Cómo visualizar los resultados analíticos de su modelo: árboles de decisión y predicciones

Al presentar los resultados de su análisis predictivo a sus grupos de interés, la creación de representaciones visuales de los datos puede ayudar a comprender 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 utilizan árboles de decisión como sus salidas: Estos diagramas muestran los posibles resultados de los cursos de acción alternativos, dispuestas como las ramas de un árbol. He aquí un ejemplo de un árbol de decisión utilizado como un clasificador: Clasifica los fanáticos del béisbol en base a unos criterios, principalmente el monto gastado en los billetes y las fechas de compra.

Desde esta visualización, puede predecir el tipo de ventilador que un nuevo ticket-comprador será: casual, leal, carro, intransigente, o algún otro tipo. Los atributos de cada ventilador se mencionan en cada nivel en el árbol (número total de juegos que asistieron, la cantidad total gastada, la temporada) - se puede seguir un camino de una "raíz" en particular a una "hoja" específica en el árbol, donde se golpea una de las clases de ventilador (c1, c2, c3, c4, c5).

Suponga que desea determinar el tipo de fanático del béisbol un cliente es 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 y aficionados bandwagon béisbol pueden ser persuadidos para comprar un coche nuevo (u otros bienes discrecionales) cuando su equipo está haciendo bien y se dirigieron a los playoffs. Es posible que desee enviarles anuncios de marketing y descuentos para persuadirlos a hacer la compra.

Además, supongamos que la hipótesis de que los fans bandwagon pueden ser persuadidos a votar en apoyo de ciertas cuestiones políticas. Usted puede enviar la comercialización de anuncios pidiéndoles que por ese apoyo. Si usted sabe qué tipo de base de fans que tiene, utilizando árboles de decisión puede ayudarle a decidir cómo acercarse a ella como una amplia gama de tipos de clientes.

Cómo visualizar predicciones

Supongamos que haya ejecutado una serie de modelos de predicción de análisis, incluyendo los árboles de decisión, los bosques al azar, y los algoritmos que acuden. Puede combinar todos esos resultados y presentar una narrativa coherente que todo el apoyo. Aquí la confianza es un porcentaje numérico que se puede calcular mediante una función matemática.

El resultado del cálculo encapsula una puntuación de cómo probable una posible ocurrencia es. En el eje x, la evidencia de apoyo representa la fuente de contenido que se analizó con los modelos de contenido de análisis que identifican los posibles resultados.

En la mayoría de los casos, su modelo predictivo habría procesado un gran conjunto de datos, a partir de datos de diversas fuentes, para obtener tales resultados posibles. Por lo tanto usted 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 muestra los posibles resultados, junto con una puntuación de confianza y las pruebas para cada uno. Tres escenarios posibles se muestran:

• El inventario de Punto A no cumplir con la demanda si no se envía al menos 100 unidades semanales de guardar 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 56 por ciento. (Confianza puntuación: 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 suceder, de acuerdo a su modelo de análisis predictivo. Tenga en cuenta que se enumeran aquí en orden de probabilidad descendente.

Aquí la evidencia de apoyo más importante consiste en cómo se presentan extractos de varias fuentes de contenido sobre el eje x. Puede referirse a ellos si es necesario para explicar cómo ha llegado a un escenario en particular sea posible - y sacar a relucir la evidencia que la sustenta.

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 sola visualización de diapositivas de tres posibles escenarios que podrían tener un gran impacto en el negocio. Una visualización Tal crea discusiones efectivas y puede llevar la gestión de "aha" momentos.