查看预测计分模型的准确度和性能
了解预测计分模型的准确度有助于您决定该模型是否已准备好使用,还是需要进行微调以提高准确度。 另外还可以帮助您说服领导团队和销售人员采用模型,以改善业务成效。
本文所述的指标同时适用于商机评分和潜在顾客评分。
许可证和角色要求
要求类型 | 您必须具有 |
---|---|
许可证 | Dynamics 365 Sales Premium 或 Dynamics 365 Sales Enterprise 详细信息:Dynamics 365 Sales 定价 |
安全角色 | 系统管理员 详细信息:预定义的 Sales 安全角色 |
影响准确度的因素
预测计分模型计算商机或潜在顾客引发销售的可能性。 模型的准确度取决于以下因素:
- 可用于训练模型的数据的质量和数量
- 您选择的业务流程流和筛选器
- 您选择的阶段和属性(如果模型使用按阶段建模)
将使用训练数据集中 80% 的已结束商机或潜在顾客对模型进行训练。 使用其余 20% 作为测试数据集对模型进行验证,其中包含最新的记录。 根据参数,如真正、假正等,使用经验证的测试数据集计算模型的准确度。
查看准确度和性能指标
性能选项卡中显示以下指标。 如果您在性能选项卡中看不到任何指标,编辑并重新训练商机评分模型。
模型性能:根据以下参数指定模型是否已准备好发布:
准确度:模型做出正确预测的频率,无论是正还是负。 当数据集是平衡的,且假正和假负的成本相同时,此指标最有用。 准确度分数使用以下公式计算:
准确度 = (TP + TN)/(已评分商机或潜在顾客总数) *100
召回率:与实际的正结果相比,模型正确预测正结果的频率。 低召回率分数意味着模型预测的真正结果更少。 查全率分数使用以下公式计算:
召回率 = TP / (TP + FN) * 100
转化率:根据历史数据,被授予资格或赢单的商机或潜在顾客的百分比,或商机或潜在顾客实现转化的可能性。 模型使用此值来确定属性如何影响预测性分数。 转化率使用以下公式计算:
转化率 = (TP + FN)/(已评分商机或潜在顾客总数) *100
混淆矩阵:根据历史数据测试模型时模型预测结果的情况。 矩阵显示真正、真负、假正和假负的数量。
指标 预测 实际 真正(TP) 是 是 真负(TN) 否 否 假正(FP) 是 否 假负(FN) 否 是 曲线下面积:模型的曲线下面积 (AUC) 分数。 AUC 分数确定模型对随机选择的正实例(赢单商机或合格的潜在顾客)的排名高于随机选择的负实例(丢单商机或不合格的潜在顾客)的概率。 AUC 较高的模型更适合预测真正和真负。
F1 分数:根据模型的精确度和召回率分数计算的 F1 分数。 F1 分数确定模型的质量,即使当数据不平衡时。
阈值:潜在顾客或商机被视为合格或赢单的阈值。 例如,如果阈值为 45,分数大于 45 的商机将被预测为赢单。 选择阈值是为了优化 F1 分数。
示例:模型性能指标
我们来看看包含 1,000 个商机的示例数据集的预测结果:
数据 | 商机数量 |
---|---|
真正 | 650 |
假正 | 200 |
真负 | 100 |
假负 | 50 |
模型预测 850 个 (TP + FP) 商机会赢单;但实际只有 650 个 (TP) 商机赢单。 同样,模型预测有 150 个 (TN + FN) 商机会丢单,但实际只有 100 个 (TN) 商机丢单。
下表显示了数据的指标。
指标 | 分数 |
---|---|
准确性 | (650 + 100) / 1,000 = 75% |
撤消 | 650 / (650 + 50) = 92% |
转化率 | (650 + 50) / 1,000 = 70% |
提高模型性能
如果您的模型尚未准备好发布或性能不佳,请尝试以下步骤来提高分数。
- 查看它使用的属性。
- 查看属性见解了解模型对整体预测的影响。
- 对于空值百分比较高,可能会导致假正或假负的属性,忽略空值。
- 加入智能字段,帮助潜在顾客计分模型区分提高或损害分数的因素。
- 在商机评分模型中使用按阶段建模来选择要应用于每个业务流程阶段的属性。
- 细化筛选条件、训练数据的时间段或其他模型配置。 例如,如果您选择了两年作为训练数据的时间段,并且在这段时间内有太多测试或错误记录,则应选择一个数据质量更好的较短的时间段(如六个月或一年)。
在应用中找不到选项?
有三种可能的原因:
- 您没有必要的许可证或角色。 请查看本页顶部的“许可证和角色要求”部分。
- 您的管理员未打开此功能。
- 您的组织正在使用自定义应用。 请联系管理员获取确切步骤。 本文章中说明的步骤仅针对现成可用的销售中心和 Sales Professional 应用。