Creazione di un modello di predittiva per l'analisi dei dati - dummies

Parte di Predictive Analytics For Dummies Cheat Sheet

Un progetto di analisi predittiva di successo viene eseguito passo dopo passo. Mentre ti immergi nei dettagli del progetto, osserva queste importanti pietre miliari:

1. Definizione degli obiettivi aziendali

   Il progetto inizia con l'utilizzo di un obiettivo aziendale ben definito. Il modello dovrebbe rispondere a una domanda aziendale. Chiaramente affermando che l'obiettivo ti consentirà di definire l'ambito del tuo progetto e ti fornirà il test esatto per misurare il suo successo.

2. Preparazione dati

   Utilizzerai i dati storici per addestrare il tuo modello. I dati sono solitamente distribuiti su più fonti e possono richiedere pulizia e preparazione. I dati possono contenere record duplicati e valori anomali; a seconda dell'analisi e dell'obiettivo aziendale, decidi se mantenerli o rimuoverli. Inoltre, i dati potrebbero avere valori mancanti, potrebbe essere necessario subire alcune trasformazioni e potrebbero essere utilizzati per generare attributi derivati ​​che hanno più potere predittivo per il tuo obiettivo. Nel complesso, la qualità dei dati indica la qualità del modello.

3. Campionamento dei dati

   Sarà necessario suddividere i dati in due set: set di dati di addestramento e test. Costruisci il modello utilizzando il set di dati di addestramento. Si utilizza il set di dati di test per verificare la precisione dell'output del modello. Fare ciò è assolutamente cruciale. Altrimenti si corre il rischio di sovrascrivendo il proprio modello - allenando il modello con un set di dati limitato, al punto che raccoglie tutte le caratteristiche (sia il segnale che il rumore) che sono veri solo per quel particolare set di dati. Un modello che è sovralimentato per un set di dati specifico funzionerà miseramente quando lo si esegue su altri set di dati. Un set di dati di test garantisce un modo valido per misurare con precisione le prestazioni del modello.

4. Costruzione del modello

   A volte i dati o gli obiettivi aziendali si prestano ad un algoritmo o modello specifico. Altre volte l'approccio migliore non è così chiaro. Mentre esplori i dati, esegui quanti più algoritmi puoi; confrontare i loro risultati. Basare la scelta del modello finale sui risultati complessivi. A volte è meglio gestire simultaneamente un insieme di modelli sui dati e scegliere un modello finale confrontando i loro risultati.

5. Distribuzione del modello

   Dopo aver creato il modello, è necessario distribuirlo per sfruttarne i vantaggi. Tale processo potrebbe richiedere il coordinamento con altri dipartimenti. Mira a costruire un modello dispiegabile. Assicurati inoltre di sapere come presentare i risultati agli stakeholder aziendali in modo comprensibile e convincente in modo che adottino il tuo modello.Dopo che il modello è stato distribuito, dovrai monitorare le sue prestazioni e continuare a migliorarlo. La maggior parte dei modelli decadono dopo un certo periodo di tempo. Mantieni aggiornato il tuo modello aggiornandolo con i nuovi dati disponibili.