Du är här:
Strukturerat kluster (beta)
Använd kluster i Data 360 för att upptäcka dolda mönster och upptäcka naturliga grupperingar i strukturerade data baserat på likheter i de fält du väljer. Kluster identifierar nya kundprofiler, återkommande supportmönster och oväntade beteendetrender.
Efter utbildningen tilldelar modellen varje post till ett kluster-ID och en systemgenererad klusteretikett. Till exempel identifierar en modell som är utbildad på inköpsdata grupper som "Lojala kunder", "Stora spenderare" eller "Riskkunder" automatiskt. Den utbildade modellen mappar nya poster enhetligt till befintliga kluster över tid. Den utvärderar inkommande data och tilldelar ett likhetsbetyg som indikerar hur nära varje post matchar sitt kluster. Data 360 lägger till dessa utdatafält i din datauppsättning. Tillämpa utdatafälten för att driva segmentering, analys och aktivering i Salesforce.
Gå igenom dessa klustermål.
-
Segmentera kunder eller poster i meningsfulla grupper automatiskt
-
Upptäck mönster och likheter mellan dataattribut
-
Identifiera segment med högt värde, i riskzonen eller beteendebaserade segment
-
Förbättra datauppsättningar med kluster-ID och etiketter för inriktning, personanpassning och analys
Klusterinställningar
För att använda kluster, slå på Strukturerad kluster (beta) från Funktionshanteraren i Data Cloud-inställningarna.
Klusterkapacitet
K-means-algoritmen grupperar poster i ett definierat antal kluster baserat på likhet. Modellen har som standard 3 kluster, men du kan definiera denna inställning manuellt. För att klustra brusiga eller verkliga data och gruppera avvikelser i ett separat catch all-kluster, använd HDBScan-algoritmen.
Granska dessa klustermöjligheter.
- Modellbygge och utbildning med strukturerade datamodellobjekt (DMO) på fliken AI-modeller
- Utvärdering av klusterkvalitet med inlärningsmått, som kohesionsbetyg, särskiljbarhetsbetyg och silhuettbetyg
- Klustersammanfattningar och representativa exempelposter som visar vilka fältvärden som kännetecknar varje kluster
- Egna klusteretiketter tilldelade för att åsidosätta systemskapade etiketter
- Klusterslutledning för nya data via flöden för att tilldela poster till befintliga kluster
- Slutledningsresultat, som kluster-ID, klusteretikett, likhetsbetyg och toppfaktorer
Mått för klusterkvalitet
För att bedöma om dina kluster är meningsfulla, gå igenom dessa mått efter modellutbildning.
| MÅTT | Vilka IT-MÅTT |
|---|---|
| Sammanhållningsbetyg | Hur lika poster inom ett kluster är varandra. Högre är bättre. |
| Särskiljbarhetsbetyg | Hur olika kluster är från varandra. Lägre värden indikerar mer distinkta kluster. |
| Silhuettbetyg | Kombinerat mått på sammanhållning och separation, från -1 till 1. Betyg över 0,7 indikerar väldefinierade kluster. |
Om betygen är låga, ta bort variabler som skapar brus, justera antalet kluster eller utbilda modellen igen.
När du kör ett flöde på nya data under härledningen får varje post dessa utdata.
- Ett kluster-ID
- En klusteretikett
- Ett likhetsbetyg
Du kan tilldela dessa utdata till poster, använda befintliga flödeskomponenter eller Ingestion API.
Att tänka på
Gå igenom dessa saker att tänka på.
- Resultaten varierar beroende på vilka fält och parametrar som används.
- Mycket små eller mycket liknande datauppsättningar producerar mindre distinkta kluster.
- Relevanta och högkvalitativa inmatningsfält ger bättre klusterresultat.
- Regelbunden omskolning håller kluster i linje med ändrade data.
