Como visualizar o seu modelo Resultados analíticos: Árvores de Decisão e previsões
Quando você apresenta os resultados de sua análise preditiva para seus stakeholders, criando representações visuais dos dados pode ajudá-los a compreender facilmente as informações e tomar decisões bem informadas. Aqui estão dois métodos de representações visuais que você pode usar:
Como visualizar Árvores de Decisão
Muitos modelos usar árvores de decisão como suas saídas: Estes diagramas mostram os possíveis resultados de cursos alternativos de ação, definidos como os galhos de uma árvore. Aqui está um exemplo de uma árvore de decisão usada como um classificador: Ele classifica os fãs de beisebol com base em alguns critérios, principalmente, o montante gasto em bilhetes e as datas de compra.
A partir desta visualização, você pode prever o tipo de fã que um novo ticket-comprador será: casual, Fiel, movimento, obstinado, ou algum outro tipo. Atributos de cada fã são mencionados em cada nível na árvore (número total de jogos atendidos, o montante total gasto, estação) - você pode seguir um caminho a partir de um determinado "root" a uma "folha" específica na árvore, onde você bater uma das classes de ventilador (C1, C2, C3, C4, C5).
Suponha que você queira determinar o tipo de fã de beisebol um cliente é para que você possa determinar que tipo de anúncios de marketing para enviar para o cliente. Você quer saber se o cliente é um fanático do basebol ou alguém que apenas monta o movimento.
Suponha que você supor que os fanáticos de beisebol e fãs bandwagon podem ser persuadidos a comprar um carro novo (ou outros bens discricionários), quando sua equipe está indo bem e se dirigiu para os playoffs. Você pode querer enviar-lhes anúncios marketing e descontos para persuadi-los para fazer a compra.
Além disso, suponha que você supor que os fãs bandwagon pode ser persuadido a votar em favor de certas questões políticas. Você pode enviá-los a comercialização anúncios pedindo-lhes para esse apoio. Se você sabe que tipo de base de fãs que você, usando árvores de decisão pode ajudar a decidir como abordá-lo como uma gama de tipos de clientes.
Como visualizar previsões
Suponha que você tenha executado uma variedade de modelos de análise preditiva, incluindo árvores de decisão, florestas aleatórias e algoritmos que reunem-se. Você pode combinar todos esses resultados e apresentar uma narrativa consistente que todo o apoio. Aqui confiança é uma percentagem numérica que pode ser calculada utilizando uma função matemática.
O resultado do cálculo encapsula uma pontuação de como provável uma possível ocorrência é. No eixo x, os elementos de prova representa a fonte de conteúdo que foi analisado com modelos de conteúdo de análise que identificou os possíveis resultados.
Na maioria dos casos, o seu modelo preditivo teria processado um grande conjunto de dados, usando dados de várias fontes, para obter essas resultados possíveis. Assim, você precisa mostrar apenas os elementos de prova mais importante em sua visualização.
Um resumo dos resultados obtidos com a aplicação de análise preditiva é apresentado como uma visualização que ilustra os possíveis resultados, juntamente com uma pontuação de confiança e elementos de prova para cada um. Três cenários possíveis são mostradas:
O inventário do item A não acompanhar a demanda, se você não enviar pelo menos 100 unidades por semana para armazenar S. (pontuação de confiança:. 98 por cento)
O número de vendas vai aumentar em 40 por cento se você aumentar a produção de Item A em pelo menos 56 por cento. (Confiança pontuação: 83 por cento).
Uma campanha de marketing na Califórnia vai aumentar as vendas de itens A e D, mas não item K. (pontuação de confiança:. 72 por cento)
A pontuação de confiança representa a probabilidade de que cada cenário vai acontecer, de acordo com o seu modelo de análise preditiva. Note-se que elas são listadas aqui em ordem de probabilidade descendente.
Aqui os elementos de prova mais importante consiste em como excertos de várias fontes de conteúdo são apresentados ao longo do eixo x. Você pode referir-se a eles, se você precisa explicar como você chegou a um determinado cenário possível - e trotar para fora a evidência de que a suporta.
O poder por trás esta visualização é a sua simplicidade. Imagine-se, depois de meses de aplicação de análise preditiva para seus dados, trabalhar o seu caminho através de várias iterações, que você anda em uma reunião com o tomador de decisão. Você está armado com uma visualização de slides de três cenários possíveis que podem ter um enorme impacto sobre os negócios. Tal visualização cria discussões eficazes e podem levar a gestão de "aha" momentos.