Sie befinden sich hier:
Strukturiertes Clustering
Verwenden Sie das Clustering in Data 360, um ausgeblendete Muster zu erkennen und natürliche Gruppierungen in strukturierten Daten anhand von Ähnlichkeiten in den ausgewählten Feldern zu entdecken. Beim Clustering werden neue Kundenprofile, wiederkehrende Supportmuster und unerwartete Verhaltenstrends identifiziert.
Nach dem Training weist das Modell jeden Datensatz einer Cluster-ID und einer vom System generierten Cluster-Bezeichnung zu. Beispielsweise identifiziert ein auf Kaufdaten trainiertes Modell automatisch Gruppen wie "Treue Kunden", "Große Spender" oder "Gefährdete Kunden". Das Modell ordnet neue Datensätze im Laufe der Zeit vorhandenen Clustern zu und weist eine Ähnlichkeitsbewertung zu, die angibt, wie nahe jeder Datensatz seinem Cluster entspricht. Data 360 fügt Ihrem Datenset diese Ausgabefelder hinzu. Wenden Sie die Ausgabefelder an, um die Segmentierung, Analyse und Aktivierung in Salesforce voranzutreiben.
Überprüfen Sie diese Clustering-Ziele.
-
Automatisches Segmentieren von Kunden oder Datensätzen in sinnvolle Gruppen
-
Erkennen von Mustern und Ähnlichkeiten zwischen Datenattributen
-
Identifizieren von Segmenten mit hohem Wert, Risikosegmenten oder verhaltensbasierten Segmenten
-
Anreichern von Datensets mit Cluster-IDs und Bezeichnungen für Targeting, Personalisierung und Analyse
Clustering-Funktionen
Der K-Means-Algorithmus gruppiert Datensätze anhand der Ähnlichkeit in eine definierte Anzahl von Clustern. Das Modell ist standardmäßig auf 3 Cluster festgelegt. Sie können diese Einstellung jedoch manuell definieren. Verwenden Sie den HDBScan-Algorithmus, um verrauschte oder reale Daten zu clustern und Ausreißer in einem separaten Cluster zu gruppieren.
Überprüfen Sie diese Clustering-Funktionen.
- Modellerstellung und Schulung mit strukturierten Datenmodellobjekten (DMOs) auf der Registerkarte "AI Models" (AI-Modelle)
- Cluster-Qualitätsbewertung mit Trainingskennzahlen wie Kohärenzbewertung, Unterscheidungsbewertung und Silhouettenbewertung
- Cluster-Zusammenfassungen und repräsentative Beispieldatensätze, die zeigen, welche Feldwerte die einzelnen Cluster kennzeichnen
- Benutzerdefinierte Cluster-Bezeichnungen, die zum Überschreiben von vom System generierten Bezeichnungen zugewiesen sind
- Clustering-Rückschluss auf neue Daten über Flows zum Zuweisen von Datensätzen zu vorhandenen Clustern
- Rückschlussausgaben wie Cluster-ID, Cluster-Bezeichnung, Ähnlichkeitsbewertung und die wichtigsten Faktoren
Cluster-Qualitätskennzahlen
Wenn Sie beurteilen möchten, ob Ihre Cluster aussagekräftig sind, lesen Sie diese Kennzahlen nach dem Modelltraining.
| METRIC | whAT IT MEASURES (WhAT-IT-MESSUNGEN) |
|---|---|
| Kohärenzbewertung | Gibt an, wie ähnlich Datensätze in einem Cluster einander sind. Höher ist besser. |
| Unterscheidungsbewertung | Wie unterschiedlich Cluster voneinander sind. Niedrigere Werte geben unterschiedlichere Cluster an. |
| Silhouettenbewertung | Kombinierte Maßeinheit für Kohäsion und Trennung im Bereich von -1 bis 1. Bewertungen über 0,7 geben gut definierte Cluster an. |
Wenn die Bewertungen niedrig sind, entfernen Sie Variablen, die zu Störungen führen, passen Sie die Anzahl der Cluster an oder trainieren Sie das Modell neu.
Wenn Sie während der Rückschlussfolgerung einen Flow für neue Daten ausführen, erhält jeder Datensatz diese Ausgaben.
- Cluster-ID: Die eindeutige Kennung des Clusters, dem ein Datensatz zugewiesen ist.
- Clusterbezeichnung: Der Name oder die Bezeichnung des zugewiesenen Clusters.
- Cluster-Bewertung: Eine Bewertung, die angibt, wie nah der Datensatz an seinem zugewiesenen Cluster liegt.
- Anomaliebewertung: Eine Bewertung, die angibt, wie stark eine Anomalie ein Datenpunkt ist.
- IsOutlier: Eine Kennzeichnung, die angibt, ob es sich bei dem Datensatz um einen Ausreißer im Vergleich zu anderen Datensätzen in seinem zugewiesenen Cluster handelt.
Sie können diese Ausgaben Datensätzen zuweisen, vorhandene Flow-Komponenten oder die Aufnahme-API verwenden.
Überlegungen
Lesen Sie diese Überlegungen.
- Die Ergebnisse variieren je nach den verwendeten Feldern und Parametern.
- Sehr kleine oder sehr ähnliche Datensets erzeugen weniger unterschiedliche Cluster.
- Relevante und hochwertige Eingabefelder bieten bessere Clustering-Ergebnisse.
- Regelmäßige Neuschulungen halten Cluster an sich ändernde Daten angepasst.
- Verwenden von Clustering für strukturierte Daten
Verwenden Sie Cluster-Modelle in Data 360, um Datensätze des Datenmodellobjekts (DMO) automatisch nach gemeinsamen Merkmalen zu gruppieren. Führen Sie eine Datentransformation für Prognoseaufträge oder Batches aus, um gespeicherten Clustern neue Datensätze zuzuweisen, und verwenden Sie die Ergebnisse in Salesforce.
