Usted está aquí:
Clúster estructurado
Utilice la agrupación en clúster en Data 360 para descubrir patrones ocultos y agrupaciones naturales en datos estructurados basándose en similitudes en los campos que seleccione. La agrupación en clúster identifica perfiles de clientes emergentes, patrones de asistencia recurrentes y tendencias de comportamiento inesperadas.
Después del entrenamiento, el modelo asigna cada registro a un Id. de clúster y una etiqueta de clúster generada por el sistema. Por ejemplo, un modelo entrenado en datos de compra identifica grupos como "Clientes fieles", "Grandes gastos" o "Clientes en riesgo" automáticamente. El modelo asigna nuevos registros a clústeres existentes a lo largo del tiempo y asigna un puntuaje de similitud que indica cuán cerca coincide cada registro con su clúster. Data 360 agrega estos campos de salida a su conjunto de datos. Aplique los campos de salida para dirigir la segmentación, el análisis y la activación en Salesforce.
Revise estos objetivos de clúster.
-
Segmente clientes o registros en grupos con sentido automáticamente
-
Descubrir patrones y similitudes entre atributos de datos
-
Identificar segmentos de alto valor, en riesgo o basados en comportamiento
-
Enriquecer conjuntos de datos con identificadores de clúster y etiquetas para el direccionamiento, la personalización y el análisis
Funciones de agrupación en clúster
El algoritmo K-means agrupa registros en un número definido de clústeres basándose en la similitud. El modelo toma como valor predeterminado 3 clústeres, pero puede definir este parámetro manualmente. Para agrupar datos ruidosos o del mundo real y agrupar anomalías en un clúster general separado, utilice el algoritmo HDBScan.
Revise estas funciones de clúster.
- Creación y capacitación de modelos con objetos de modelo de datos estructurados (DMO) en la ficha Modelos de IA
- Evaluación de calidad de clúster con mediciones de entrenamiento, como puntuaje de cohesión, puntuaje de distinción y puntuaje de silueta
- Resúmenes de clúster y registros de muestra representativos que muestran qué valores de campo caracterizan cada clúster
- Etiquetas de clúster personalizadas asignadas para sustituir etiquetas generadas por el sistema
- Inferencia de agrupación en clúster en nuevos datos a través de flujos para asignar registros a clústeres existentes
- Salidas de inferencia, como Id. de clúster, etiqueta de clúster, puntuaje de similitud y factores principales
Mediciones de calidad de clúster
Para evaluar si sus clústeres son significativos, revise estas mediciones después del entrenamiento del modelo.
| MEDICIÓN | LO QUE MIDE |
|---|---|
| Puntuaje de cohesión | Grado de similitud de los registros de un clúster entre sí. Más alto es mejor. |
| Puntuaje de distinción | Distintos clústeres son entre sí. Los valores inferiores indican más clústeres distintos. |
| Puntuaje de silueta | Medición combinada de cohesión y separación, que oscila entre -1 y 1. Los puntuajes superiores a 0,7 indican clústeres bien definidos. |
Si los puntuajes son bajos, elimine variables que crean ruido, ajuste el número de clústeres o vuelva a entrenar el modelo.
Cuando ejecuta un flujo en nuevos datos durante la inferencia, cada registro recibe estos resultados.
- Id. de clúster: El identificador exclusivo del clúster al que está asignado un registro.
- Etiqueta de clúster: Nombre o etiqueta del clúster asignado.
- Puntuaje de clúster: Un puntuaje que indica cuán cerca coincide el registro con su clúster asignado.
- Puntuaje de anomalía: Un puntuaje que indica cuánta anomalía es un punto de datos.
- Es Atípico: Un indicador que indica si el registro es atípico en relación con otros registros en su clúster asignado.
Puede asignar estos resultados a registros, utilizar componentes de flujo existentes o la API de ingreso.
Consideraciones
Revise estas consideraciones.
- Los resultados varían dependiendo de los campos y parámetros utilizados.
- Conjuntos de datos muy pequeños o altamente similares producen clústeres menos distintos.
- Los campos de entrada relevantes y de alta calidad proporcionan mejores resultados de agrupación en clúster.
- El reciclaje periódico mantiene los clústeres alineados con los datos cambiantes.
- Utilizar agrupación en clúster en datos estructurados
Utilice modelos de agrupación en clúster en Data 360 para agrupar automáticamente registros de objeto de modelo de datos (DMO) por características compartidas. Ejecute un trabajo de predicción o Trasformación de datos por lotes para asignar nuevos registros a clústeres guardados y utilice los resultados en Salesforce.
