Einrichten der Tendenzauswertung

WICHTIG

Mehr über die Data Workbench Mitteilung zum Ende der Nutzungsdauer.

Führen Sie diese Schritte aus, um die Visualisierung der Tendenzauswertung zu verwenden.

  1. Öffnen Sie einen neuen Arbeitsbereich und klicken Sie auf Add > Visualization > Predictive Analytics > Scoring > Propensity Score.

  2. Legen Sie die Target (die abhängige Variable).

    Legen Sie die abhängige Variable fest, indem Sie Folgendes auswählen:

  • Dimensionen: Klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Sie Table. Wählen Sie dann eine Dimension als abhängige Variable aus.

    OR

  • Filter Editor. Klicken Add > Visualization > Filter Editor , um die Visualisierung des Filter-Editors zu öffnen.

    Nachdem Sie ein Dimension-Element oder Filter als abhängige Variable ausgewählt haben, klicken Sie auf Set Target Geben Sie einen Namen ein, um die abhängige Variable zu beschreiben. Klicken Sie anschließend auf OK (und stellen Sie sicher, dass das Filterfeld hervorgehoben ist), um Target festzulegen.

    Der Name, den Sie dem Ziel geben, ist die abhängige Variable, die im linken Bereich angezeigt wird.

  1. Fügen Sie unabhängige Variablen hinzu.

    Fügen Sie die unabhängigen Variablen mithilfe von Metriken oder Dimension-Elementen hinzu.

  • Metriken. Wählen Sie in der Symbolleiste Tendenzauswertung eine Metrik aus der Metrics Menü.

  • Dimensionen: Klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Sie Table. Wählen Sie ein oder mehrere Dimension -Elemente aus und ziehen Sie sie in die linke Spalte unter Independent Variables oder Element mit dem <Ctrl> + <Alt> Schlüssel.

  1. Festlegen Training Filter. Sie können den Besuchersatz definieren, den Sie bewerten möchten, indem Sie auf Options > Set Training Filter in der Symbolleiste "Tendenzauswertung". Dadurch erhalten Sie eine Untergruppe von Daten, die ausschließlich mit den Besuchern erstellt werden, die Sie bewerten möchten. Zum Beispiel Besucher, die im letzten Monat einen Besuch abgestattet haben, Besucher, die in Australien wohnen, oder Besucher, die bestimmte Produkte angesehen haben.

    Der Standardfilter ist Train on Everyone Sie können sie jedoch ändern, indem Sie Dimension Elements in einer Tabelle oder beim Erstellen eines Filters mit der Filter Editor.

    Nachdem Sie ein Filterelement ausgewählt oder einen Dimension erstellt haben, klicken Sie bei Aktivierung auf Optionen > Trainings-Filter festlegen, geben Sie einen Namen ein, um den Filter zu beschreiben, und klicken Sie dann auf OK.

  2. Sobald Sie alle Eingaben identifiziert haben, drücken Sie die Go.

    Der Scoring-Prozess beginnt mit der mehrfachen Übergabe der Daten. Anschließend werden die Ergebnisse als Balkendiagramme über eine Prozentzeile angezeigt.

  3. Sparen Sie Propensity Score.

    Ab Version 6.1 haben Sie jetzt eine Option bei der Verwendung der Tendenzbewertung speichern:

  • Dimension

  • Dimension und Metrik

    Sie können mit zwei gespeicherten Dateien enden, sowohl einer Dimension als auch einer definierten Metrik.

    HINWEIS

    Wenn Sie die Tendenzbewertung zur Verarbeitung senden, erhalten Sie nur eine Dimension.

    Die abgeleitete Metrik ist die zugehörige Metrik für das durchschnittliche Ergebnis.

  1. Prüfen Sie die Genauigkeit.

    Das System zeigt Model Complete und generieren ein Scoring-Modell, wenn der Prozess abgeschlossen ist.

    Rechtsklick auf Model Complete erkennt die Genauigkeit des vom System definierten Scoring-Modells. Werte zwischen 0 Prozent und 100 Prozent identifizieren die Wahrscheinlichkeit, dass die Besucher die Target -Variable.

    Die Konfusionsmatrix gibt vier Zählungen anhand der Kombination aus "Tatsächlich positiv"(AP), "Aktiv Negativ"(AN), "Vorhersage positiv"(PP) und "Vorhersage negativ"(PN). Diese Zahlen erhalten Sie, indem Sie das resultierende Scoring-Modell auf die 20 % zurückbehaltenen Testdaten anwenden, von denen wir die wahre Antwort kennen. Wenn der Wert größer als 50 % ist, wird er als positiver Fall prognostiziert (entspricht dem definierten Ereignis).

Genauigkeit Gibt an, wie genau das Modell ist, indem die korrekten Prognosen für alle Prognosen identifiziert werden.

(TP + TN)/(TP + FP + TN + FN)

Rückruf Identifiziert die Möglichkeit, das Scoring-Modell erneut zu identifizieren.

TP / (TP + FN)

Genauigkeit Identifiziert die Diskrepanz.

TP / (TP + FP)

  1. Öffnen Sie eine Diagramm für Steigerung oder Gewinnoder Modell-Viewer.

    Klicken Sie mit der rechten Maustaste auf die Modell abgeschlossen Visualisierung und Auswahl Lift Chart, Gain Chart oder Model Viewer.

Auf dieser Seite