Cómo visualizar los resultados analíticos de su modelo: agrupaciones ocultas, clasificaciones de datos y valores atípicos - Para Dummies

La visualización de los resultados de su análisis predictivo realmente ayuda a las partes interesadas a comprender los próximos pasos. Aquí hay algunas maneras de usar técnicas de visualización para informar los resultados de sus modelos a los interesados.

Cómo visualizar agrupaciones ocultas en sus datos

Agrupación de datos es el proceso de descubrir grupos ocultos de elementos relacionados dentro de sus datos. En la mayoría de los casos, un grupo (agrupación) consiste en objetos de datos del mismo tipo, como usuarios de redes sociales, documentos de texto o correos electrónicos.

Una forma de visualizar los resultados de un modelo de agrupamiento de datos es un gráfico que representa las comunidades sociales (clusters) que se descubrieron en los datos recopilados de los usuarios de redes sociales. Los datos sobre los clientes se recopilaron en un formato tabular; luego se aplicó un algoritmo de agrupación a los datos y se descubrieron los tres grupos (grupos): clientes leales, clientes itinerantes y clientes con descuentos.

Aquí la relación visual entre los tres grupos ya sugiere dónde los mejores esfuerzos de mercadotecnia podrían ser los más útiles.

Cómo visualizar resultados de clasificación de datos

Un modelo de clasificación asigna una clase específica a cada nuevo punto de datos que examina. Las clases específicas, en este caso, podrían ser los grupos que resultan de su trabajo de agrupamiento. La salida resaltada en el gráfico puede definir sus conjuntos de objetivos. Para cualquier nuevo cliente dado, un modelo de clasificación predictiva intenta predecir a qué grupo pertenecerá el nuevo cliente.

Después de aplicar un algoritmo de agrupación y descubrir agrupaciones en los datos del cliente, llega a un momento de verdad: aquí aparece un nuevo cliente: desea que el modelo prediga qué tipo de cliente o ella lo será

Aquí hay un ejemplo de cómo se alimenta la información de un nuevo cliente a su modelo de análisis predictivo, que a su vez predice a qué grupo de clientes pertenece este nuevo cliente. Los nuevos Clientes A, B y C están a punto de asignarse a los clusters según el modelo de clasificación.

La aplicación del modelo de clasificación dio como resultado una predicción de que el Cliente A pertenecería a los clientes leales, el Cliente B sería un vagabundo y el Cliente C solo aparecería por el descuento.

Cómo visualizar valores atípicos en sus datos

En el transcurso de la agrupación o clasificación de nuevos clientes, de vez en cuando se encuentra con valores atípicos , casos especiales que no se ajustan a las divisiones existentes.

En este ejemplo, algunos valores atípicos no encajan bien en los clústeres predefinidos. Seis clientes atípicos han sido detectados y visualizados. Se comportan de forma lo suficientemente diferente como para que el modelo no pueda decir si pertenecen a alguna de las categorías definidas de clientes. (¿Hay algo así como, digamos, un cliente leal y errante que solo está interesado en el descuento? Y si lo hay, ¿debería importarle a su negocio?)