Como visualizar os resultados analíticos do seu modelo: agrupamentos ocultos, classificações de dados e outliers - manequins

A visualização dos resultados de sua análise preditiva realmente ajuda as partes interessadas a entender os próximos passos. Aqui estão algumas maneiras de usar técnicas de visualização para reportar os resultados dos seus modelos às partes interessadas.

Como visualizar agrupamentos ocultos em seus dados

O agrupamento de dados é o processo de descobrir grupos ocultos de itens relacionados em seus dados. Na maioria dos casos, um cluster (agrupamento) consiste em objetos de dados do mesmo tipo, como usuários de redes sociais, documentos de texto ou e-mails.

Uma maneira de visualizar os resultados de um modelo de cluster de dados é um gráfico que representa comunidades sociais (clusters) que foram descobertas em dados coletados de usuários de redes sociais. Os dados sobre clientes foram coletados em um formato tabular; então um algoritmo de agrupamento foi aplicado aos dados, e os três grupos (grupos) foram descobertos: clientes fiéis, clientes errantes e clientes com desconto.

Aqui, a relação visual entre os três grupos já sugere onde os esforços de marketing aprimorados podem ser os mais bons.

Como visualizar os resultados da classificação de dados

Um modelo de classificação atribui uma classe específica a cada novo ponto de dados que examina. As classes específicas, nesse caso, podem ser os grupos resultantes do seu trabalho de clustering. A saída destacada no gráfico pode definir seus conjuntos de destino. Para qualquer novo cliente, um modelo de classificação preditiva tenta prever a qual grupo o novo cliente irá pertencer.

Depois de aplicar um algoritmo de cluster e descobriu agrupamentos nos dados do cliente, você chegou a um momento de verdade: aqui vem um novo cliente - você quer que o modelo preveja que tipo de cliente ele ou ela será.

Aqui está um exemplo de como as informações de um novo cliente são fornecidas ao seu modelo de análise preditiva, que por sua vez prevê qual grupo de clientes pertence esse novo cliente. Novos clientes A, B e C estão prestes a ser atribuídos a clusters de acordo com o modelo de classificação.

A aplicação do modelo de classificação resultou em uma previsão de que o Cliente A pertenceria aos clientes leais, o Cliente B seria um andarilho e o Cliente C só estava aparecendo para o desconto.

Como visualizar valores atípicos em seus dados

No decorrer do agrupamento ou classificação de novos clientes, de vez em quando você se encontra em outliers - casos especiais que não se encaixam nas divisões existentes.

Neste exemplo, alguns outliers não se encaixam bem nos clusters predefinidos. Seis clientes externos foram detectados e visualizados. Eles se comportam de forma diferente que o modelo não pode dizer se eles pertencem a categorias definidas de clientes. (Existe tal como, digamos, um fiel cliente errante que só está interessado no desconto? E, se houver, o seu negócio deve se importar?)