Un projet d'analyse prédictive de succès est exécuté étape par étape. Comme vous vous immergez dans les détails du projet, regarder pour ces grandes étapes:
Définir des objectifs d'affaires
Le projet commence avec l'aide d'un objectif d'affaires bien défini. Le modèle est censé répondre à une question d'affaires. Indiquant clairement cet objectif vous permettra de définir la portée de votre projet, et vous fournira avec le test exact de mesurer son succès.
Préparation des données
Vous allez utiliser des données historiques pour former votre modèle. Les données sont généralement dispersés à travers de multiples sources et peut exiger le nettoyage et la préparation. Les données peuvent contenir des enregistrements en double et outliers- en fonction de l'analyse et de l'objectif de l'entreprise, vous décidez de conserver ou de les supprimer. En outre, les données pourraient avoir des valeurs manquantes, peut-être besoin de subir une transformation, et peuvent être utilisés pour générer des attributs dérivés qui ont plus de pouvoir prédictif pour votre objectif. Dans l'ensemble, la qualité des données indique la qualité du modèle.
Échantillonnage vos données
Vous devez diviser vos données en deux ensembles: formation et de test des ensembles de données. Vous construisez le modèle en utilisant les données de la formation. Vous utilisez les données d'essai pour vérifier l'exactitude de la sortie du modèle. Cela est absolument crucial. Sinon, vous courez le risque de overfitting votre modèle - l'apprentissage du modèle avec un ensemble de données limitée, au point qu'il prend toutes les caractéristiques (à la fois le signal et le bruit) qui sont seulement vrai pour ce jeu de données particulier. Un modèle qui a overfitting pour un ensemble de données spécifique effectuera lamentablement lorsque vous exécutez sur d'autres ensembles de données. Un ensemble de données de test assure un moyen valable de mesurer avec précision les performances de votre modèle.
Construction du modèle
Parfois, les données ou les objectifs commerciaux se prêtent à un algorithme ou un modèle spécifique. D'autres fois, la meilleure approche est pas si claire. Comme vous explorer les données, exécuter autant d'algorithmes que vous ne pouvez comparer leurs sorties. Basez votre choix du modèle final sur les résultats globaux. Parfois, vous êtes mieux de l'exécution d'un ensemble de modèles simultanément sur les données et en choisissant un modèle final en comparant leurs sorties.
Déploiement du modèle
Après la construction du modèle, vous avez à déployer afin de profiter de ses avantages. Ce processus peut nécessiter une coordination avec d'autres ministères. Visent à construire un modèle déployable. Aussi soyez sûr que vous savez comment présenter vos résultats aux parties prenantes d'affaires d'une manière compréhensible et convaincante afin qu'ils adoptent votre modèle. Après le modèle est déployé, vous aurez besoin de surveiller sa performance et continuer à l'améliorer. La plupart des modèles décroissance après une certaine période de temps. Gardez votre modèle à jour en rafraîchissant avec des données nouvellement disponibles.
Sources de données pour analyse prédictive Projets
Les données pour un projet d'analyse prédictive peuvent provenir de plusieurs sources différentes. Certaines des sources les plus courantes sont à vos propres autres sources communes organisation- comprennent des données achetées auprès de fournisseurs extérieurs.
Sources de données internes comprennent
Les données transactionnelles, telles que les achats des clients
Des profils de clients, tels que les informations saisies par l'utilisateur à partir des formulaires d'inscription
Histoires de la campagne, y compris si les clients ont répondu à des annonces
Les données de parcours, y compris les motifs des clics web des clients
Interactions des clients, tels que ceux des e-mails, les chats, les enquêtes et les appels de service client
Les données générées par une machine, comme celui de la télématique, de capteurs et de compteurs intelligents
Sources de données externes comprennent
Les médias sociaux tels que Facebook, Twitter et LinkedIn
Les services d'abonnement tels que Bloomberg, Reuters Thompson, Esri et Westlaw
En combinant les données provenant de plusieurs sources de données disparates dans vos modèles prédictifs, vous pouvez obtenir une meilleure vue d'ensemble de votre client, donc un modèle plus précis.
Assurer le succès lors de l'utilisation de l'analyse prédictive
Pensez à l'analyse prédictive comme une ampoule lumineuse alimentée par vos données. La lumière (aperçu) à partir de l'analyse prédictive peut permettre à votre stratégie, de rationaliser vos opérations, et d'améliorer votre ligne de fond. Les suivants quatre recommandations peuvent vous aider à assurer la réussite de vos initiatives d'analyse prédictive.
Favoriser une culture du changement
L'analyse prédictive devraient être adoptées à travers l'organisation dans son ensemble. L'organisation devrait embrasser le changement. Les entreprises intéressées doivent être prêtes à intégrer les recommandations et adopter des conclusions issues des projets d'analyse prédictive. Les résultats d'une analyse prédictive projets sont valable que si les chefs d'entreprise sont prêts à agir sur eux.
Créer une équipe de données scientifiques
Recrutez une équipe de données scientifiques dont la seule tâche est d'établir et de soutenir vos solutions d'analyse prédictive. Cette équipe de professionals- talentueuse comprenant analystes d'affaires, de scientifiques, de données et technologues de l'information - est mieux équipé pour travailler sur le projet à temps plein. Y compris une gamme de milieux professionnels peut apporter des éléments précieux à l'équipe d'autres domaines. Sélection membres de l'équipe de différents départements de votre organisation peut aider à assurer un buy-in très répandue.
Utilisez des outils de visualisation efficace
La visualisation est un puissant moyen de transmettre des idées complexes de manière efficace. Utilisation de la visualisation efficace peut vous aider d'abord explorer et de comprendre les données que vous travaillez avec. Les aides visuelles telles que des graphiques peuvent également vous aider à évaluer la sortie du modèle ou de comparer la performance des modèles prédictifs.
Utilisez des outils d'analyse prédictive
De puissants outils d'analyse prédictive sont disponibles sous forme de paquets de logiciels sur le marché. Ils sont conçus pour rendre le processus beaucoup plus facile. Sans l'utilisation de ces outils, la construction d'un modèle à partir de zéro devient rapidement beaucoup de temps. L'utilisation d'un bon outil d'analyse prédictive vous permet d'exécuter plusieurs scénarios et instantanément comparer les résultats - le tout avec quelques clics. Un outil peut rapidement automatiser de nombreuses étapes fastidieuses nécessaires pour construire et évaluer un ou plusieurs modèles.
Comment trouver la valeur dans vos données d'analyse prédictive