Predictive Analytics For Dummies Cheat Sheet

Ved Anasse Bari, Mohamed Chaouchi, Tommy Jung

Et prædiktivt analyseprojekt kombinerer udførelse af detaljer med storbilledtænkning. Disse praktiske tips og tjeklister hjælper med at holde dit projekt på skinnerne og ud af skoven.

Opbygning af en prædiktiv Analytics-model

Et succesfuldt predictive analytics-projekt udføres trin for trin. Når du fordyber dig i projektets detaljer, pas på disse store milepæle:

Definere forretningsmål

Projektet begynder med at bruge et veldefineret forretningsmål. Modellen skal adressere et forretningsspørgsmål. Når du klart angiver dette mål, kan du definere omfanget af dit projekt og give dig den nøjagtige test for at måle dens succes.
Klargøring af data

Du bruger historiske data til at træne din model. Dataene er normalt spredt over flere kilder og kan kræve rensning og forberedelse. Data kan indeholde dublette poster og outliers; Afhængigt af analysen og forretningsmålet beslutter du, om du vil beholde eller fjerne dem. Dataene kunne også have manglende værdier, det kan være nødvendigt at gennemgå en del transformation og kan bruges til at generere afledte attributter, der har mere prædiktiv effekt til dit mål. Samlet set indikerer kvaliteten af data kvaliteten af modellen.
Sampling af dine data

Du skal opdele dine data i to sæt: Træning og test datasæt. Du bygger modellen ved hjælp af træningsdatasættet. Du bruger testdatasættet til at kontrollere nøjagtigheden af modelens output. Det er helt afgørende at gøre det. Ellers risikerer du risikoen for overfitting din model - træner modellen med et begrænset datasæt, til det punkt, at det vælger alle egenskaber (både signalet og støj), der kun gælder for det pågældende datasæt. En model, der er overfitted til et bestemt datasæt, vil udføre miserably, når du kører det på andre datasæt. Et testdatasæt sikrer en gyldig måde til præcis at måle modelens ydeevne.
Opbygning af modellen

Undertiden låner dataene eller forretningsmålene sig til en bestemt algoritme eller model. Andre gange er den bedste tilgang ikke så klar. Når du undersøger dataene, skal du køre så mange algoritmer som muligt; sammenligne deres output. Basér dit valg af den endelige model på de samlede resultater. Nogle gange er det bedre at køre et ensemble af modeller samtidigt på dataene og vælge en endelig model ved at sammenligne deres output.
Implementering af modellen

Når du har bygget modellen, skal du implementere den for at kunne høste fordelene. Denne proces kan kræve koordinering med andre afdelinger.Formålet med at opbygge en implementerbar model. Vær også sikker på at du ved, hvordan du præsenterer dine resultater for forretningspartnere på en forståelig og overbevisende måde, så de vedtager din model. Når modellen er implementeret, skal du overvåge dens ydeevne og fortsætte med at forbedre den. De fleste modeller forfalder efter en vis periode. Hold din model opdateret ved at opdatere den med nyligt tilgængelige data.

Datakilder til prædiktive Analytics-projekter

Data til et predictive analytics-projekt kan komme fra mange forskellige kilder. Nogle af de mest almindelige kilder er inden for din egen organisation; Andre almindelige kilder omfatter data købt hos eksterne leverandører.

Interne datakilder indeholder

Transaktionsdata, såsom kundekøb
Kundeprofiler, såsom brugerindtastede oplysninger fra registreringsformularer
Kampagnehistorier, herunder om kunderne reagerede på s
Clickstream-data, herunder mønstre af kundernes webklik
Kundeinteraktioner, såsom dem fra e-mails, chats, undersøgelser og kundeservicekald
Maskingenererede data, som f.eks. fra telematik, sensorer og intelligente målere

Eksterne datakilder omfatter

Sociale medier som Facebook, Twitter og LinkedIn
Abonnementstjenester som Bloomberg, Thompson Reuters, Esri og Westlaw

Ved at kombinere data fra flere forskellige datakilder i dit prædiktive modeller, kan du få et bedre overblik over din kunde og dermed en mere præcis model.

Sikring af succes ved brug af prædiktiv Analytics

Tænk på predictive analytics som en lyspære drevet af dine data. Lyset (indsigt) fra prædiktiv analyse kan styrke din strategi, strømline dine operationer og forbedre din bundlinje. Følgende fire anbefalinger kan hjælpe dig med at sikre succes for dine prædiktive analytiske initiativer.

Fremme en kultur af forandring

Prediktiv analyse bør vedtages på tværs af organisationen som helhed. Organisationen skal omfavne forandring. Erhvervspartnere bør være rede til at inkorporere anbefalinger og vedtage resultater fra de prædiktive analyseprojekter. Resultaterne af en prædiktiv analyse er kun værdifulde, hvis virksomhedsledere er villige til at handle på dem.

Opret et datavidenskabsteam

Leje et datavidenskabsteam, hvis eneste opgave er at etablere og støtte dine intelligente analyseløsninger. Dette team af dygtige fagfolk - der består af forretningsanalytikere, datavidenskabsfolk og informationsteknologer - er bedre rustet til at arbejde på projektet på heltid. Inklusive en række faglige baggrunde kan bringe værdifulde indsigter til holdet fra andre domæner. Valg af holdmedlemmer fra forskellige afdelinger i din organisation kan hjælpe med at sikre en udbredt buy-in.

Brug visualiseringsværktøjer effektivt

Visualisering er en effektiv måde at formidle komplekse ideer effektivt på. Brug af visualisering effektivt kan hjælpe dig med at udforske og forstå de data, du arbejder med.Visuelle hjælpemidler som diagrammer kan også hjælpe dig med at evaluere modelens output eller sammenligne præstationen af prædiktive modeller.

Brug prædiktive analyseværktøjer

Kraftige prædiktive analyseværktøjer er tilgængelige som softwarepakker på markedet. De er designet til at gøre hele processen meget lettere. Uden brug af sådanne værktøjer bliver det hurtigt tidsintensivt at opbygge en model fra bunden. Ved hjælp af et godt predictive analytics-værktøj kan du køre flere scenarier og øjeblikkeligt sammenligne resultaterne - alt sammen med et par klik. Et værktøj kan hurtigt automatisere mange tidskrævende trin, der kræves for at opbygge og evaluere en eller flere modeller.