Analisis prediktif untuk Analisis Kecerdasan Dummies - dummies

Oleh Anasse Bari, Mohamed Chaouchi, Tommy Jung

Proyek analisis prediktif menggabungkan pelaksanaan rincian dengan pemikiran berfikir besar. Tip dan daftar periksa praktis ini akan membantu proyek Anda tetap berada di rel dan keluar dari hutan.

Membangun Model Analytics Prediktif

Proyek analisis prediktif yang sukses dijalankan selangkah demi selangkah. Saat Anda memasukkan diri Anda dalam rincian proyek, perhatikan tonggak utama ini:

1. Mendefinisikan Tujuan Bisnis

   Proyek dimulai dengan menggunakan tujuan bisnis yang jelas. Model ini seharusnya menjawab pertanyaan bisnis. Jelas menyatakan bahwa tujuan akan memungkinkan Anda untuk menentukan ruang lingkup proyek Anda, dan akan memberi Anda tes yang tepat untuk mengukur keberhasilannya.

2. Mempersiapkan Data

   Anda akan menggunakan data historis untuk melatih model Anda. Data biasanya tersebar di berbagai sumber dan mungkin memerlukan pembersihan dan persiapan. Data mungkin berisi catatan duplikat dan outlier; tergantung pada analisis dan tujuan bisnis, Anda memutuskan apakah akan menyimpan atau menghapusnya. Juga, data bisa memiliki nilai yang hilang, mungkin perlu menjalani beberapa transformasi, dan dapat digunakan untuk menghasilkan atribut turunan yang memiliki kekuatan prediksi lebih banyak untuk tujuan Anda. Secara keseluruhan, kualitas data menunjukkan kualitas model.

3. Sampling Data Anda

   Anda harus membagi data Anda menjadi dua kumpulan: kumpulan data pelatihan dan tes. Anda membangun model menggunakan dataset pelatihan. Anda menggunakan kumpulan data uji untuk memverifikasi keakuratan keluaran model. Melakukannya sangat penting. Jika tidak, Anda berisiko menggunakan model yang melebihi ukuran Anda - melatih model dengan dataset terbatas, sampai-sampai semua fitur (baik sinyal dan noise) yang benar untuk dataset tertentu itu. Model yang terlalu banyak untuk kumpulan data tertentu akan tampil dengan menyedihkan saat Anda menjalankannya di kumpulan data lain. Dataset tes memastikan cara yang valid untuk secara akurat mengukur kinerja model Anda.

   Membangun Model

4. Terkadang data atau tujuan bisnis sesuai dengan algoritme atau model tertentu. Lain kali pendekatan terbaik tidak begitu jelas. Saat Anda menjelajahi data, jalankan sebanyak mungkin algoritma; bandingkan hasilnya Pangkas pilihan Anda dari model akhir pada keseluruhan hasil. Terkadang Anda lebih baik menjalankan ansambel model secara bersamaan pada data dan memilih model akhir dengan membandingkan keluaran mereka.

   Menyebarkan Model

5. Setelah membangun model, Anda harus menyebarkannya untuk mendapatkan manfaatnya. Proses itu mungkin memerlukan koordinasi dengan departemen lain.Bertujuan membangun model deployable. Juga pastikan Anda tahu bagaimana mempresentasikan hasilnya kepada para pemangku kepentingan bisnis dengan cara yang mudah dimengerti dan meyakinkan sehingga mereka mengadopsi model Anda. Setelah model digunakan, Anda harus memantau kinerjanya dan terus memperbaikinya. Kebanyakan model membusuk setelah jangka waktu tertentu. Jaga agar model Anda tetap up to date dengan menyegarkannya dengan data yang baru tersedia.

   Sumber Data untuk Proyek Analytics Prediktif

Data untuk proyek analisis prediktif dapat berasal dari berbagai sumber. Beberapa sumber yang paling umum ada di dalam organisasi Anda sendiri; sumber umum lainnya termasuk data yang dibeli dari vendor luar.

Sumber data internal mencakup

Data transaksional, seperti pembelian pelanggan

• Profil pelanggan, seperti informasi yang dimasukkan pengguna dari formulir pendaftaran

• Riwayat kampanye, termasuk apakah pelanggan menanggapi data Clickstream

• termasuk pola klik web pelanggan

• Interaksi pelanggan, seperti percakapan email, obrolan, survei, dan layanan pelanggan

• Data yang dihasilkan oleh mesin, seperti telematika, sensor, dan meter cerdas.

• Sumber data eksternal mencakup

media sosial seperti Facebook, Twitter, dan LinkedIn

• Layanan berlangganan seperti Bloomberg, Thompson Reuters, Esri, dan Westlaw

• Dengan menggabungkan data dari beberapa sumber data yang berbeda dalam prediksi Anda Model, Anda bisa mendapatkan tampilan keseluruhan pelanggan Anda yang lebih baik, sehingga modelnya lebih akurat.

Memastikan Kesuksesan Saat Menggunakan Prediktif Analytics

Pikirkan analisis prediktif sebagai bola lampu terang yang didukung oleh data Anda. Cahaya (wawasan) dari analisis prediktif dapat memberdayakan strategi Anda, merampingkan operasi Anda, dan memperbaiki bottom line Anda. Berikut empat rekomendasi yang dapat membantu Anda memastikan keberhasilan inisiatif analisis prediktif Anda.

Memupuk budaya perubahan

Analisis prediktif harus diadopsi di seluruh organisasi secara keseluruhan. Organisasi harus menerima perubahan. Pemangku kepentingan bisnis harus siap untuk memasukkan rekomendasi dan mengadopsi temuan yang berasal dari proyek analisis prediktif. Hasil dari proyek analisis prediktif hanya berharga jika para pemimpin bisnis bersedia untuk bertindak atas mereka.

Buat tim data-sains

Menyewa tim data-sains yang tugas utamanya adalah untuk menetapkan dan mendukung solusi analisis prediktif Anda. Tim profesional berbakat ini - terdiri dari analis bisnis, ilmuwan data, dan pakar teknologi informasi - lebih siap untuk mengerjakan proyek secara penuh. Termasuk berbagai latar belakang profesional dapat membawa wawasan berharga bagi tim dari domain lain. Memilih anggota tim dari berbagai departemen di organisasi Anda dapat membantu memastikan meluasnya pembelian.

Gunakan alat visualisasi secara efektif

Visualisasi adalah cara ampuh untuk menyampaikan gagasan kompleks secara efisien. Menggunakan visualisasi secara efektif dapat membantu Anda pada awalnya menggali dan memahami data yang Anda gunakan.Alat bantu visual seperti grafik juga dapat membantu Anda mengevaluasi keluaran model atau membandingkan kinerja model prediktif.

Gunakan alat analisis prediktif

Alat analisis prediktif yang hebat tersedia sebagai paket perangkat lunak di pasar. Mereka dirancang untuk membuat keseluruhan proses menjadi lebih mudah. Tanpa menggunakan alat semacam itu, membangun model dari awal dengan cepat menjadi intensif waktu. Menggunakan alat analisis prediktif yang baik memungkinkan Anda menjalankan beberapa skenario dan membandingkan hasilnya dengan cepat - semuanya dengan beberapa klik. Alat cepat dapat mengotomatisasi banyak langkah waktu yang diperlukan untuk membangun dan mengevaluasi satu atau lebih model.