Como definir e testar protótipos de análise preditiva

Uma forma eficaz de afirmar seus objetivos de negócios para análise preditiva é claramente como uma lista com marcadores de decisões usuário. Em seguida, execute o seu protótipo para gerar previsões e pontuações para cada decisão possível. Por exemplo, em um exemplo de produto X, você poderia listar seus objetivos como uma gama de possíveis decisões de negócios a ser avaliado:

• Aumentar o volume de vendas do produto X

• Terminar fabricação de produto X

• Mudar a estratégia de marketing por trás produto X

• Aumentar anúncios em uma localização geográfica específica

• Aumentar anúncios para clientes específicos

O modelo preditivo irá avaliar essas decisões de acordo com o seu futuro probabilidade de rentabilidade bem sucedido. A saída pode indicar, por exemplo, que a empresa tem uma chance de 80 por cento do lucro aumentando, aumentando o volume de vendas de Produto X.

Como encontrar os dados de previsão direita

Depois de ter claramente o objetivo de negócio e o problema que você está disposto a enfrentar, o próximo passo é coletar os dados que o modelo preditivo irá utilizar. Nesta fase, você tem que identificar a sua fonte (s) de dados.

Por exemplo, se você está desenvolvendo um protótipo para prever a decisão certa em um produto específico, então você precisa para reunir dados internos e externos para esse produto. Você não deve restringir o tipo ou fonte de dados, contanto que ele é relevante para o objetivo do negócio.

Se (digamos) a sua empresa está considerando a introdução de um novo carro esporte híbrido, você pode entrar em contato com o departamento de vendas e reunir informações sobre os dados de vendas geradas por produtos semelhantes. Você pode entrar em contato com o departamento de engenharia para descobrir o quanto o custo de componentes (como sobre aqueles mais duradouras baterias?), Bem como os recursos e tempo necessários para produzir o produto (qualquer retooling necessário?).

Você pode também incluir dados sobre decisões anteriores feitos sobre um produto similar (digamos, um conversível overpowered introduzida há alguns anos), eo seu resultado (condições de mercado e os preços dos combustíveis deprimido vendas).

Você pode querer considerar o uso de grandes dados relacionados com o produto em questão. Por exemplo, baixar opiniões dos clientes sobre os produtos da empresa, tweets ou posts no Facebook, onde os produtos são mencionados. Uma maneira de fazer isso é usar interfaces de programação de aplicativos (APIs) fornecidas por essas empresas.

Video: Amostra do Curso Prático Testando Componentes no Circuito

Por exemplo, se você deseja reunir os tweets que contenham uma palavra específica, Twitter fornece um conjunto de APIs que você pode usar para baixar esses tweets. Há um limite para a quantidade de dados que você pode capturar gratuito- em alguns casos, você pode ter que pagar para manter o download dos dados necessários de Twitter.

Quando você tiver determinado os dados mais relevantes e a fonte mais útil do que para obtê-lo, começar a armazenar os dados que você pretende usar para o seu modelo preditivo. Os dados podem precisar de sofrer alguma pré-processamento.

Video: A Armadura do Homem de Ferro | Nerdologia 77

Como projetar seu modelo preditivo

Para um protótipo, sua entrada poderia ser uma matriz de dados que representa fatores conhecidos derivados de dados históricos.

Essa matriz de dados, quando analisados, pode produzir uma saída que é algo como isto:

57,6 por cento dos clientes afirmaram que estavam descontentes com o produto.

O produto requer três horas em média para produzir.

sentimento positivo sobre o produto é de 80 por cento.

Entradas para o modelo de protótipo poderia incluir dados históricos sobre produtos semelhantes, as decisões correspondentes feitas sobre eles, e o impacto dessas decisões sobre seus processos de negócios. A saída do protótipo seria previsões e suas pontuações correspondentes como possíveis ações para atingir os objetivos que você definiu.

Para obter um protótipo utilizável, você tem que empregar uma mistura de técnicas para construir o modelo. Por exemplo, você poderia usar o algoritmo K-means como um dos clusters algorithms- você poderia usá-lo para construir grupos como estes:

Video: TESTE APS - MODELO 2

• Os produtos que foram terminadas - e impacto que da decisão sobre o lucro

• Os produtos que foram aumentadas em volume e impacto dessa decisão sobre o lucro

• Os produtos cuja estratégia de marketing foi mudado e lucro impacto dessa decisão

Em seguida, você poderia usar algoritmos de classificação, como uma árvore de decisão ou Naïve Bayes que classificar ou prever valores (como valor de lucro das vendas) para o produto em questão (produto X) faltando.

Como identificar os dados de teste

Para avaliar o seu modelo de análise preditiva, você tem que executar o modelo sobre alguns dados de teste que não tenha visto ainda. Você poderia executar o modelo ao longo de vários conjuntos de dados históricos como entrada e gravar quantas das previsões do modelo vir a correta.

Como executar o modelo em dados de teste

Avaliando seu modelo preditivo é um processo iterativo - essencialmente de tentativa e erro. modelos eficazes raramente resultam de um primeiro teste simples. Se o seu modelo preditivo produz 100 por cento de precisão, considere esse resultado muito bom para ser verdade- suspeitar de algo errado com seus dados ou os seus algoritmos.

Por exemplo, se o primeiro algoritmo que você usar para construir o seu protótipo é o classificador Naïve Bayes e você não está satisfeito com as previsões que lhe dá quando você executar os dados de teste, tente outro algoritmo, como o mais próximo classificador vizinho. Continue correndo outros algoritmos até encontrar aquele que é mais consistente e confiável de previsão.

Durante o teste, você pode descobrir que você precisa de rever os dados iniciais que você usou para construir o modelo de protótipo. Você pode precisar de encontrar dados mais relevantes para a sua análise.

Como medida de precaução, sempre verificar se as etapas envolvidas na construção do modelo estão corretas. Além disso, comparando a saída do modelo no conjunto de dados de teste para os resultados reais vai ajudá-lo a avaliar a precisão do seu modelo.

Quanto maior for a confiança nos resultados do seu modelo preditivo, o mais fácil é para as partes interessadas para aprovar a sua implantação.

Video: Teste: Honda Biz 125 EX

Para certificar-se de que o seu modelo é precisa, você precisa avaliar se o modelo satisfaz os seus objectivos de negócio. Especialistas de domínio pode ajudá-lo a interpretar os resultados de seu modelo.