Você está aqui:
Agrupamento estruturado
Use o agrupamento no Data 360 para descobrir padrões ocultos e descobrir agrupamentos naturais em dados estruturados com base em similaridades nos campos selecionados. O agrupamento identifica perfis de cliente emergentes, padrões de suporte recorrentes e tendências comportamentais inesperadas.
Após o treinamento, o modelo atribui cada registro a um ID de cluster e a um rótulo de cluster gerado pelo sistema. Por exemplo, um modelo treinado em dados de compra identifica grupos como "Clientes fiéis", "Big Spenders" ou "Clientes em risco" automaticamente. O modelo mapeia novos registros a clusters existentes ao longo do tempo e atribui uma pontuação de similaridade que indica a correspondência entre cada registro e seu cluster. O Data 360 adiciona esses campos de saída ao seu conjunto de dados. Aplique os campos de saída para promover segmentação, análise e ativação no Salesforce.
Revise estas metas de agrupamento.
-
Segmente clientes ou registros em grupos significativos automaticamente
-
Descubra padrões e similaridades entre atributos de dados
-
Identificar segmentos de alto valor, em risco ou baseados em comportamento
-
Aprimore conjuntos de dados com IDs e rótulos de cluster para direcionamento, personalização e análise
Recursos de agrupamento
O algoritmo K-means agrupa registros em um número definido de clusters com base na similaridade. O modelo usa como padrão três clusters, mas você pode definir essa configuração manualmente. Para agrupar dados ruidosos ou do mundo real e agrupar desvios em um grupo de busca de tudo separado, use o algoritmo HDBScan.
Revise estes recursos de agrupamento.
- Criação e treinamento de modelo com objetos de modelo de dados estruturados (DMOs) na guia Modelos de IA
- Avaliação de qualidade do cluster com métricas de treinamento, como pontuação de coesão, pontuação de distinção e pontuação de silhueta
- Resumos de cluster e registros de amostra representativos que mostram quais valores de campo caracterizam cada cluster
- Rótulos de cluster personalizados atribuídos para substituir rótulos gerados pelo sistema
- Inferência de agrupamento em novos dados por meio de fluxos para atribuir registros a clusters existentes
- Saídas de inferência, como ID do cluster, rótulo do cluster, pontuação de similaridade e principais fatores
Métricas de qualidade do cluster
Para avaliar se seus clusters são relevantes, revise estas métricas após o treinamento do modelo.
| MÉTRICA | WHAT IT MEES |
|---|---|
| Pontuação de coesão | Como os registros em um cluster são semelhantes entre si. Mais alto é melhor. |
| Pontuação de distinção | Quão diferentes são os grupos um do outro. Valores menores indicam grupos mais distintos. |
| Pontuação de silhueta | Medida combinada de coesão e separação, variando de -1 a 1. Pontuações acima de 0,7 indicam clusters bem definidos. |
Se as pontuações forem baixas, remova as variáveis que criam ruído, ajuste o número de clusters ou treine o modelo novamente.
Quando você executa um fluxo em novos dados durante a inferência, cada registro recebe essas saídas.
- ID do grupo: O identificador exclusivo do grupo ao qual um registro é atribuído.
- Rótulo do grupo: O nome ou o rótulo do grupo atribuído.
- Pontuação do grupo: Uma pontuação que indica o quanto o registro corresponde ao cluster atribuído.
- Pontuação de anomalia: Uma pontuação que indica a anomalia de um ponto de dados.
- IsOutlier: Um sinalizador que indica se o registro é um desvio em relação a outros registros em seu cluster atribuído.
Você pode atribuir essas saídas a registros, usar componentes de fluxo existentes ou a API de ingestão.
Considerações
Revise estas considerações.
- Os resultados variam dependendo dos campos e parâmetros usados.
- Conjuntos de dados muito pequenos ou muito semelhantes produzem grupos menos distintos.
- Campos de entrada relevantes e de alta qualidade fornecem melhores resultados de agrupamento.
- O treinamento periódico mantém os clusters alinhados com os dados que mudam.
- Usar agrupamento em dados estruturados
Use modelos de agrupamento no Data 360 para agrupar automaticamente registros de objeto de modelo de dados (DMO) por características compartilhadas. Execute um trabalho de previsão ou transformação de dados em lote para atribuir novos registros a clusters salvos e use os resultados no Salesforce.
