Análise preditiva para manequins Cheum Sheet - dummies

Por Anasse Bari, Mohamed Chaouchi, Tommy Jung

Um projeto de análise preditiva combina a execução de detalhes com o pensamento de grande imagem. Essas dicas úteis e listas de verificação ajudarão a manter seu projeto nos trilhos e fora da floresta.

Construindo um modelo de análise preditiva

Um projeto de análise preditiva bem sucedida é executado passo a passo. Ao mergulhar nos detalhes do projeto, observe estes principais marcos:

Definindo Objetivos de Negócios

O projeto começa com o uso de um objetivo comercial bem definido. O modelo deve abordar uma questão comercial. Declarando claramente que esse objetivo permitirá que você defina o alcance do seu projeto e lhe fornecerá o teste exato para medir seu sucesso.
Preparando dados

Você usará dados históricos para treinar seu modelo. Os dados geralmente são dispersos em várias fontes e podem exigir limpeza e preparação. Os dados podem conter registros duplicados e outliers; dependendo da análise e do objetivo comercial, você decide se deseja mantê-los ou removê-los. Além disso, os dados podem ter valores em falta, podem precisar sofrer alguma transformação e podem ser usados para gerar atributos derivados que tenham mais poder preditivo para seu objetivo. Em geral, a qualidade dos dados indica a qualidade do modelo.
Amostragem de seus dados

Você precisará dividir seus dados em dois conjuntos: treinar e testar conjuntos de dados. Você constrói o modelo usando o conjunto de dados de treinamento. Você usa o conjunto de dados do teste para verificar a precisão da saída do modelo. Fazer isso é absolutamente crucial. Caso contrário, você corre o risco de superar seu modelo - treinando o modelo com um conjunto de dados limitado, a ponto de escolher todas as características (tanto o sinal quanto o ruído) que são verdadeiras para esse conjunto de dados específico. Um modelo que está superado para um conjunto de dados específico irá realizar miseravelmente quando você executá-lo em outros conjuntos de dados. Um conjunto de dados de teste garante uma maneira válida de medir com precisão o desempenho do seu modelo.
Construindo o Modelo

Às vezes, os dados ou os objetivos comerciais se prestam a um algoritmo ou modelo específico. Outras vezes, a melhor abordagem não é tão clara. À medida que você explora os dados, execute tantos algoritmos quanto possível; compare suas saídas. Baseie sua escolha do modelo final nos resultados globais. Às vezes você está melhor executando um conjunto de modelos simultaneamente nos dados e escolhendo um modelo final, comparando suas saídas.
Implementando o Modelo

Depois de construir o modelo, você deve implantá-lo para obter seus benefícios. Esse processo pode exigir a coordenação com outros departamentos.Aponte para a construção de um modelo implantável. Além disso, certifique-se de saber como apresentar seus resultados às partes interessadas da empresa de forma compreensível e convincente para que adotem seu modelo. Depois que o modelo for implantado, você precisará monitorar seu desempenho e continuar melhorando. A maioria dos modelos decai após um certo período de tempo. Mantenha seu modelo atualizado, atualizando-o com dados recém-disponíveis.

Fontes de dados para projetos de análise preditiva

Os dados para um projeto de análise preditiva podem vir de várias fontes diferentes. Algumas das fontes mais comuns estão dentro de sua própria organização; Outras fontes comuns incluem dados comprados de fornecedores externos.

As fontes de dados internas incluem

Dados transacionais, como compras de clientes
Perfis de clientes, tais como informações inseridas pelo usuário de formulários de registro
Histórico de campanhas, incluindo se os clientes responderam aos dados
Clickstream, incluindo os padrões dos cliques da web dos clientes
Interações do cliente, como as de e-mails, bate-papos, pesquisas e chamadas de serviço ao cliente
Dados gerados por máquina, como a de telemática, sensores e medidores inteligentes

As fontes de dados externas incluem

mídias sociais como Facebook, Twitter e LinkedIn
Serviços de assinatura, como Bloomberg, Thompson Reuters, Esri e Westlaw

Ao combinar dados de várias fontes de dados diferentes em seu previsão modelos, você pode obter uma visão geral melhor do seu cliente, portanto, um modelo mais preciso.

Garantir o sucesso ao usar o Predictive Analytics

Pense em análises preditivas como uma lâmpada brilhante alimentada por seus dados. A luz (insight) da análise preditiva pode fortalecer sua estratégia, agilizar suas operações e melhorar sua linha de fundo. As quatro recomendações seguintes podem ajudá-lo a garantir o sucesso das suas iniciativas de análise preditiva.

Fomentar uma cultura de mudança

A análise preditiva deve ser adotada em toda a organização como um todo. A organização deve abraçar a mudança. As partes interessadas de negócios devem estar prontas para incorporar recomendações e adotar os resultados derivados dos projetos de análise preditiva. Os resultados de um projeto de análise preditiva só são valiosos se os líderes empresariais estiverem dispostos a agir sobre eles.

Crie uma equipe de ciência de dados

Contrate uma equipe de ciência de dados cujo único trabalho é estabelecer e apoiar suas soluções de análise preditiva. Esta equipe de profissionais talentosos, que inclui analistas de negócios, cientistas de dados e tecnólogos de informação, está melhor equipada para trabalhar no projeto em tempo integral. Incluir uma variedade de origens profissionais pode trazer informações valiosas para a equipe de outros domínios. Selecionar membros da equipe de diferentes departamentos da sua organização pode ajudar a garantir um buy-in generalizado.

Use ferramentas de visualização efetivamente

A visualização é uma maneira poderosa de transmitir idéias complexas de forma eficiente. Usar a visualização de forma eficaz pode ajudá-lo a explorar e entender inicialmente os dados com os quais está trabalhando.As ajudas visuais, como os gráficos, também podem ajudá-lo a avaliar a saída do modelo ou comparar o desempenho de modelos preditivos.

Use ferramentas de análise preditiva

Poderosas ferramentas de análise preditiva estão disponíveis como pacotes de software no mercado. Eles são projetados para tornar todo o processo muito mais fácil. Sem o uso de tais ferramentas, construir um modelo a partir do zero rapidamente torna-se intensivo em tempo. Usar uma boa ferramenta de análise preditiva permite que você execute vários cenários e compare instantaneamente os resultados - tudo com alguns cliques. Uma ferramenta pode automatizar rapidamente muitas das etapas demoradas necessárias para construir e avaliar um ou mais modelos.