Prédictive Analytics For Dummies Cheat Sheet - mannequins

Par Anasse Bari, Mohamed Chaouchi, Tommy Jung

Un projet d'analyse prédictive associe l'exécution de détails à une réflexion d'ensemble. Ces conseils et listes de vérification pratiques vous aideront à garder votre projet sur les rails et à l'extérieur du bois.

Création d'un modèle d'analyse prédictive

Un projet d'analyse prédictive réussi est exécuté étape par étape. En vous plongeant dans les détails du projet, surveillez ces étapes majeures:

1. Définition des objectifs commerciaux

   Le projet commence par l'utilisation d'un objectif commercial bien défini. Le modèle est censé répondre à une question commerciale. Indiquer clairement cet objectif vous permettra de définir la portée de votre projet, et vous fournira le test exact pour mesurer son succès.

2. Préparation des données

   Vous utiliserez des données historiques pour former votre modèle. Les données sont généralement dispersées sur plusieurs sources et peuvent nécessiter un nettoyage et une préparation. Les données peuvent contenir des enregistrements en double et des valeurs aberrantes; en fonction de l'analyse et de l'objectif commercial, vous décidez de les conserver ou de les supprimer. En outre, les données peuvent avoir des valeurs manquantes, peuvent nécessiter une certaine transformation et peuvent être utilisées pour générer des attributs dérivés ayant un pouvoir prédictif plus important pour votre objectif. Dans l'ensemble, la qualité des données indique la qualité du modèle.

3. Échantillonnage de vos données

   Vous devez diviser vos données en deux ensembles: les ensembles de données d'apprentissage et de test. Vous construisez le modèle en utilisant le jeu de données d'entraînement. Vous utilisez l'ensemble de données de test pour vérifier l'exactitude de la sortie du modèle. Cela est absolument crucial. Sinon, vous courez le risque de surcharger votre modèle en formant le modèle avec un ensemble de données limité, au point qu'il sélectionne toutes les caractéristiques (le signal et le bruit) qui ne sont vraies que pour cet ensemble de données. Un modèle qui est surajusté pour un ensemble de données spécifique fonctionnera misérablement lorsque vous l'exécuterez sur d'autres ensembles de données. Un jeu de données de test garantit un moyen valable de mesurer avec précision les performances de votre modèle.

4. Construction du modèle

   Parfois, les données ou les objectifs métier se prêtent à un algorithme ou un modèle spécifique. D'autres fois, la meilleure approche n'est pas si claire. Pendant que vous explorez les données, exécutez autant d'algorithmes que possible. comparer leurs sorties. Basez votre choix du modèle final sur les résultats globaux. Parfois, il vaut mieux exécuter simultanément un ensemble de modèles sur les données et choisir un modèle final en comparant leurs résultats.

5. Déploiement du modèle

   Après avoir créé le modèle, vous devez le déployer pour en tirer parti. Ce processus peut nécessiter une coordination avec d'autres ministères.Viser à construire un modèle déployable. Assurez-vous également de savoir comment présenter vos résultats aux parties prenantes de manière compréhensible et convaincante afin qu'ils adoptent votre modèle. Une fois le modèle déployé, vous devez surveiller ses performances et continuer à l'améliorer. La plupart des modèles se désintègrent après une certaine période de temps. Gardez votre modèle à jour en le rafraîchissant avec les nouvelles données disponibles.

Sources de données pour les projets Predictive Analytics

Les données d'un projet d'analyse prédictive peuvent provenir de nombreuses sources différentes. Certaines des sources les plus courantes sont dans votre propre organisation; D'autres sources communes comprennent les données achetées auprès de fournisseurs externes.

Les données internes incluent

• Données transactionnelles, telles que les achats clients

• Profils clients, tels que les informations saisies par les formulaires d'inscription

• Historique des campagnes, y compris les réponses des clients aux s

• y compris les modèles de clics Web des clients

• Interactions avec les clients, telles que les e-mails, les chats, les enquêtes et les appels clients

• Données générées par les machines, telles que télématiques, capteurs et compteurs intelligents

Les sources de données externes incluent

• Les médias sociaux tels que Facebook, Twitter et LinkedIn

• Services d'abonnement tels que Bloomberg, Thompson Reuters, Esri et Westlaw

En combinant les données provenant de plusieurs sources de données modèles, vous pouvez obtenir une meilleure vue d'ensemble de votre client, donc un modèle plus précis.

Assurer le succès lors de l'utilisation de Predictive Analytics

Considérez l'analyse prédictive comme une ampoule brillante alimentée par vos données. La lumière (aperçu) de l'analyse prédictive peut renforcer votre stratégie, rationaliser vos opérations et améliorer vos résultats. Les quatre recommandations suivantes peuvent vous aider à assurer le succès de vos initiatives d'analyse prédictive.

Favoriser une culture du changement

L'analyse prédictive devrait être adoptée dans l'ensemble de l'organisation. L'organisation devrait accepter le changement. Les parties prenantes des entreprises devraient être prêtes à incorporer des recommandations et à adopter les résultats issus des projets d'analyse prédictive. Les résultats d'un projet d'analyse prédictive ne sont valables que si les chefs d'entreprise sont disposés à agir en conséquence.

Créer une équipe de data-science

Recrutez une équipe de data-science dont le seul travail consiste à établir et à prendre en charge vos solutions d'analyse prédictive. Cette équipe de professionnels talentueux, composée d'analystes d'affaires, de spécialistes des données et de technologues de l'information, est mieux outillée pour travailler sur le projet à temps plein. Y compris une gamme de milieux professionnels peut apporter des idées précieuses à l'équipe d'autres domaines. La sélection des membres de l'équipe de différents départements de votre organisation peut vous aider à obtenir une adhésion généralisée.

Utiliser efficacement les outils de visualisation

La visualisation est un moyen efficace de transmettre efficacement des idées complexes. L'utilisation efficace de la visualisation peut vous aider à explorer et à comprendre les données avec lesquelles vous travaillez.Les aides visuelles telles que les graphiques peuvent également vous aider à évaluer la sortie du modèle ou à comparer les performances des modèles prédictifs.

Utiliser des outils d'analyse prédictive

De puissants outils d'analyse prédictive sont disponibles en tant que progiciels sur le marché. Ils sont conçus pour faciliter tout le processus. Sans l'utilisation de tels outils, construire un modèle à partir de zéro prend rapidement beaucoup de temps. L'utilisation d'un bon outil d'analyse prédictive vous permet d'exécuter plusieurs scénarios et de comparer instantanément les résultats, le tout en quelques clics. Un outil peut rapidement automatiser plusieurs étapes fastidieuses nécessaires pour créer et évaluer un ou plusieurs modèles.