Bygga en förutsägbar Analytics-modell - dummies

Del av Prediktiv Analytics för Dummies Cheat Sheet

Ett framgångsrikt predictive analytics-projekt utförs steg för steg. När du fördjupar dig i detaljerna i projektet, se upp för dessa viktiga milstolpar:

1. Definiera företagsmål

   Projektet börjar med ett väldefinierat affärsmål. Modellen ska ta upp en affärsfråga. Att tydligt ange det målet kommer att låta dig definiera omfattningen av ditt projekt och ge dig det exakta testet för att mäta framgången.

2. Förbereda data

   Du använder historiska data för att träna din modell. Uppgifterna är vanligen spridda över flera källor och kan kräva rengöring och förberedelse. Data kan innehålla dubbla poster och utjämnare; Beroende på analys och affärsmål bestämmer du om du vill behålla eller ta bort dem. Dataen kan också ha saknade värden, kan behöva genomgå viss omvandling och kan användas för att generera härledda attribut som har mer förutsägande kraft för ditt mål. Sammantaget indikerar kvaliteten på data kvaliteten på modellen.

3. Provtagning av dina data

   Du måste dela upp data i två uppsättningar: träning och testning av dataset. Du bygger modellen med träningsdatasatsen. Du använder testdatasatsen för att verifiera exaktheten av modellens utdata. Att göra det är helt avgörande. Annars riskerar du att överfatta din modell - träna modellen med ett begränsat dataset, till den punkt att det väljer alla egenskaper (både signalen och bruset) som bara är sanna för den aktuella datasatsen. En modell som överföras för en viss dataset kommer att fungera elakt när du kör den på andra dataset. En testdataset säkerställer ett giltigt sätt att exakt mäta modellens prestanda.

4. Bygga modellen

   Ibland lånar data eller affärsmål till en specifik algoritm eller modell. Andra gånger är det bästa sättet inte så klart. När du utforskar data, kör så många algoritmer som möjligt. jämföra deras resultat. Basera ditt val på den slutliga modellen på de övergripande resultaten. Ibland är det bättre att köra ett ensemble av modeller samtidigt på data och välja en slutlig modell genom att jämföra sina utgångar.

5. Implementera modellen

   Efter att ha byggt modellen måste du distribuera den för att kunna dra fördel av det. Den processen kan kräva samordning med andra avdelningar. Syfte med att bygga en implementerbar modell. Också vara säker på att du vet hur du presenterar dina resultat för företagets intressenter på ett förståeligt och övertygande sätt så att de antar din modell.När modellen har implementerats måste du övervaka prestanda och fortsätta förbättra den. De flesta modeller förfallna efter en viss tid. Håll din modell uppdaterad genom att uppdatera den med ny tillgänglig data.