Predictive Analytics for Dummies Cheat Sheet

Genom Anasse Bari, Mohamed Chaouchi, Tommy Jung

Ett prediktivt analysprojekt kombinerar utförandet av detaljer med storbildstänkande. Dessa praktiska tips och checklistor hjälper dig att hålla ditt projekt på skenorna och ut ur skogen.

Bygga en förutsägbar Analytics-modell

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

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.
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.
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 gäller 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.
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 du bättre att köra ett ensemble av modeller samtidigt på data och välja en slutlig modell genom att jämföra sina utgångar.
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.

Datakällor för prediktiva Analytics-projekt

Data för ett prognosprojekt kan komma från många olika källor. Några av de vanligaste källorna finns inom din egen organisation. Andra vanliga källor inkluderar data inköpta från externa leverantörer.

Interna datakällor inkluderar

Transaktionsdata, t.ex. kundköp
Kundeprofiler, t.ex. användarinmatad information från registreringsformulär
Kampanjhistorik, inklusive om kunder har svarat på s
Clickstream-data, inklusive mönster för kunders webbklicks
Kundtolkningar, t.ex. från e-postmeddelanden, chattar, undersökningar och kundservicesamtal
Maskingenererade data, t.ex. från telematik, sensorer och smarta mätare

Externa datakällor inkluderar

Sociala medier som Facebook, Twitter och LinkedIn
Prenumerationstjänster som Bloomberg, Thompson Reuters, Esri och Westlaw

Genom att kombinera data från flera olika datakällor i ditt prediktiva modeller kan du få en bättre överblick över din kund, vilket är en mer exakt modell.

Säkerställa framgång vid användning av förutsägbar Analytics

Tänk på predictive analytics som en ljus glödlampa som drivs av dina data. Ljuset (insikt) från prediktiv analys kan stärka din strategi, effektivisera din verksamhet och förbättra din bottenlinje. Följande fyra rekommendationer kan hjälpa dig att säkerställa framgång för dina predictive analytics-initiativ.

Uppmuntra en kultur av förändring

Prediktiv analys bör antas över hela organisationen. Organisationen bör omfamna förändringar. Affärsrelaterade aktörer bör vara redo att införliva rekommendationer och anta resultat från de prediktiva analysprojekten. Resultaten av ett prognosprojekt är endast värdefulla om företagsledarna är villiga att agera på dem.

Skapa ett datavetenskapsteam

Hyr ett datavetenskapsteam vars enda arbete är att etablera och stödja dina predictive analytics-lösningar. Det här teamet av begåvade proffs - bestående av affärsanalysatorer, datavetenskapare och informationsteknologer - är bättre rustade att arbeta med projektet på heltid. Inklusive en rad professionella bakgrunder kan ge värdefulla insikter till laget från andra domäner. Att välja lagmedlemmar från olika avdelningar i din organisation kan hjälpa till att säkerställa ett utbrett inköp.

Använda visualiseringsverktyg effektivt

Visualisering är ett effektivt sätt att effektivt överföra komplexa idéer. Genom att använda visualisering kan du hjälpa dig att först och främst utforska och förstå de data du jobbar med.Visuella hjälpmedel som diagram kan också hjälpa dig att utvärdera modellens resultat eller jämföra prestandan hos prediktiva modeller.

Använd prediktiva analysverktyg

Kraftfulla förutsägbara analysverktyg finns som programvarupaket på marknaden. De är utformade för att göra hela processen mycket enklare. Utan att använda sådana verktyg blir snabbt byggandet av en modell från början helt tidsintensiv. Med ett bra predictive analytics-verktyg kan du köra flera scenarier och jämföra resultaten direkt - allt med några få klick. Ett verktyg kan snabbt automatisera många tidskrävande steg som krävs för att bygga och utvärdera en eller flera modeller.