Prediktív elemzési folyamat az üzleti elemzésekben R-vel

A blog rövid ötletet ad a Prediktív elemzés folyamatáról az üzleti elemzések R-vel



Tipikus modellezési folyamat:

Egy tipikus modellezési folyamatban fontos megkezdeni egy hipotézis megfogalmazását. RFP-t (Request for javaslat) fogadunk, majd egy hipotézist rajzolunk ki.



javascript get tömb mérete
  1. Határozza meg a megfelelő adatforrást - Itt az ügyfél megadhat adatforrást, ha nem, akkor adatforrást kell keresnünk. Adott forgatókönyv alapján, ahol megpróbáljuk értékelni, ki nyeri a választást, az adatok nyilvános elemzését olyan forrásokkal végezzük, amelyek tartalmazzák a közösségi médiát, a hírcsatornákat vagy a közvéleményt. Meg kell értenünk a probléma elemzéséhez szükséges adatmennyiséget is. Ebben az esetben általában nagy mintákat keresünk, mivel ez egy választási eset. Másrészt, ha az egészségügyi ellátás elemzését végzik, akkor nehéz nagy népességre menni, mert fennáll annak a lehetősége, hogy a hipotézis igazolásához nincs elegendő ember. Az adatok minősége is nagyon fontos.
  2. Adatok kivonása - Például, ha populációs mintát veszünk, megnézhetjük azokat a tulajdonságokat, mint például a magas jövedelem, az alacsony jövedelem, az életkor, a dolgozó népesség (külső / helyszíni), a rezidensek, az NRI, a kórházak lefedettsége stb. . Itt lehet, hogy nincs szükségünk annyi attribútumra a hipotézishez. Tisztában vagyunk azzal, hogy az olyan tulajdonságok, mint a magas és alacsony jövedelem, nem lehetnek a tényezők annak meghatározásában, hogy ki nyeri meg a választásokat. Az életkor azonban változást hozhat, mivel közvetlen számot ad arról, hogy hány ember fog szavazni. Sokszor kizárhatunk kevésbé használt attribútumokat, vagy hasznos attribútumokat is felvehetünk. Mindkét esetben elromolhat. Ez az oka annak, hogy az elemzés kihívást jelent.
  3. Masszírozza az adatokat, hogy illeszkedjenek az eszközhöz - Ez azért van, mert nem minden eszköz képes minden adatot elfogadni. Bizonyos eszközök csak CSV- vagy excel-adatokat fogadnak el. Az eszközök hiánya kihívást jelent.
  4. Futtassa az elemzést - Ez a művelet számos elemzési technikával elvégezhető.
  5. Levonni a következtetést - Az elemzés pontos számokat ad. De a felhasználó feladata, hogy következtetéseket vonjon le ezekből a számokból. Például, ha 10% vagy 20% azt mondja, akkor meg kell értenünk, hogy mit jelent? Levezet-e összefüggést az A és a B attribútum között?
  6. Eredmények megvalósítása - Fontos a következtetések végrehajtása, hogy az üzleti életben eredményeket láthassunk. Például arra lehet következtetni „Az emberek esős évszakban vásárolnak esernyőt” ami több üzletet eredményezhet. Itt meg kell valósítanunk a következtetést, ahol esernyőt teszünk elérhetővé az üzletekben, de akkor kezelési problémái lehetnek. Abban a pillanatban, hogy a statisztika eredményt ad, a megvalósítás rosszul alakulhat.
  7. A haladás figyelése - Az utolsó lépés, a monitorozás fontos szerepet játszik. A megfigyelés rosszul fordulhat elő, mert nem sok szervezet akarja figyelemmel kísérni az előrehaladást, és ezt elhanyagolható lépésnek tekintik. De az ellenőrzés fontos, mivel megérthetjük, hogy kutatásaink és következtetéseink jó irányba haladnak-e.

Nézze meg ezt a cikket is' Az összefüggés nem jelenti az okozati összefüggést 'amely betekintést nyújt az elemzők hibájába. Fontos megjegyezni ebben a diagramban, hogy az Elemzés futtatása az egyetlen lépés, ahol a gép elszámoltatható, és ezen túl egy emberi lénytől függ, aki végső soron meghatározza a kutatás mikéntjét.

Van egy kérdésünk? Említse meg őket a megjegyzések részben, és mi kapcsolatba lépünk Önnel.



r programozási nyelvet használó vállalatok

Kapcsolódó hozzászólások: