Usted estĆ” aquĆ:
AgrupaciĆ³n estructurada
Utilice la agrupaciĆ³n en clĆŗster en Data 360 para descubrir patrones ocultos y descubrir agrupaciones naturales en datos estructurados basĆ”ndose en similitudes en los campos que seleccione. La agrupaciĆ³n identifica perfiles de clientes emergentes, patrones de asistencia recurrentes y tendencias de comportamiento inesperadas.
DespuĆ©s del entrenamiento, el modelo asigna cada registro a un Id. de clĆŗster y una etiqueta de clĆŗster generada por el sistema. Por ejemplo, un modelo entrenado en datos de compras identifica grupos como "Clientes fieles", "Grandes gastos" o "Clientes en riesgo" automĆ”ticamente. El modelo asigna nuevos registros a clĆŗsteres existentes a lo largo del tiempo y asigna una puntuaciĆ³n de similitud que indica cuĆ”n cerca coincide cada registro con su clĆŗster. Data 360 agrega estos campos de salida a su conjunto de datos. Aplique los campos de salida para dirigir la segmentaciĆ³n, el anĆ”lisis y la activaciĆ³n en Salesforce.
Revise estos objetivos de agrupaciĆ³n.
-
Segmente clientes o registros en grupos significativos automƔticamente
-
Descubrir patrones y similitudes entre atributos de datos
-
Identificar segmentos de alto valor, en riesgo o basados en comportamiento
-
Enriquezca los conjuntos de datos con identificadores de clĆŗster y etiquetas para el establecimiento de objetivos, la personalizaciĆ³n y el anĆ”lisis
Funciones de agrupaciĆ³n en clĆŗsteres
El algoritmo K-means agrupa registros en un nĆŗmero definido de clĆŗsteres basĆ”ndose en la similitud. El modelo toma como valor predeterminado 3 clĆŗsteres, pero puede definir este parĆ”metro manualmente. Para agrupar datos ruidosos o reales y agrupar anomalĆas en un clĆŗster global separado, utilice el algoritmo HDBScan.
Revise estas funciones de clĆŗster.
- ConstrucciĆ³n y entrenamiento de modelos con objetos de modelo de datos estructurados (DMO) en la ficha Modelos de IA
- EvaluaciĆ³n de calidad de clĆŗster con mediciones de entrenamiento, como puntuaciĆ³n de cohesiĆ³n, puntuaciĆ³n de distinciĆ³n y puntuaciĆ³n de silueta
- ResĆŗmenes de clĆŗster y registros de muestra representativos que muestran quĆ© valores de campo caracterizan cada clĆŗster
- Etiquetas de clĆŗster personalizadas asignadas para sustituir etiquetas generadas por el sistema
- Inferencia de agrupaciĆ³n en clĆŗster en nuevos datos a travĆ©s de flujos para asignar registros a clĆŗsteres existentes
- Salidas de inferencia, como Id. de clĆŗster, etiqueta de clĆŗster, puntuaciĆ³n de similitud y factores principales
Mediciones de calidad de clĆŗster
Para evaluar si sus clĆŗsteres son significativos, revise estas mediciones despuĆ©s del entrenamiento del modelo.
| MĆTRICO | LO QUE MIDE |
|---|---|
| PuntuaciĆ³n de cohesiĆ³n | QuĆ© parecidos son los registros de un clĆŗster entre sĆ. MĆ”s alto es mejor. |
| PuntuaciĆ³n de distinciĆ³n | QuĆ© diferencias hay entre los clĆŗsteres. Los valores inferiores indican mĆ”s clĆŗsteres distintos. |
| PuntuaciĆ³n de silueta | MediciĆ³n combinada de cohesiĆ³n y separaciĆ³n, que oscila entre -1 y 1. Las puntuaciones por encima de 0,7 indican clĆŗsteres bien definidos. |
Si las puntuaciones son bajas, elimine variables que crean ruido, ajuste el nĆŗmero de clĆŗsteres o vuelva a entrenar el modelo.
Cuando ejecuta un flujo en nuevos datos durante la inferencia, cada registro recibe estas salidas.
- Id. de clĆŗster: El identificador exclusivo del clĆŗster al que estĆ” asignado un registro.
- Etiqueta de clĆŗster: El nombre o etiqueta del clĆŗster asignado.
- PuntuaciĆ³n de clĆŗster: Una puntuaciĆ³n que indica lo cerca que estĆ” el registro de su clĆŗster asignado.
- PuntuaciĆ³n de anomalĆa: Una puntuaciĆ³n que indica la cantidad de anomalĆa que es un punto de datos.
- IsOutlier: Un indicador que indica si el registro es atĆpico en relaciĆ³n con otros registros en su clĆŗster asignado.
Puede asignar estos resultados a registros, utilizar componentes de flujo existentes o la API de introducciĆ³n.
Consideraciones
Revise estas consideraciones.
- Los resultados varĆan dependiendo de los campos y parĆ”metros utilizados.
- Los conjuntos de datos muy pequeƱos o muy similares producen clĆŗsteres menos distintos.
- Los campos de entrada relevantes y de alta calidad proporcionan mejores resultados de agrupaciĆ³n.
- El reciclaje periĆ³dico mantiene los clĆŗsteres alineados con los datos cambiantes.
- Utilizar agrupaciĆ³n en datos estructurados
Utilice modelos de agrupaciĆ³n en clĆŗster en Data 360 para agrupar automĆ”ticamente registros de objeto de modelo de datos (DMO) por caracterĆsticas compartidas. Ejecute un trabajo de predicciĆ³n o TrasformaciĆ³n de datos por lotes para asignar nuevos registros a clĆŗsteres guardados y utilice los resultados en Salesforce.
