Comment définir et tester des prototypes de d'analyse prédictive

Un moyen efficace d'indiquer vos objectifs d'affaires pour l'analyse prédictive est clairement une liste à puces des décisions de l'utilisateur. Ensuite, exécutez votre prototype pour générer des prédictions et des scores pour chaque décision possible. Par exemple, dans un exemple de produit X, vous pouvez lister vos objectifs comme une série de décisions d'affaires possibles à évaluer:

• Augmenter le volume de produit X de vente

• Terminer la fabrication du produit X

• Changer la stratégie de marketing derrière le produit X

• Augmenter annonces dans un lieu géographique spécifique

• Augmenter annonces pour des clients spécifiques

Le modèle prédictif évaluera ces décisions en fonction de leur probabilité future de la rentabilité succès. La sortie pourrait indiquer, par exemple, que l'entreprise a une chance d'augmenter le bénéfice 80 pour cent en augmentant le volume de X. Produit des ventes

Comment trouver les données prédictive droit

Une fois que vous avez clairement indiqué l'objectif de l'entreprise et le problème que vous êtes prêt à attaquer, la prochaine étape est de recueillir les données que votre modèle prédictif va utiliser. Dans cette phase, vous devez identifier votre source (s) de données.

Par exemple, si vous développez un prototype pour prédire la bonne décision sur un produit spécifique, alors vous avez besoin de recueillir des données à la fois internes et externes pour ce produit. Vous ne devriez pas restreindre le type ou la source de données, aussi longtemps que cela est pertinent à l'objectif de l'entreprise.

Si (par exemple) de votre entreprise envisage l'introduction d'une nouvelle voiture de sport hybride, vous pouvez contacter le service des ventes et de recueillir des informations sur les données sur les ventes générées par les produits similaires. Vous pouvez contacter le département de génie pour savoir combien le coût des composants (que diriez-vous de ces batteries durent plus longtemps?), Ainsi que les ressources et le temps nécessaires pour produire le produit (toute réoutillage nécessaire?).

Vous pouvez également inclure des données sur les précédentes décisions prises au sujet d'un produit similaire (par exemple, un convertible maîtrisé introduit il ya quelques années), et leurs résultats (conditions du marché et des prix du carburant pesé sur les ventes).

Vous voudrez peut-être envisager d'utiliser les données de grandes liés au produit en question. Par exemple, télécharger commentaires des internautes sur les produits de l'entreprise, tweets, ou les messages Facebook où les produits sont mentionnés. Une façon de le faire est d'utiliser les interfaces de programmation d'application (API) fournies par ces sociétés.

Par exemple, si vous voulez rassembler les tweets qui contiennent un mot spécifique, Twitter fournit un ensemble d'API que vous pouvez utiliser pour télécharger ces tweets. Il ya une limite à la quantité de données que vous pouvez capturer libre de charge-, dans certains cas, vous pourriez avoir à payer pour continuer à télécharger les données nécessaires à partir de Twitter.

Lorsque vous avez déterminé les données les plus pertinentes et la source la plus utile à partir de laquelle l'obtenir, commencer à stocker les données que vous souhaitez utiliser pour votre modèle prédictif. Les données peuvent avoir besoin de subir un certain prétraitement.

Comment concevoir votre modèle prédictif

Pour un prototype, votre entrée peut être une matrice de données qui représentent des facteurs connus dérivés des données historiques.

Une telle matrice de données, l'analyse, peut produire une sortie qui ressemble à ceci:

57,6 pour cent des clients ont déclaré qu'ils étaient mécontents avec le produit.

Le produit nécessite trois heures en moyenne pour produire.

Sentiment positif sur le produit est de 80 pour cent.

Les entrées du modèle prototype pourraient inclure des données historiques sur les produits similaires, les décisions correspondantes prises à leur sujet, et l'impact de ces décisions sur vos processus d'affaires. La sortie du prototype serait prédictions et leurs scores correspondants comme actions possibles vers la réalisation des objectifs que vous avez défini.

Pour obtenir un prototype utilisable, vous devez utiliser un mélange de techniques pour construire le modèle. Par exemple, vous pouvez utiliser algorithme k-means comme l'un des clusters algorithms- vous pouvez l'utiliser pour créer des grappes comme celles-ci:

• Les produits qui ont été résiliés - et l'impact de cette décision sur le résultat

• Les produits qui ont été augmentés en volume et l'impact de cette décision sur le résultat

• Produits dont la stratégie commerciale a été changé et le bénéfice de l'impact de cette décision

Ensuite, vous pouvez utiliser des algorithmes de classement comme un arbre de décision ou Na # 239-ve de Bayes qui classer ou prédire des valeurs (telles que la valeur des bénéfices des ventes) pour le produit en question (produit X) manquant.

Comment identifier vos données de test

Pour évaluer votre modèle d'analyse prédictive, vous devez lancer le modèle sur certaines données de test qu'il n'a pas encore vu. Vous pouvez exécuter le modèle sur plusieurs ensembles de données historiques comme entrée et enregistrer le nombre des prédictions du modèle se révéler corrects.

Comment faire fonctionner le modèle sur les données de test

L'évaluation de votre modèle prédictif est un processus itératif - essentiellement essais et d'erreurs. Des modèles efficaces résultent rarement d'un simple premier test. Si votre modèle prédictif produit 100 pour cent de précision, considérer ce résultat trop beau pour être vrai-chose suspect de mal à vos données ou vos algorithmes.

Par exemple, si le premier algorithme que vous utilisez pour construire votre prototype est le Na # 239-ve Bayes classificateur et vous n'êtes pas satisfait avec les prédictions il vous donne lorsque vous exécutez les données de test, essayez un autre algorithme comme le plus proche classificateur Neighbor . Continuez à lancer d'autres algorithmes jusqu'à ce que vous trouviez celle qui est la plus cohérente et fiable de prédiction.

Lors de l'essai, vous pourriez découvrir que vous avez besoin de revoir les données initiales que vous avez utilisé pour construire le modèle de prototype. Vous pourriez avoir besoin de trouver des données plus pertinentes pour votre analyse.

Par mesure de précaution, vérifiez toujours que les étapes impliquées dans la construction du modèle sont correctes. En outre, en comparant la sortie du modèle sur l'ensemble de données de test pour les résultats réels vous aidera à évaluer la précision de votre modèle.

Plus la confiance dans les résultats de votre modèle prédictif, plus il est facile pour les parties prenantes pour approuver son déploiement.

Pour vous assurer que votre modèle est exacte, vous devez évaluer si le modèle répond à ses objectifs d'affaires. Les experts du domaine peuvent vous aider à interpréter les résultats de votre modèle.