team von anderen Domänen bringen. Auswählen Teammitglieder aus verschiedenen Abteilungen in Ihrer Organisation kann helfen, eine weit verbreitete Buy-in zu gewährleisten.
Verwenden Sie Visualisierungs-Tools effektiv
Visualisierung ist eine leistungsstarke Möglichkeit, komplexe Ideen effizient zu vermitteln. Mit Visualisierung können Sie zunächst erforschen und zu verstehen, die Daten effektiv helfen mit dem Sie arbeiten. Sehhilfen wie Diagramme können auch helfen, das Modell der Ausgabe oder vergleichen die Leistung von prädiktiven Modellen zu bewerten.
Verwenden Sie Predictive Analytics-Tools
Leistungsstarke Predictive Analytics-Tools sind als Software-Pakete auf dem Markt erhältlich. Sie sind entworfen, viel einfacher, den gesamten Prozess zu machen. Ohne den Einsatz solcher Werkzeuge, ein Modell von Grund wird schnell zeitintensiv. eine gute Predictive Analytics-Tool ermöglicht es Ihnen, mehrere Szenarien und sofort die Ergebnisse vergleichen zu laufen - alles mit ein paar Klicks. Ein Werkzeug kann viele zeitraubende Schritte schneller automatisieren ein oder mehrere Modelle erforderlich aufzubauen und auszuwerten.