Como definir e teste Predictive Analytics Protótipos

Uma forma eficaz de indicar os seus objectivos de negócio para análise preditiva é claramente como uma lista com marcadores de decisões usuário. Em seguida, execute o seu protótipo para gerar previsões e pontuações para cada decisão possível. Por exemplo, em um exemplo de produto X, você poderia listar seus objetivos como uma gama de possíveis decisões de negócios a ser avaliado:

• Aumentar o volume de vendas do produto X

• Terminar fabricação de produto X

• Mudar a estratégia de marketing por trás do produto X

• Aumentar os anúncios em uma localização geográfica específica

• Aumentar anúncios para clientes específicos

O modelo preditivo irá avaliar essas decisões de acordo com o seu futuro probabilidade de rentabilidade bem sucedido. A saída pode indicar, por exemplo, que a empresa tem uma chance de 80 por cento do lucro aumentando, aumentando o volume de vendas do Produto X.

Como encontrar os dados de previsão direita

Depois de ter claramente o objectivo de negócios e o problema que você está disposto a enfrentar, o próximo passo é coletar os dados que o modelo preditivo vai usar. Nesta fase, você tem que identificar a sua fonte (s) de dados.

Por exemplo, se você está desenvolvendo um protótipo para prever a decisão certa em um produto específico, então você precisa para reunir dados internos e externos para esse produto. Você não deve restringir o tipo ou fonte de dados, contanto que ele é relevante para o objetivo do negócio.

Se (digamos) a sua empresa está a considerar a introdução de um novo carro esporte híbrido, você pode entrar em contato com o departamento de vendas e recolher informações sobre os dados de vendas gerados por produtos semelhantes. Você pode entrar em contato com o departamento de engenharia para descobrir o quanto o custo de componentes (como sobre aqueles mais duradouras baterias?), Bem como os recursos e tempo necessários para produzir o produto (qualquer reformulação necessária?).

Você pode também incluir dados sobre decisões anteriores feitos sobre um produto similar (por exemplo, um conversível Overpowered introduziu alguns anos atrás), e seus resultados (condições de mercado e os preços dos combustíveis deprimido vendas).

Você pode querer considerar o uso de grandes dados relacionados com o produto em questão. Por exemplo, baixar as avaliações dos clientes sobre os produtos da empresa, tweets ou posts no Facebook, onde os produtos são mencionados. Uma maneira de fazer isso é usar interfaces de programação de aplicativos (APIs) fornecidas por essas empresas.

Por exemplo, se você deseja reunir os tweets que contenham uma palavra específica, Twitter fornece um conjunto de APIs que você pode usar para baixar esses tweets. Há um limite para a quantidade de dados que você pode capturar gratuito- em alguns casos, você pode ter que pagar para manter o download dos dados necessários a partir de Twitter.

Quando você tiver determinado os dados mais relevantes e a fonte mais útil do que para obtê-lo, começar a armazenar os dados que você pretende usar para o seu modelo preditivo. Os dados podem precisar se submeter a alguns pré-processamento.

Como projetar seu modelo preditivo

Para um protótipo, a sua entrada poderia ser uma matriz de dados que representa factores conhecidos derivados de dados históricos.

Essa matriz de dados, quando analisados, pode produzir uma saída que é algo como isto:

57,6 por cento dos clientes afirmaram que estavam descontentes com o produto.

O produto requer três horas em média para produzir.

sentimento positivo no produto é de 80 por cento.

Entradas para o modelo de protótipo poderia incluir dados históricos sobre produtos semelhantes, as decisões correspondentes feitas sobre eles, e o impacto dessas decisões sobre seus processos de negócios. A saída do protótipo seria previsões e suas pontuações correspondentes, como possíveis ações para alcançar os objetivos que você definiu.

Para obter um protótipo utilizável, você tem que empregar uma mistura de técnicas para construir o modelo. Por exemplo, você poderia usar o algoritmo K-means como um dos agrupamento algorithms- você poderia usá-lo para construir os clusters como estes:

• Os produtos que foram terminadas - eo impacto dessa decisão sobre o lucro

• Os produtos que foram aumentados em volume e do impacto dessa decisão sobre o lucro

• Os produtos cuja estratégia de marketing foi alterado e lucro impacto dessa decisão

Em seguida, você pode usar algoritmos de classificação, como uma árvore de decisão ou Na Nº 239-ve Bayes que classificar ou prever valores (como valor de lucro das vendas) para o produto em questão (produto X) em falta.

Como identificar os dados de teste

Para avaliar o seu modelo de análise preditiva, você tem que executar o modelo mais alguns dados de teste que não tenha visto ainda. Você poderia executar o modelo ao longo de vários conjuntos de dados históricos como entrada e gravar quantas das previsões do modelo vir a correta.

Como executar o modelo em dados de teste

Avaliando seu modelo preditivo é um processo iterativo - essencialmente de tentativa e erro. modelos eficazes raramente resultam de um primeiro teste simples. Se o seu modelo preditivo produz 100 por cento de precisão, considere esse resultado muito bom para ser verdade- suspeitar de algo errado com seus dados ou os seus algoritmos.

Por exemplo, se o primeiro algoritmo utilizado para construir o seu protótipo é o Na Nº 239-ve Bayes classificador e você não está satisfeito com as previsões que lhe dá quando você executar os dados de teste, tente outro algoritmo, como o mais próximo classificador Neighbor . Continue correndo outros algoritmos até encontrar aquele que é mais consistente e fiável de previsão.

Durante o teste, você pode descobrir que você precisa de rever os dados iniciais que você usou para construir o modelo de protótipo. Você pode precisar de encontrar dados mais relevantes para a sua análise.

Como precaução, sempre verificar se os passos envolvidos na construção do modelo estão correctas. Além disso, comparando a saída do modelo no conjunto de dados de teste para os resultados reais vão ajudar a avaliar a precisão do seu modelo.

Quanto maior for a confiança nos resultados do seu modelo preditivo, o que é mais fácil para as partes interessadas para aprovar a sua implantação.

Para se certificar de que o seu modelo é precisa, você precisa avaliar se o modelo satisfaz os seus objectivos de negócio. Os especialistas podem ajudá-lo a interpretar os resultados de seu modelo.