Clustering visitatore

IMPORTANTE

Ulteriori informazioni su Data Workbench Annuncio di fine vita.

Il clustering visitatore consente di sfruttare le caratteristiche del cliente per categorizzare dinamicamente i visitatori e generare set di cluster basati su input di dati selezionati, identificando così i gruppi che hanno interessi e comportamenti simili per l’analisi e il targeting dei clienti.

Processo di clustering

Il processo di clustering richiede l’identificazione di metriche ed elementi dimensionali da utilizzare come input e consente di scegliere una popolazione target specifica per applicare questi elementi per creare cluster specifici. Quando si esegue il processo di clustering, il sistema utilizza la metrica e gli input della dimensione per determinare i centri iniziali appropriati per il numero specificato di cluster. Questi centri vengono quindi utilizzati come punto di partenza per applicare l'algoritmo K-Means.

  • I centri iniziali sono scelti in modo intelligente tramite un passaggio Canopy Clustering.
  • I cluster di dati vengono creati associando ogni punto dati al centro più vicino.
  • La media di ciascuno dei cluster K diventa il nuovo centro.
  • L'algoritmo viene ripetuto nei passaggi 2 e 3 fino al raggiungimento della convergenza. Questo può richiedere più passaggi.

La Maximum Iterations in Options consente all’analista di specificare il numero massimo di iterazioni da eseguire dall’algoritmo di clustering. L'impostazione di questa opzione può comportare un completamento più rapido del processo di clustering basato sul limite massimo di iterazioni a scapito della convergenza esatta dei centri cluster.

NOTA

Una volta definiti i cluster, il Dimension Cluster può essere salvato per l'utilizzo come qualsiasi altra dimensione. Può anche essere caricato in Esplora cluster per esaminare la separazione dei centri cluster.

In Cluster Builder, puoi selezionare Options > Algorithm per selezionare gli algoritmi durante la definizione dei cluster. Al momento sono disponibili 3 algoritmi supportati:

  • KMeans
  • Kays++
  • Massimizzazione delle aspettative

Esistono 2 modi per eseguire il processo di clustering:

  • Metodo 1 - Fai clic su Go nella finestra di visualizzazione del cluster.
  • Metodo 2 - Clic Submit nella finestra di visualizzazione cluster, che invia direttamente il processo di clustering al server. Puoi tenere traccia dell’avanzamento tramite l’opzione "Stato dettagliato per la query".

L’algoritmo presenta le seguenti limitazioni:

  1. Se si utilizza il metodo 1, è possibile selezionare uno qualsiasi degli algoritmi di clustering supportati.
  2. Se si utilizza il metodo 2, è possibile selezionare kmedium o kmedium++. L’opzione Ottimizzazione delle aspettative non sarà disponibile.
NOTA

In DPU.cfg file, il valore per 'Query, Memory Limit' è impostato su 500 MB per impostazione predefinita. Questo valore deve essere aumentato durante l'esecuzione di più processi di clustering. Ad esempio, se esegui 5 processi di clustering in parallelo, aumenta questo valore a 1 GB. Non è possibile annullare il processo di clustering senza riavviare il server.

Raccomandazioni

Il numero di iterazioni (il numero di volte in cui i dati vengono analizzati) e la soglia di convergenza che configuri incidono notevolmente sulle prestazioni del clustering. La tabella seguente fornisce una linea guida più ampia da seguire:

Numero di cluster Algoritmo Iterazioni Soglia di convergenza Normalizzazione
6 Kays 25,50 1e-3 Min-Max
6 Kays 25,50 1e-6 Min-Max
6 KMedia+ 50 1e-6 Min-Max

In questa pagina