Вы находитесь здесь:
Структурированный кластер (бета-версия)
Используйте кластеризацию в Data 360 для обнаружения скрытых схем и обнаружения естественных группировок в структурированных данных на основе схожести выбранных полей. Кластеризация определяет новые профили клиентов, повторяющиеся схемы поддержки и неожиданные тенденции поведения.
После обучения модель назначает каждую запись коду кластера и системной метке кластера. Например, модель, обученная данным покупки, автоматически определяет группы, например, «Лояльные клиенты», «Крупные транжиры» или «Клиенты из группы риска». Обученная модель последовательно соотносит новые записи с существующими кластерами в динамике. Он оценивает входящие данные и назначает оценку сходства, которая указывает, насколько каждая запись соответствует кластеру. Data 360 добавляет данные поля вывода в набор данных. Примените поля вывода для стимулирования сегментации, аналитики и активации в Salesforce.
Просмотрите эти цели кластеризации.
-
Сегментирование клиентов или записей в значимые группы автоматически
-
Обнаружение схем и сходств в атрибутах данных
-
Определение ценных, подверженных риску или основанных на поведении сегментов
-
Пополнение наборов данных кодами кластеров и метками для нацеливания, персонализации и анализа
Параметры кластеризации
Чтобы использовать кластеризацию, включите структурированный кластер (бета-версия) в менеджере функций в настройках Data Cloud.
Возможности кластеризации
Алгоритм K-среднего группирует записи в определенное количество кластеров на основе сходства. Модель по умолчанию содержит 3 кластера, но этот параметр можно определить вручную. Для кластеризации шумных или реальных данных и группировки выпадающих значений в отдельный универсальный кластер используйте алгоритм HDBScan.
Просмотрите данные возможности кластеризации.
- Создание модели и обучение с помощью структурированных объектов модели данных (DMO) во вкладке моделей на основе искусственного интеллекта
- Оценка качества кластера с помощью показателей обучения, например, оценка слаженности, оценка четкости и оценка силуэта
- Сводки кластера и репрезентативные выборочные записи, отображающие значения полей, характеризующие каждый кластер
- Настраиваемые метки кластера, назначенные для переопределения системных меток
- Кластеризация вывода новых данных посредством потоков для назначения записей существующим кластерам
- Вывод результатов, например, код кластера, метка кластера, оценка сходства и лучшие факторы
Показатели качества кластера
Чтобы оценить значимость кластеров, просмотрите эти показатели после обучения модели.
| ПОКАЗАТЕЛЬ | whAT IT-МЕРЫ |
|---|---|
| Степень согласованности | Насколько похожи записи в кластере друг на друга. Выше - лучше. |
| Оценка отличия | Насколько кластеры отличаются друг от друга. Более низкие значения обозначают более отдельные кластеры. |
| Оценка силуэта | Совокупная мера сплоченности и разделения, в диапазоне от -1 до 1. Рейтинги выше 0,7 обозначают четко определенные кластеры. |
Если рейтинги низкие, удалите переменные, создающие шум, настройте количество кластеров или переподготовьте модель.
При выполнении потока над новыми данными во время вывода каждая запись получает эти результаты.
- Код кластера
- Метка кластера
- Оценка сходства
Вы можете назначить эти выводы записям, использовать существующие компоненты потока или API принятия.
Рекомендации
Просмотрите данные рекомендации.
- Результаты определяются используемыми полями и параметрами.
- Очень маленькие или очень похожие наборы данных создают менее определенные кластеры.
- Соответствующие и качественные поля ввода предоставляют лучшие результаты кластеризации.
- Периодическое переобучение поддерживает соответствие кластеров изменяющимся данным.
