Диаграмма роста прибыли (службы Analysis Services — интеллектуальный анализ данных)

В диаграмме роста прибыли отображается теоретический прирост прибыли, связанный с использованием модели интеллектуального анализа данных. Например, если модель прогнозирует, с какими заказчиками компании следует связаться в каком-либо бизнес-сценарии, в диаграмму роста прибыли будут включены данные о стоимости проведения кампании целевой рассылки, в которой устанавливается контакт с x заказчиками, и будет вычисляться предполагаемая прибыль. На типичной диаграмме роста прибыли отображается увеличение прибыли до определенной точки, после которой прибыль уменьшается, по мере того как устанавливается связь в возрастающей частью совокупности.

Основные сведения о диаграмме роста прибыли

Диаграмма роста прибыли аналогична диаграмме точности прогнозов. Как и диаграмма точности прогнозов, диаграмма роста прибыли может использоваться для сравнения моделей, если они прогнозируют один и тот же дискретный атрибут. Для создания диаграммы роста прибыли нет отдельного интерфейса. Следует открыть вкладку Диаграмма точности прогнозов на странице Диаграмма точности интеллектуального анализа в конструкторе интеллектуального анализа данных и добавить сведения об издержках и прибыли, которые являются характерными для диаграмм роста прибыли.

Чтобы проиллюстрировать, как это работает, в этом разделе будет создана диаграмма роста прибыли для прогнозирования того, какие потенциальные заказчики, скорее всего, купят велосипед и какую прибыль можно заработать в результате целевой ориентации на этих потенциальных заказчиков.

Для понимания процесса воспользуйтесь моделью дерева принятия решений TM_Decision Tree, которая была создана в учебнике «Базовый интеллектуальный анализ данных». Начните с выбора модели и прогнозируемого атрибута, как и в случае с диаграммой точности прогнозов, но в списке выберите пункт Диаграмма роста прибыли.

При выборе диаграммы роста прибыли автоматически открывается диалоговое окно Настройка диаграммы роста прибыли. Это диалоговое окно помогает указать издержки и прибыль, связанные с кампанией целевой рассылки. После задания параметров, определяющих диаграмму роста прибыли, отображаемая диаграмма будет автоматически заменена диаграммой роста прибыли. Для диаграммы в этом примере были использованы следующие значения.

Параметр	Значение
Выбор модели	TM_DecisionTree
Укажите прогнозируемый атрибут и прогнозируемое значение.	В данном случае требуются только заказчики, которые, скорее всего, купят велосипед, поэтому выберите [Bike Buyer] =1 В других случаях было бы важнее смоделировать негативные издержки, то есть потребовалось бы, чтобы диаграмма роста прибыли показала издержки неверного прогноза. При таком сценарии не нужно указывать прогнозируемое значение и измерять все результаты.
Выберите набор тестируемых данных или данные, используемые для оценки точности и прибыльности модели.	Если нужно оценить только общую точность прибыльности модели, можно использовать тестовый набор, сформированный в момент создания структуры интеллектуального анализа. Однако, если необходимо спрогнозировать точность и прибыльность модели для фактических данных, используйте набор данных, которые включают потенциальных заказчиков и их атрибуты.
Установите значение для всей целевой популяции	База данных может содержать много заказчиков, однако в целях экономии расходов на рассылку выберите только первых 20 000 заказчиков, которых модель определяет как наиболее вероятных покупателей.
Введите единовременные затраты по организации кампании целевой рассылки, рассчитанной на 20 000 человек.	500
Введите удельные затраты для кампании целевой рассылки. Эта сумма будет умножена на число, меньшее или равное 20 000, в зависимости от количества заказчиков, которые модель спрогнозирует в качестве хороших потенциальных заказчиков.	3
Введите значение, представляющее объем прибыли или дохода, который можно ожидать при удачном исходе. Эта сумма будет использоваться для проектирования общей прибыли, связанной с весьма вероятными вариантами.	25

Интерпретация результатов

На следующей диаграмме показана диаграмма, которая была основана на этих параметрах. Ось Y на диаграмме представляет прибыль, а ось X — процент совокупности, с которым связалась компания.

Диаграмма роста прибыли содержит серую вертикальную линию, отмечающую процентную долю целевой совокупности. Эту линию можно переместить, щелкнув в каком-либо месте диаграммы. Каждый раз во время перемещения линии окно Обозначения интеллектуального анализа данных обновляется и отображает новое процентное отношение, оценку прибыли и вероятность прогноза, связанную с процентной долей совокупности, соответствующей серой вертикальной линии. Если переместить серую линию в точку диаграммы, где прибыль максимальна, можно использовать значение вероятности прогноза для определения стратегии, по которой будет проводиться связь с клиентами.

Процентные варианты	Ряд, модель	Прибыль	Вероятность прогноза
30		$103,000	67.23%
40	TM_DecisionTree	$128,500	60.90%
50		$149,500	50.70%
60		$168,000	44.05%

Экспериментируя с этим графиком, можно определить, что пик кривой прибыли находится на отметке в 55 процентов совокупности, а соответствующее значение вероятности прогноза составляет 20 процентов. Эти результаты показывают, что для получения максимальной прибыли следует отправлять письма только тем клиентам, получение отклика от которых прогнозируется с вероятностью 20 процентов и выше.

См. также

Следующие разделы содержат дополнительные сведения о том, как создавать и использовать диаграммы точности.

Разделы	Ссылки
Объясняет, как создать диаграмму точности прогнозов для модели целевой рассылки.	Учебник по основам интеллектуального анализа данных Проверка точности при помощи диаграмм точности прогнозов (учебник интеллектуального анализа данных — начальный уровень)
Объясняет типы соответствующих диаграмм.	Диаграмма точности прогнозов (службы Analysis Services — интеллектуальный анализ данных) Матрица классификации (службы Analysis Services — интеллектуальный анализ данных) Точечная диаграмма (службы Analysis Services — интеллектуальный анализ данных)
Описывает перекрестную проверку для моделей интеллектуального анализа данных и структур интеллектуального анализа данных.	Перекрестная проверка (службы Analysis Services — интеллектуальный анализ данных)
Описывает шаги для создания диаграммы точности прогнозов и других диаграмм точности.	Задачи и решения по тестированию и проверке (интеллектуальный анализ данных)

См. также

Основные понятия

Тестирование и проверка (интеллектуальный анализ данных)