Come visualizzare i risultati analitici del modello: raggruppamenti nascosti, classificazioni dei dati e valori anomali - dummies

La visualizzazione dei risultati dell'analisi predittiva aiuta davvero gli stakeholder a comprendere i passaggi successivi. Ecco alcuni modi per utilizzare le tecniche di visualizzazione per riportare i risultati dei tuoi modelli agli stakeholder.

Come visualizzare i raggruppamenti nascosti nei dati

Il raggruppamento dei dati è il processo di individuazione di gruppi nascosti di elementi correlati all'interno dei dati. Nella maggior parte dei casi, un cluster (raggruppamento) è costituito da oggetti dati dello stesso tipo come utenti di social network, documenti di testo o e-mail.

Un modo per visualizzare i risultati di un modello di cluster di dati è un grafico che rappresenta le comunità sociali (cluster) che sono state scoperte nei dati raccolti dagli utenti dei social network. I dati sui clienti sono stati raccolti in un formato tabulare; quindi è stato applicato un algoritmo di clustering ai dati e sono stati individuati i tre cluster (gruppi): clienti fedeli, clienti erranti e clienti scontati.

Qui la relazione visiva tra i tre gruppi suggerisce già dove gli sforzi di marketing potenziati potrebbero fare il meglio.

Come visualizzare i risultati della classificazione dei dati

Un modello di classificazione assegna una classe specifica a ciascun nuovo punto di dati che esamina. Le classi specifiche, in questo caso, potrebbero essere i gruppi risultanti dal lavoro di clustering. L'output evidenziato nel grafico può definire i set di target. Per ogni nuovo cliente, un modello di classificazione predittivo tenta di prevedere a quale gruppo apparterrà il nuovo cliente.

Dopo aver applicato un algoritmo di clustering e scoperto i raggruppamenti nei dati del cliente, si giunge a un momento di verità: ecco che arriva un nuovo cliente - si desidera che il modello preveda quale tipo di cliente o lei lo sarà.

Ecco un esempio di come le informazioni di un nuovo cliente vengono fornite al tuo modello di analisi predittiva, che a sua volta predice quale gruppo di clienti questo nuovo cliente appartiene. I nuovi clienti A, B e C stanno per essere assegnati ai cluster secondo il modello di classificazione.

L'applicazione del modello di classificazione ha portato a prevedere che il cliente A sarebbe appartenuto ai clienti fedeli, il cliente B sarebbe un vagabondo e il cliente C si sarebbe presentato solo per lo sconto.

Come visualizzare i valori anomali nei dati

Nel corso del raggruppamento o della classificazione di nuovi clienti, di tanto in tanto si verificano valori anomali - casi speciali che non si adattano alle divisioni esistenti.

In questo esempio, alcuni valori anomali non si adattano bene ai cluster predefiniti. Sei clienti anomali sono stati rilevati e visualizzati. Si comportano in modo abbastanza diverso che il modello non può dire se appartengono a una delle categorie definite di clienti. (Esiste una cosa come, ad esempio, un cliente errante fedele che è interessato solo allo sconto? E se c'è, dovrebbe interessare la tua attività?)