詳細情報:
構造化クラスタリング (ベータ)
Data 360 のクラスタリングを使用して、隠れたパターンを明らかにし、選択した項目の類似点に基づいて構造化データの自然なグルーピングを検出します。クラスター化では、新しい顧客プロファイル、定期的なサポートパターン、予期しない行動トレンドを特定します。
トレーニング後、モデルでは各レコードをクラスター ID とシステムで生成されたクラスター表示ラベルに割り当てます。たとえば、購入データに基づいてトレーニングされたモデルでは、「Loyal Customers」、「Big Spenders」、「At-Risk Customers」などのグループが自動的に識別されます。トレーニング済みモデルでは、経時的に新しいレコードが既存のクラスターに一貫して対応付けられます。受信データを評価し、各レコードがそのクラスターにどの程度一致するかを示す類似度スコアを割り当てます。Data 360 では、次の出力項目がデータセットに追加されます。出力項目を適用して、Salesforce 全体のセグメンテーション、分析、有効化を促進します。
次のクラスタリングの目標を確認します。
-
顧客またはレコードを意味のあるグループに自動的にセグメント化
-
データ属性全体のパターンと類似点を発見
-
価値の高いセグメント、リスクの高いセグメント、または行動ベースのセグメントの特定
-
ターゲティング、パーソナライズ、分析用のクラスター ID と表示ラベルを使用してデータセットを強化する
クラスタリング設定
クラスタリングを使用するには、Data Cloud の [設定] の [機能マネージャー] で [構造化クラスタリング (ベータ)] を有効にします。
![構造化クラスタリング (ベータ) 機能設定を使用した Data Cloud の [設定] の機能マネージャー。](https://sf-zdocs-cdn-prod.zoominsoftware.com/tdta-data-data_cloud-262-0-0-production-jajp/fe519ccd-23b4-4de4-96d6-4a0949df568a/data_cloud/images/c360_a_ai_predictive_model_structured_clustering_enable.png)
クラスタリング機能
K平均アルゴリズムでは、類似度に基づいてレコードが定義された数のクラスターにグループ化されます。モデルのデフォルトは 3 クラスターですが、この設定を手動で定義できます。ノイズの多いデータや実際のデータをクラスター化し、異常値を個別のキャッチオールクラスターにグループ化するには、HDBScan アルゴリズムを使用します。
次のクラスタリング機能を確認します。
- [AI モデル] タブの構造化データモデルオブジェクト (DMO) を使用したモデルの作成とトレーニング
- 凝集性スコア、明瞭性スコア、シルエットスコアなどのトレーニング評価指標を使用したクラスター品質評価
- 各クラスタを特徴付ける項目値を示すクラスタの概要と代表的なサンプルレコード
- システムで生成された表示ラベルを上書きするために割り当てられたカスタムクラスター表示ラベル
- 既存のクラスターにレコードを割り当てるためのフローを介した新しいデータのクラスター化推測
- クラスター ID、クラスターの表示ラベル、類似性スコア、上位の要素などの推測出力
クラスター品質評価指標
クラスターに意味があるかどうかを評価するには、モデルのトレーニング後に次の総計値を確認します。
| 総計値 | IT 対策 |
|---|---|
| Cohesiveness スコア | クラスタ内のレコードの類似性。大きいほど良いです。 |
| 識別スコア | クラスターがどの程度異なるか。値が低いほど、クラスタが個別であることを示します。 |
| シルエットスコア | 凝集度と分離度の複合基準 (-1 ～ 1)。 スコアが 0.7 を超えている場合は、適切に定義されたクラスターを示します。 |
スコアが低い場合は、ノイズの原因となる変数を削除するか、クラスター数を調整するか、モデルを再トレーニングします。
推測中に新しいデータに対してフローを実行すると、各レコードは次の出力を受信します。
- クラスタ ID
- クラスターの表示ラベル
- 類似性スコア
これらの出力をレコードに割り当てることも、既存のフローコンポーネントまたは取り込み API を使用することもできます。
考慮事項
次の考慮事項を確認してください。
- 結果は、使用する項目とパラメーターによって異なります。
- データセットが非常に小さい場合や類似度が高い場合、クラスターは区別されにくくなります。
- 関連性の高い高品質の入力項目により、クラスタリングの結果が向上します。
- 定期的な再トレーニングにより、変化するデータに合わせてクラスターを調整できます。
