Du er her:
Strukturert klynge
Bruk klynger i Data 360 til å avdekke skjulte mønstre og oppdage naturlige grupperinger i strukturerte data basert på likheter i feltene du velger. Klynger identifiserer nye kundeprofiler, gjentagende kundestøttemønstre og uventede atferdstrender.
Etter opplæring tildeler modellen hver post til en klynge-ID og en systemgenerert klyngeetikett. En modell som er opplært i kjøpsdata, identifiserer for eksempel grupper som "Loyal Customers", "Big Spenders" eller "At-Risk Customers" automatisk. Modellen tilordner nye poster til eksisterende klynger over tid og tildeler en likhetsscore som angir hvor tett hver post samsvarer med klyngen sin. Data 360 legger til disse utdatafeltene i datasettet. Bruk utdatafeltene til å fremme segmentering, analyse og aktivering på tvers av Salesforce.
Se gjennom disse klyngemålene.
-
Segmenter kunder eller poster automatisk i meningsfylte grupper
-
Oppdage mønstre og likheter på tvers av dataattributter
-
Identifisere segmenter med høy verdi, under risiko eller virkemåtebasert
-
Forbedre datasett med klynge-ID-er og -etiketter for målretting, tilpassing og analyse
Klyngefunksjoner
K-means-algoritmen grupperer poster i et definert antall klynger basert på likhet. Modellen bruker som standard tre klynger, men du kan definere denne innstillingen manuelt. Hvis du vil gruppere støyende eller virkelige data og gruppere utenforliggende verdier i en separat fangstklynge, bruker du HDBScan-algoritmen.
Se gjennom disse klyngingsfunksjonene.
- Modellbygging og opplæring med strukturerte datamodellobjekter (DMO-er) i fanen AI-modeller
- Klyngekvalitetsvurdering med opplæringsmålinger, som koherensscore, skilletakscore og silhuettscore
- Klyngesammendrag og representative eksempelfoster som viser hvilke feltverdier som karakteriserer hver klynge
- tilpassede klyngeetiketter tildelt for å overstyre systemgenererte etiketter
- Klyngeutledning på nye data via flyter for å tildele poster til eksisterende klynger
- Utledningsutdata, som klynge-ID, klyngeetikett, likhetsscore og viktige faktorer
Klyngekvalitetsmålinger
Se gjennom disse målingene etter modellopplæring for å vurdere om klyngene er meningsfylte.
| MÅLING | hva den måler |
|---|---|
| Koherensscore | Hvor like poster i en klynge er til hverandre. Høyere er bedre. |
| Distinctivitetsscore | Hvor forskjellige klynger er fra hverandre. Lavere verdier angir mer distinkte klynger. |
| Silhuett score | Kombinert måling av sammenheng og separasjon, fra -1 til 1. Score over 0,7 angir veldefinerte klynger. |
Hvis scoren er lav, fjerner du variabler som oppretter støy, justerer antall klynger eller lærer opp modellen på nytt.
Når du kjører en flyt på nye data under utleding, mottar hver post disse utdataene.
- Klynge-ID: Den unike identifikatoren til klyngen som en post er tildelt til.
- Klyngeetikett: Navnet på eller etiketten til den tildelte klyngen.
- Klyngescore: En score som angir hvor nær posten samsvarer med den tildelte klyngen.
- Avviksscore: En score som angir hvor mye av et avvik et datapunkt er.
- IsOutlier : Et flagg som angir om posten er utenforliggende relativt til andre poster i dens tildelte klynge.
Du kan tildele disse utdataene til poster, bruke eksisterende flytkomponenter eller inntaks-APIen.
Vurderinger
Se gjennom disse viktige punktene.
- Resultatene varierer avhengig av feltene og parameterne som brukes.
- Svært små eller svært lignende datasett produserer mindre distinkte klynger.
- Relevante inndatafelt av høy kvalitet gir bedre klyngeresultater.
- Periodisk omopplæring holder klynger på plass med endrede data.
- Bruke klynger på strukturerte data
Bruk klyngemodeller i Data 360 til automatisk å gruppere datamodellobjektposter (DMO) etter delte egenskaper. Kjør en forutsigelsesjobb eller gruppedatatatransformasjon for å tildele nye poster til lagrede klynger, og bruk resultatet på tvers av Salesforce.
