Cómo visualizar los resultados analíticos de su modelo: árboles de decisión y predicciones
Video: Arboles de Decision
Al presentar los resultados de su análisis predictivo a sus grupos de interés, la creación de representaciones visuales de los datos puede ayudar a entender fácilmente la información y tomar decisiones bien informadas. Aquí hay dos métodos de representaciones visuales que se pueden utilizar:
Cómo visualizar árboles de decisión
Muchos modelos de uso árboles de decisión ya que sus salidas: Estos diagramas muestran los posibles resultados de los cursos de acción alternativos, dispuestas como las ramas de un árbol. Aquí está un ejemplo de un árbol de decisión utilizado como un clasificador: Clasifica los fanáticos del béisbol en base a unos criterios, principalmente la cantidad gastada en los billetes y las fechas de compra.
De esta visualización, puede predecir el tipo de ventilador que un nuevo billete-comprador será: casual, leal, carro, recalcitrante, o algún otro tipo. Los atributos de cada ventilador se mencionan en cada nivel en el árbol (número total de juegos asistido, la cantidad total gastada, la temporada) - se puede seguir un camino de una “raíz” en particular a una “hoja” específica en el árbol, donde Golpear una de las clases de ventilador (c1, c2, c3, c4, c5).
Video: Explicacion Arbol de decisiones
Supongamos que se desea determinar el tipo de ventilador de béisbol es un cliente para que pueda determinar qué tipo de anuncios de marketing para enviar al cliente. ¿Quieres saber si el cliente es un fanático del béisbol o alguien que sólo monta al carro.
Supongamos que la hipótesis de que los fanáticos de béisbol y los aficionados bandwagon se puede persuadir a comprar un coche nuevo (o de otros bienes discrecionales) cuando su equipo está haciendo bien y se dirigieron a los playoffs. Es posible que desee enviar anuncios de marketing y descuentos para persuadirlos a hacer la compra.
Además, supongamos que la hipótesis de que los aficionados bandwagon se puede persuadir a votar a favor de ciertas cuestiones políticas. Puede enviarlos comercialización de anuncios para pedirles que por ese apoyo. Si usted sabe qué tipo de base de seguidores que tiene, usando árboles de decisión puede ayudar a decidir cómo acercarse a ella como una gama de tipos de clientes.
Cómo visualizar predicciones
Suponga que haya ejecutado una serie de modelos de análisis predictivo, incluyendo árboles de decisión, bosques aleatorios, y los algoritmos que acuden. Se pueden combinar todos esos resultados y presentar una narrativa coherente que todo el apoyo. Aquí la confianza es un porcentaje numérico que puede ser calculado usando una función matemática.
El resultado del cálculo encapsula una puntuación de cuán probable es una posible ocurrencia. En el eje x, la evidencia de apoyo representa la fuente de contenido que se analizó con modelos contenido-Analytics que identificaron los posibles resultados.
En la mayoría de los casos, su modelo predictivo habría procesado un gran conjunto de datos, utilizando datos de varias fuentes, para obtener tales resultados posibles. Por lo tanto necesita mostrar sólo la evidencia de apoyo más importante en su visualización.
Un resumen de los resultados obtenidos de la aplicación de análisis predictivo se presenta como una visualización que ilustra los posibles resultados, junto con una puntuación de confianza y las pruebas para cada uno. Se muestran tres posibles escenarios:
El inventario del punto A no cumplir con la demanda si no se envía al menos 100 unidades por semana a la tienda S. (puntuación de confianza:. 98 por ciento)
El número de ventas se incrementará en un 40 por ciento si se aumenta la producción de un artículo en por lo menos el 56 por ciento. (Confianza Clasificación: 83 por ciento).
Una campaña de marketing en California aumentará las ventas de los incisos A y D, pero no del artículo K. (puntuación de confianza:. 72 por ciento)
La puntuación de confianza representa la probabilidad de que cada escenario va a pasar, de acuerdo con su modelo de análisis predictivo. Tenga en cuenta que se enumeran aquí en orden de probabilidad decreciente.
Aquí la evidencia de apoyo más importante consiste en la forma en extractos de varias fuentes de contenido se presentan sobre el eje x. Se puede hacer referencia a ellos si es necesario explicar cómo ha llegado a un caso concreto sea posible - y sacar a relucir la evidencia que lo soporta.
El poder detrás de esta visualización es su simplicidad. Imagínese, después de meses de la aplicación de análisis predictivo a sus datos, su forma de trabajo a través de varias iteraciones, que entras en una reunión con la toma de decisiones. Usted está armado con una visualización de diapositivas de tres escenarios posibles que pueden tener un gran impacto en el negocio. una visualización tales crea discusiones efectivas y puede conducir a la gestión momentos “ajá”.