Olet tässä:
Rakenteellinen klusterointi (beta)
Käytä klusterointia Data 360:ssa löytääksesi piilotettuja kuvioita ja löytääksesi rakenteellisessa datassa luonnollisia ryhmityksiä valitsemiesi kenttien samankaltaisuuksien perusteella. Klusterointi tunnistaa uusia asiakasprofiileja, toistuvia tukikuvioita ja odottamattomia toimintatrendejä.
Koulutuskerran jälkeen malli kohdistaa jokaiselle tietueelle klusterin tunnuksen ja järjestelmän luoman klusterin otsikon. Esimerkiksi ostostiedoista koulutettu malli tunnistaa automaattisesti ryhmät, kuten "uskolliset asiakkaat", "suuret kuluttajat" tai "riskikäyttäjät". Koulutettu malli kartoittaa uudet tietueet jatkuvasti olemassa oleviin klustereihin ajan myötä. Se arvioi saapuvan datan ja kohdistaa samankaltaisuuden pisteytyksen, joka osoittaa, kuinka tarkasti kukin tietue vastaa sen klusteria. Data 360 lisää datajoukkoosi nämä tulokentät. Käytä output-kenttiä edistääksesi segmentointia, analyysiä ja aktivointia Salesforcessa.
Tutustu näihin klusterointitavoitteisiin.
-
Segmentoi asiakkaita tai tietueita automaattisesti hyödyllisiin ryhmiin
-
Tutki datan attribuuttien kuvioita ja samankaltaisuuksia
-
Tunnista arvokkaat, riskialttiit tai toimintatapaan perustuvat segmentit
-
Rikasta datajoukkoja klusterin tunnuksilla ja otsikoilla kohdennusta, personalisointia ja analyysiä varten
Klusterointiasetukset
Jos haluat käyttää klusterointia, ota käyttöön rakenteellinen klusterointi (beta) kohdasta Ominaisuuksien hallinta kohdasta Data Cloudin määritykset.
Klusterointiominaisuudet
K-mitta-algoritmi ryhmittää tietueet määritettyyn määrään klustereita samankaltaisuuden perusteella. Malli käyttää oletusarvoisesti 3 klusteria, mutta voit määrittää tämän asetuksen manuaalisesti. Käytä HDBScan-algoritmia klusteroidaksesi meluisia tai todellisia tietoja ja ryhmittääksesi poikkeavia arvoja erilliseen klusteriin.
Tutustu näihin klusterointiominaisuuksiin.
- Mallien rakentaminen ja kouluttaminen rakenteellisten datamalliobjektien (DMO) avulla AI-mallit-välilehdessä
- Klusteriarviointi koulutusmittareilla, kuten yhteenkuuluvuuspisteillä, erottuvuuspisteillä ja siluettipisteillä
- Klusterien yhteenvedot ja edustavat esimerkkitietueet, jotka näyttävät kunkin klusterin kuvaavat kenttäarvot
- Mukautetut klusterin otsikot, jotka on kohdistettu järjestelmän luomien otsikoiden korvaamiseen
- Klusteroinnin johtopäätös uusista tiedoista kuluilla kohdistaaksesi tietueita olemassa oleviin klustereihin
- Tulokset, kuten klusterin tunnus, klusterin otsikko, samankaltaisuuden pisteet ja tärkeimmät tekijät
Klusteriarvon tilastot
Tarkasta nämä tilastot mallin koulutuksen jälkeen arvioidaksesi, ovatko klusterisi hyödyllisiä.
| MITTATAULUKKO | Mitä se mittaa |
|---|---|
| Johdonmukaisuuden pisteytys | Kuinka samankaltaisia klusterin tietueet ovat toisiinsa. Korkeampi on parempi. |
| Erottavuuspisteet | Kuinka erilaisia klusterit ovat toisistaan. Alhaisemmat arvot osoittavat, että klusterit ovat erillisiä. |
| Silhouette-pisteet | Yhteensopivuuden ja erotuksen yhdistetty mitta, joka vaihtelee väliltä -1–1. Yli 0,7 pistemäärä osoittaa hyvin määritettyjä klustereita. |
Jos pisteet ovat alhaiset, poista melua aiheuttavat muuttujat, säädä klusterien määrää tai kouluta mallia uudelleen.
Kun suoritat kulun uusille tiedoille johtopäätöksen aikana, jokainen tietue saa nämä tulokset.
- Klusteri-tunnus
- Klusteriotsikko
- Samanlaisuuden pistemäärä
Voit kohdistaa nämä tulokset tietueisiin, käyttää olemassa olevia kulkukomponentteja tai syöttö-API:a.
Huomioitavaa
Ota seuraavat asiat huomioon.
- Tulokset vaihtelevat käytettyjen kenttien ja parametrien mukaan.
- Erittäin pienet tai hyvin samankaltaiset datajoukot tuottavat vähemmän erillisiä klustereita.
- Asiaankuuluvat ja korkealaatuiset syöttökentät tarjoavat parempia klusterointituloksia.
- Säännöllinen uudelleenkoulutus pitää klusterit tasalla muuttuvien tietojen kanssa.
