U bent hier:
Gestructureerd clusteren
Gebruik clustering in Data 360 om verborgen patronen te ontdekken en natuurlijke groeperingen in gestructureerde gegevens te ontdekken op basis van overeenkomsten in de velden die u selecteert. Clusteren identificeert nieuwe klantprofielen, terugkerende ondersteuningspatronen en onverwachte gedragstrends.
Na de training wijst het model elke record toe aan een cluster-ID en een door het systeem gegenereerd clusterlabel. Zo identificeert een model dat is getraind op aankoopgegevens automatisch groepen zoals "Loyale klanten", "Grote uitgaven" of "Risicoklanten". Het model wijst nieuwe records toe aan bestaande clusters in de loop van de tijd en wijst een gelijksoortigheidsscore toe die aangeeft hoe nauw elke record overeenkomt met het cluster ervan. Data 360 voegt deze uitvoervelden toe aan uw gegevensset. Pas de uitvoervelden toe om segmentering, analyse en activering binnen Salesforce te stimuleren.
Bekijk deze clusterdoelen.
-
Klanten of records automatisch segmenteren in betekenisvolle groepen
-
Patronen en overeenkomsten ontdekken tussen gegevenskenmerken
-
Hoogwaardige, risicovolle of op gedrag gebaseerde segmenten identificeren
-
Gegevenssets verrijken met cluster-ID's en labels voor targeting, personalisering en analyse
Clustermogelijkheden
Het K-means-algoritme groepeert records in een gedefinieerd aantal clusters op basis van gelijksoortigheid. Het model bestaat standaard uit 3 clusters, maar u kunt deze instelling handmatig definiëren. Gebruik het HDBScan-algoritme om luidruchtige of echte gegevens te clusteren en uitschieters te groeperen in een afzonderlijk catch-all-cluster.
Bekijk deze clustermogelijkheden.
- Modelbouw en training met gestructureerde gegevensmodelobjecten (DMO's) op het tabblad AI-modellen
- Kwaliteitsevaluatie clusteren met trainingsmeetgegevens, zoals cohesiescore, onderscheidingsscore en silhouetscore
- Clustersamenvattingen en representatieve voorbeeldrecords die tonen welke veldwaarden kenmerkend zijn voor elk cluster
- Aangepaste clusterlabels die zijn toegewezen om door het systeem gegenereerde labels te overschrijven
- Clusteren van gevolgtrekkingen voor nieuwe gegevens via stromen om records toe te wijzen aan bestaande clusters
- Inferentie-uitvoer, zoals cluster-ID, clusterlabel, gelijksoortigheidsscore en belangrijkste factoren
Clusterkwaliteitsmeetgegevens
Als u wilt beoordelen of uw clusters betekenisvol zijn, controleert u deze meetgegevens na de modeltraining.
| MEETGEGEVEN | WAT IT MAATREGELEN |
|---|---|
| Cohesiescore | Hoe vergelijkbaar records binnen een cluster met elkaar zijn. Hoger is beter. |
| Onderscheidendheidsscore | Hoe verschillend clusters van elkaar zijn. Lagere waarden geven duidelijker clusters aan. |
| Silhouetscore | Gecombineerde meeteenheid voor cohesie en scheiding, variërend van -1 tot 1. Scores boven 0,7 duiden op goed gedefinieerde clusters. |
Als de scores laag zijn, verwijdert u variabelen die ruis veroorzaken, past u het aantal clusters aan of traint u het model opnieuw.
Wanneer u een stroom uitvoert voor nieuwe gegevens tijdens gevolgtrekking, ontvangt elke record deze uitvoer.
- Cluster-ID: De unieke identifier van het cluster waaraan een record is toegewezen.
- Clusterlabel: De naam of het label van het toegewezen cluster.
- Clusterscore: Een score die aangeeft hoe sterk de record overeenkomt met het toegewezen cluster.
- Anomaliescore: Een score die aangeeft hoeveel anomalie een gegevenspunt is.
- IsOutlier: Een vlag die aangeeft of de record een uitschieter is ten opzichte van andere records in het toegewezen cluster.
U kunt deze uitvoer toewijzen aan records, bestaande stroomcomponenten of de opname-API gebruiken.
Overwegingen
Neem deze overwegingen door.
- Resultaten variëren afhankelijk van de velden en parameters die worden gebruikt.
- Zeer kleine of zeer vergelijkbare gegevenssets produceren minder duidelijke clusters.
- Relevante en hoogwaardige invoervelden bieden betere clusterresultaten.
- Periodieke hertraining houdt clusters afgestemd op veranderende gegevens.
- Clusteren gebruiken voor gestructureerde gegevens
Gebruik clustermodellen in Data 360 om gegevensmodelobjectrecords (Data Model Object, DMO) automatisch te groeperen op gedeelde kenmerken. Voer een taak- of batchgewijze gegevenstransformatie uit om nieuwe records toe te wijzen aan opgeslagen clusters en gebruik de resultaten in Salesforce.
