Korrelationsmatrix

Statistische Korrelationen messen aussagekräftige Beziehungen, um Chancen durch fortschrittliches Data Mining zu identifizieren.

Verwendung der Persons Korrelationskoeffiziententhält die Korrelationsmatrix relevante Informationen, um die nächsten Schritte einer Marketing-Kampagne besser zu identifizieren, das Site-Design zu verbessern oder die eingehende Kundenanalyse für zusätzliche Korrelationsabhängigkeiten fortzusetzen.

Erstellen einer Korrelationsmatrix

Die Korrelationsmatrix vergleicht Metriken über eine zählbare oder nicht zählbare Dimension. Die Matrix kann dann geändert werden, um Korrelationen innerhalb der Visualisierung durch Farbauswahl hervorzuheben oder als Textkarte, Heatmap oder beides zu rendern.

1. Öffnen Sie eine Korrelationsmatrix.

   Rechtsklick Visualization > Predictive Analytics > Correlation Matrix. Die Dimensionstabelle wird geöffnet.

   

   Wählen Sie eine Dimension aus, z. B. Time > Day of the Week aus diesem Menü. Die Korrelationstabelle wird geöffnet, wobei die Dimension in der Ecke der Matrix identifiziert und die zugehörige Metrik in der Zeile und Spalte platziert wird. Für die Dimension Wochentag gilt Folgendes: Visits ist die zugehörige Metrik.

   

   Die Korrelation beträgt 1.000, da Sie eine Metrik mit sich selbst vergleichen (was eine perfekte, aber unbrauchbare Korrelation widerspiegelt).

2. Ändern Sie eine der Metriken.

   Klicken Sie mit der rechten Maustaste und wählen Sie Change Metric , um eine Metrik in der Zeile oder Spalte zu ändern. Dadurch wird eine Korrelation zwischen zwei Wertmetriken hergestellt.

   Ändern Sie für dieses Beispiel die Visits Metrik in der Spalte zu Internal Searches. Klicken Sie mit der rechten Maustaste und wählen Sie Metric > Custom Events > Custom Event 1-10 > Internal Searches.

   

3. Fügen Sie der Korrelationsmatrix weitere Metriken hinzu.

   Klicken Sie mit der rechten Maustaste in eine Metrikspalte oder -zeile. Fügen Sie beispielsweise im Menü Metrik Metric > Custom Events > Custom Event 1-10 > Sign in Error.

   

   Die neue Metrik wird in einer Spalte mit einer Korrelationsnummer angezeigt. Sie können weitere Metriken hinzufügen, z. B. Email Signups, um die Tabelle zu erstellen.

   

   Oder fügen Sie Zeilen Metriken hinzu, um sie mit Metriken in Spalten zu vergleichen.

   

4. (Optional) Halten Sie eine Metrik ein, indem Sie ein Dimensionselement hinzufügen.

   Klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Sie Table. Drücken Sie in der Tabelle "Offene Dimension"Strg+Alt und ziehen Sie das Element auf eine Metrik in einer Spalte oder Zeile. Das Element wird neben der Metrik in eckigen Klammern angezeigt.

   Beispiel: für die Visits Metrik, können Sie sie einschränken, indem Sie die Country as New Zealand.

   

   Beachten Sie, dass sich bei der Auswahl eines Dimensionselements die Korrelation in allen Metriken basierend auf dem ausgewählten Dimensionselement ändert. Nur die Besuchsmetrik wird für "Neuseeland"eingeschränkt, sobald das Dimensionsfenster geschlossen wird.

   HINWEIS

   Wenn Sie eine Metrik mit einer Dimensionsbegrenzung ändern (durch Rechtsklicken und Auswählen Change Metric), geht das Dimensionselement, das die Metrik einschränkt, verloren. Sie müssen das Dimensionselement erneut hinzufügen.

5. Erstellen Sie eine Binärfilter , um die Metrik weiter einzuschränken. Klicken Sie mit der rechten Maustaste auf die Metrik in der Tabelle und wählen Sie im Menü Binärfilter aus.

Korrelationsplanung und Analyseziele

Im Folgenden finden Sie allgemeine Ziele zum Erstellen einer Korrelationsmatrix.

Identifizieren der Beziehung zwischen zwei Metriken mit einer bestimmten Dimension. In diesem Beispiel wurde die Matrix auf der Kerndimension Wochentag mit den Metriken Besuch, E-Mail-Anmeldungen und Sign-In-Fehler im Vergleich zu internen Suchvorgängen, Anmeldungen und aufgezeigten Survey -Metriken erstellt.

Hypothesen zur Fokusanalyse entwickeln. Nach der Durchführung einer Korrelationsanalyse besteht der nächste Schritt darin, nach Abhängigkeiten und Korrelationen der Metriken zu suchen. Wenn Sie beispielsweise wissen, dass interne Suchvorgänge sich auf E-Mail-Anmeldungen auswirken, können Sie über einen Pfad diese Beziehung vorhersagen und Marketingkampagnen oder das Navigationsdesign einer Website ändern.

Identifizieren Sie Metriken, um erweiterte Data-Mining-Algorithmen einzubeziehen.. In den meisten Fällen werden die Schlüsselmetriken identifiziert, da sie mehrere Korrelationen beeinflussen. Sie können diese Schlüsselmetriken nun verwenden und sie auf zusätzliche Data-Mining-Analysen anwenden, um tiefere Einblicke zu erhalten.

Funktionshinweise zur Korrelationsmatrix

Filtern und Auswählen von Dimensionselementen in einer Tabelle vergleichen sich wie Werte. Wenn Sie beispielsweise die Dimension Wochentag verwenden und dann auf ein Element dieser Kerndimension klicken, z. B. auf einen bestimmten Tag in der Dimensionstabelle Wochentag klicken, wird eine 1:1-Übereinstimmung zu 100 % gerendert, was keine brauchbare Korrelation bietet. Da die Hauptdimension Tag der Woche war, ändert sich bei jeder Auswahl innerhalb der Dimensionstabelle Tag der Woche die Matrix in eine Eins-zu-Eins-Korrelation.

Die 1:1-Korrelation (wenn eine einzelne Auswahl aus allen Elementen besteht) ist jedoch nur an diesem bestimmten Tag verfügbar. Wenn Sie mehrere Auswahlen vornehmen, bleibt diese nicht notwendigerweise eine 1:1-Korrelation und liefert nicht immer eine 100-prozentige Übereinstimmung, unabhängig von der Auswahl von 1 oder 1+ Tagen der Woche.

Statistische Korrelationen sind nicht gleich dem korrelierten Datenmodell, die historische Referenz zu Adobe Analytics-Produkten. Die statistische Korrelation in Data Workbench basiert auf der Pearson-Korrelationsmodell.

Anzeigen der Korrelation in einem Streudiagramm. Klicken Sie mit der rechten Maustaste auf einen Titel auf einem Streudiagramm und wählen Sie Display Correlation von Visualization Menü. Der Korrelationswert wird oben rechts im Streudiagramm angezeigt.

Ressourcen für Business.Adobe.com

Flow Analysis Lookalike Modeling Audience Targeting Data Ingestion Audience Segmentation Ad Hoc Analysis