永洪深度分析模塊集成了復(fù)雜的統(tǒng)計(jì)算法和機(jī)器學(xué)習(xí)技術(shù)，能夠從海量數(shù)據(jù)中，挖掘具有潛在價(jià)值的關(guān)系、模式和趨勢(shì)，構(gòu)建數(shù)據(jù)模型，做出預(yù)測(cè)分析，但其仍然需要數(shù)理統(tǒng)計(jì)和數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)，使用門(mén)檻相對(duì)較高。

基于此，永洪BI推出了數(shù)據(jù)解釋組件，將AI深度分析的能力以可視化組件的形式展示出來(lái)，使其可以在任意的報(bào)告中使用AI的能力探索和挖掘數(shù)據(jù)之間的相關(guān)性。

接下來(lái)的文章中，我們將介紹數(shù)據(jù)解釋組件如何使用，以及是如何解釋數(shù)據(jù)的。

01功能入口

制作報(bào)告拖拽右側(cè)的組件面板的“小燈泡”到制作區(qū)域，綁定需要解釋分析的數(shù)據(jù)集的字段。

02功能介紹

分析(Analyze)：將需要分析的字段放入其中，如天氣的好壞、股票的漲跌、用戶(hù)的評(píng)分、空氣的質(zhì)量等。

解釋依據(jù)(Explainby)：將可能導(dǎo)致出現(xiàn)分析字段的值的因素放入其中，如溫度、濕度、地區(qū)、年齡、行業(yè)、日期、車(chē)流量等。

03關(guān)鍵因素

綁定分析和解釋依據(jù)之后，通過(guò)永洪BI的AI算法計(jì)算后，得到對(duì)分析字段的關(guān)鍵因素，其主要的場(chǎng)景是可以用來(lái)展示哪些解釋依據(jù)會(huì)影響所分析的指標(biāo)，以及對(duì)比這些解釋依據(jù)的相對(duì)重要性。

01分析字段的選擇值：

分析字段的選擇值：在此示例中，所選的值為“Low”。

02選項(xiàng)卡：

在視圖之間進(jìn)行切換?！瓣P(guān)鍵因素”顯示對(duì)所選分析字段影響較大的一些解釋依據(jù)。“最佳組合”顯示對(duì)所選分析字段影響較大的一些解釋依據(jù)的組合。

03關(guān)鍵因素的闡述：

幫助解釋左側(cè)分析結(jié)果的圖表。

04左側(cè)分析結(jié)果：

在此情況下，顯示關(guān)鍵影響因素列表。點(diǎn)擊其中一個(gè)關(guān)鍵因素后，出現(xiàn)右側(cè)分析結(jié)果。

05解釋依據(jù)的相對(duì)重要性闡述：

幫助解釋右側(cè)分析結(jié)果的圖表。

06右側(cè)分析結(jié)果：

在此情況下，顯示左側(cè)中已選中關(guān)鍵因素“組織里面的角色”的所有值。

07平均線(xiàn)：

除“consumer”（即選中的解釋依據(jù)）以外，計(jì)算了“組織里面的角色”的所有可能值的平均值。因此該計(jì)算適用于所有藍(lán)色的值。它顯示了其他低分“組織里面的角色”的百分比。

本例中，平均來(lái)看，除“consumer”的其他組織里面的角色約有13%打了低分（虛線(xiàn)所示）。

看到這里，有的小伙伴可能還是不知道具體是如何計(jì)算的。

就以上文的例子進(jìn)行詳細(xì)解釋?zhuān)捍擞绊懻叩恼急?，即是consumer的計(jì)數(shù)占所有數(shù)據(jù)量的占比，141245/209503=67.42%，這是第5部分的數(shù)據(jù)量的占比的來(lái)源。

組織里面的角色：administrator的low的比例是3840/13852=27.72%，consumer的low的比例是42287/141245=29.93%，publisher的low的比例是5013/54406=9.21%，這些值即是柱圖的高度。

除“consumer”（即選中的解釋依據(jù)）以外，計(jì)算了“組織里面的角色”的所有可能值的平均值，即是下表中(3840+5013)/68258=12.96%，約為13%，這即是平均線(xiàn)的值。

左側(cè)的倍數(shù)2.31x,是由29.93%/12.96%得到的。

以該示例總結(jié)一下關(guān)鍵因素，選擇以下情況影響客戶(hù)評(píng)分為L(zhǎng)ow,可以分析出，導(dǎo)致客戶(hù)評(píng)分為L(zhǎng)ow的因素從大到小主要有：

客戶(hù)的有效期大于58個(gè)月、組織里面的角色是consumer、客戶(hù)關(guān)注的主題是可用性、安全性、訂閱類(lèi)型是高級(jí)用戶(hù)、國(guó)家地區(qū)是法國(guó)，這些因素會(huì)使得客戶(hù)評(píng)分為L(zhǎng)ow的可能性增加。

如果對(duì)其中的某一個(gè)因素感興趣，可以繼續(xù)點(diǎn)擊關(guān)鍵因素排名，右側(cè)會(huì)展示此因素的詳細(xì)解釋?zhuān)戏降奈谋菊故玖舜艘蛩氐臄?shù)據(jù)量占整個(gè)數(shù)據(jù)的百分比。

例如點(diǎn)擊組織中的角色是consumer，上方的文本展示了角色為consumer的客戶(hù)評(píng)分大概有67.42%的數(shù)據(jù)，下方的圖表展示了各個(gè)角色在導(dǎo)致低評(píng)級(jí)上的影響的比較分析。

評(píng)價(jià)來(lái)看，13%的所有角色給出了Low的評(píng)分，30%的consumer給出了Low，與其他的客戶(hù)角色相比，consumer給出低分的可能性高出2.31倍。

04最佳組合

使用“關(guān)鍵因素”選項(xiàng)卡分別評(píng)估每個(gè)解釋依據(jù)，切換選項(xiàng)卡后使用“最佳組合”選項(xiàng)卡查看解釋依據(jù)的組合，如何影響正在分析的指標(biāo)。

01分析字段的選擇值：

在此示例中，所選的值為銷(xiāo)售額的“提高”。

02選項(xiàng)卡：

在視圖之間進(jìn)行切換。“關(guān)鍵因素”顯示對(duì)所選分析字段影響較大的一些解釋依據(jù)?！白罴呀M合”顯示對(duì)所選分析字段影響較大的一些解釋依據(jù)的組合。

03最佳組合的分析結(jié)果：

在此情況下，顯示最佳組合列表。點(diǎn)擊其中一個(gè)最佳組合后，出現(xiàn)下側(cè)和右側(cè)分析結(jié)果。

04下側(cè)分析結(jié)果：

點(diǎn)擊其中一個(gè)最佳組合后，出現(xiàn)最佳組合的詳細(xì)信息，在此示例中，組合2的詳細(xì)信息為“邊際利潤(rùn)大于114.50且利潤(rùn)小于等于337”。

05右側(cè)分析結(jié)果：

在此情況下，顯示左側(cè)中已選中組合2中數(shù)據(jù)的平均值和整體中的平均值，并顯示對(duì)比。

06最佳組合右下分析結(jié)果：

以環(huán)形圖顯示組合2中的詳細(xì)數(shù)據(jù)量的占比。

以該示例總結(jié)一下最佳組合，影響銷(xiāo)售額提高的因素的組合有：組合1~組合7，組合2中“邊際利潤(rùn)大于114.50且利潤(rùn)小于等于337”的銷(xiāo)售額的平均值為347.61，整體的銷(xiāo)售額的平均值為192.99，在組合2中，包含了1236個(gè)數(shù)據(jù)點(diǎn)，占比29.1%。

注：

關(guān)鍵因素的數(shù)據(jù)集來(lái)源于[Moroet al., 2014] S. Moro, P. Cortez 和P.Rita. “一種預(yù)測(cè)銀行電話(huà)營(yíng)銷(xiāo)成功的數(shù)據(jù)驅(qū)動(dòng)方法?！盌ecisionSupport Systems, Elsevier, 62:22-31, June 2014。

最佳組合的數(shù)據(jù)集為永洪BI自帶的咖啡中國(guó)市場(chǎng)銷(xiāo)售數(shù)據(jù)。

? ? ? ?ymf