爱因斯坦探索故事见解(3)了解预测和改进见解

学习目标

完成本单元后,您将能够:

  • 导航到故事的预测和改进见解并探索它们。
  • 确定您的方案的最佳可能未来结果。
  • 列出预测背后的因素。

了解预测和改进见解

注意

注意

本单元中的说明假定您已根据“创建故事”中的步骤成功创建了爱因斯坦探索故事,这是此Trailhead模块中的第一个单元。预测和改进见解可帮助您探索未来可能发生的情况。例如,您可以在故事中以交互方式执行“假设”分析。爱因斯坦发现基于对数据集和预测分析的统计分析,为您提供预测和建议的改进。为了帮助您想象这些见解,爱因斯坦发现公司使用:

  • 预测的瀑布图表
  • 建议改进的条形图

这些预测性见解可帮助您针对未来交易中可能发生的情况做出明智,有计划的决策。爱因斯坦发现还建议您可以采取行动来改善结果。虽然其他见解显示了过去交易的现有数据,但预测和改进洞察力可计算未来事件的统计可能结果。预测类似于数据科学家使用高级分析工具进行的回归或机器学习分析。

预测就是:基于爱因斯坦发现对您的数据进行统计分析的预期结果。当然,预测性见解并不能保证业务成果。但是,它们可以帮助您调查和了解可能影响您感兴趣的业务成果的因素。

了解预测和改进

预测和改进见解向您展示单个目标预测背后最重要的细节,在我们的案例中是CLV。

获取单个变量的预测(分部)

让我们首先看看爱因斯坦发现如何帮助按行业预测CLV。

  • 在“故事”导航栏上,单击“ 预测和改进”
Story导航栏上的Predictions and Improvements洞察类型。
  • 注意您必须至少选择一个变量才能看到预测性洞察力。
  • 在“ 通过更改(选择变量)”中,选择“ 分区”
选择“与变量相关”。
  • 爱因斯坦发现会生成一系列见解。第一个洞察力显示了按部门预测的CLV
分部预测。

该图显示了哪些分区产生最高预测CLV(原材料和映射)和最低(标准硬件)。

调查原材料

原材料似乎是一个有利可图的部门。让我们进一步调查吧。在“ 关联(选择变量)”中,选择“ 分部 – 原材料”

分部是原材料。

我们来看看这张图。

  • 基线表示组合的所有字段的平均CLV。
  • 分部是原材料代表预测的分部为原材料的 CLV 。条形图显示预测的平均CLV高于基线483美元。
  • 其他领域的预期影响代表其他领域的预测平均CLV(以上分部 954美元为原材料)。这是一个非常重要的影响!
  • 预测结果表示所选变量(分部为原材料)的预测CLV 加上其他字段的预期影响。将鼠标悬停在蓝色条上以查看详细信息。此方案的预测结果为23,903美元。

添加另一个变量(行业是制造业)

让我们预测原材料如何与第二个变量结合使用。在“ 关联(选择变量)”中,选择“ 分部 – 原材料  工业 – 制造”

按部门筛选的是原材料和工业是制造业。

爱因斯坦发现会根据此过滤器刷新洞察力。

分部是原材料和工业是制造业。

图表显示,工业制造业本身将CLV降低了77,而工业制造业和制造业部门的合并降低了 415。这很重要!但是,当您添加其他类别(分部是原材料其他字段预期影响)时,净效果是预测结果22,505。在这种情况下,制造会降低CLV。

探索不同的变量(行业是服装)

接下来,让我们尝试一个不同的行业 – 服装 – 看看它如何影响预测的CLV结果。在“ 关联(选择变量)”中,选择“ 分部 – 原材料  工业 – 服装”

分部是原材料和工业是航运。

爱因斯坦发现会根据此过滤器刷新洞察力。

分部是原材料和工业是服装。

分部的组合是原材料工业是服装将预测的CLV提高到25,240

通过在假设情景中尝试不同的变量和变量组合,您可以利用爱因斯坦发现中预测性洞察力的力量来帮助您发现改善业务成果的方法。

结论

在本单元中,您了解了为什么它发生的见解可以让您更深入地了解现有数据中的复杂关系。您了解了相关和不相关的因素如何影响观察到的结果,然后使用预测和改进见解来更好地决定未来的业务行动。

爱因斯坦探索故事见解(2)了解为什么会发生这种见解

学习目标

完成本单元后,您将能够:

  • 导航到一个故事,为什么它发生了见解并探索它们。
  • 了解因素的组合如何影响结果。
  • 了解不相关的因素如何影响结果。

了解为什么会发生这种见解

注意

注意

本单元中的说明假定您已根据“创建故事”中的步骤成功创建了爱因斯坦探索故事,这是此Trailhead模块中的第一个单元。为什么它发生的见解有助于您深入了解导致结果的确切因素。

注意

注意

为何发生的原因是指高度相关 – 不一定是因果关系。使用为什么会发生这些见解,深入了解导致故事目标的各种因素。这些见解基于对数据集的统计分析。爱因斯坦发现使用瀑布图来帮助您想象为什么会发生这种见解。

你的故事的结果变量和目标

配置故事时,您告诉Einstein Discovery在AcquiredAccount中最大化CLV变量。CLV是您故事中的结果变量,最大化CLV是您的目标。本故事中的所有见解都向您展示了变量和变量组合如何帮助解释CLV的变化。列表中的最高见解反映了结果变量中统计上最显着的变化。

选择“为什么会出现洞察力类型”

在Insight导航栏上,单击“ 为什么会发生这种情况”

为什么它在Story导航栏上发生了洞察类型。

搜索故事洞察中,单击向下箭头并选择分区 – 海军

在“搜索故事洞察”下拉列表中,选择“部门 - 海军”。

爱因斯坦发现刷新了洞察清单。

当司是海军时,CLV的司机。
注意

注意

如果这里的图像与您在爱因斯坦发现中看到的屏幕略有不同,请不要担心。界面元素通常是相同的,但一些细节 – 包括它们显示的数据 – 可能略有不同。我们正在查看CLV值的瀑布图,这可以帮助解释为什么属于海军部门的客户与普通客户不同。

  • 全球结果代表所有部门(包括海军)的CLV平均值。
  • 分部是海军(结果)代表海军师的CLV的平均值。

哇,我们公司的海军部门拥有比平均值更高的CLV!海军客户本质上更好吗?也许它们与其他客户基本相同,但存在增加CLV的潜在相关性。也许它只是两者兼而有之。我们来看看。

将鼠标悬停在Global Outcome栏上以获取更多信息。

全球成果详情

全球成果的平均值为20,136,计数为10,000。这些数据告诉我们什么?所有部门(包括海军)的平均CLV为20,136美元,并且有10,000条记录。

将鼠标悬停在海军(Outcome)栏上以查看更多信息。

分部是海军(Outcome)的详细信息

Division is Naval(结果)的平均值为20,488,计数为 328。这些数据告诉我们什么?海军部门的平均CLV为20,488美元,有328个客户。对于所有客户,海军客户的平均CLV比CLV高出352美元!现在让我们找出原因。

了解该部门是海军洞察力

将鼠标悬停在该部门的海军栏上可查看更多信息。

分部是海军的细节

我们可以从这些信息中了解很多关于海军客户的信息。让我们按以下顺序查看数字,以便我们可以先了解构建块。

  • 全球频率3.3%。我们海军部门的客户总数仅占客户总数的3.3%。多么不幸,因为我们的海军客户的CLV高于平均水平。也许是时候尝试收购潜在的海军客户了?或许我们意识到海军市场很小,我们专注于其他部门?
  • 条件频率1(100%)。在我们的案例中,类别部门中100%的记录是海军在海军部门。也许这些信息显而易见。
  • 系数87。这告诉我们什么?如果没有其他因素,那么海军部门的CLV将比平均值高出87美元。这个数字告诉你,除法是海军的简单事实会影响海军师的CLV。小费这是您使用此号码的一种方式。如果这个数字很高,比如1000,那么作为海军客户的影响,没有考虑其他因素,是CLV比平均值高1000美元。呜啊!但是你看到观察到的结果远远低于1000美元。这些信息表明海军客户有可能具有价值,但其他东西正在拖累这个数字。
  • 排除的总和410。对普通客户的影响包括海军部门客户的影响以及非海运部门客户的影响。爱因斯坦发现计算的影响,客户谁是不是在海军部门对谁的客户的CLV 在海军部门。在我们的例子中,删除非海军部门的所有影响的影响是将CLV增加410.00美元。
  • 影响495。此数字总结了之前的所有其他数字。影响考虑了仅仅是海军客户的影响以及作为海军的整体客户的百分比。影响还增加了其他非海军客户的影响力。在我们的例子中,它告诉我们,如果不是相关和非相关类别中的其他因素,海军客户的CLV将比平均值高495美元。这是一个重要的数字!为什么我们没有意识到这种潜力?在接下来的部分中,我们会发现。

我们完成了该部门的一级分析是海军类别。现在看下一个类别,与Division相关的是Naval。

分裂是海军时了解变量

此类别告诉您变量的不同组合如何协同工作以影响CLV。

小费

小费

相关部分是爱因斯坦发现的最佳部分之一。您可以真正了解您甚至没有考虑的重要但非显而易见的因素!

将鼠标悬停在评级上是热门,而部门则是海军以显示详细信息。

评级很热,分部是海军

这个数据令人惊讶。海军客户应该拥有高CLV。具有热评级的客户应该是有利可图的。但海军部门的热门评级客户的CLV低于预期。以下是观察结果:全球53%的时间评级为热点,但当知道该部门是海军时,它会变为92.4%。由于这些情况,CLV减少了172.1

谁知道?被评为热门的海军客户拖累海军客户的整体CLV。为什么?也许我们的评级系统有问题。Naval客户可能对我们使用Hot客户采取的方法反应不佳。

还有更多的惊喜。92.4%的海军客户被评为热门,这是拖累CLV的客户比例非常高。绝对值得深入研究这个!请注意自己稍后与您的团队进行调查。

让我们进一步研究重要但非显而易见的因素。将鼠标悬停在类型为客户和事业部是海军

类型为客户,分部为海军

此栏显示-294的影响,这意味着直接客户(而不是合作伙伴或经销商或某些其他类型的渠道)的海军客户确实拖累了CLV。和62%,我们的海军客户都是直接客户。哇。这一见解让您意识到爱因斯坦发现的强大之处。在我们最有价值的部门中,超过一半的客户似乎严重低于平均CLV。是时候调查海军部门客户渠道的情况了!

最后,将鼠标悬停在与分部相关的小条款上是海军

与分部相关的小条款是海军

此类别将CLV降低254美元。

了解不相关的类别

我们从与海军师有关的类别中获得了一些有用的信息。现在让我们来看看无关类别。但为什么我们要查看不相关的信息?好问题。本节中的信息是“不相关的”,这意味着它不是特定于海军部门的客户。本节向我们展示了对所有客户产生正面或负面影响的因素。本节还说明了海军客户相对于一般客户的影响频率。让我们更具体一点。

  • 如果一个很好的事情发生比较频繁的客户海军比它为所有客户,效果是积极的
  • 如果海军客户的好事发生的次数少于对所有客户的好处,那么效果就是负面的
  • 如果不好的事情发生比较频繁的客户海军比它为所有客户,效果是负面
  • 如果海军客户发生的不好事情比对所有客户发生的情况要小,那么效果是积极的

换句话说,爱因斯坦发现很复杂,足以说明事情发生的不良事件往往会产生积极的影响。要查看更多示例,请查看我们的图表。

将鼠标悬停在无关小贡献者栏上以显示详细信息。

无关的小贡献者

您可以看到所有其他因素(总计3,803个小贡献者)共同占CLV 额外的465美元

你很快意识到了无关部分的力量。它为您提供有关事情发生原因的更深入信息。换句话说,它为您提供了更多权力来信任(或给予建设性反馈)合适的人。

我们已经看完了无关因素。现在让我们转到Unexplained部分。

理解不明原因的部分

看着原因不明的现象听起来很神秘。真的,这只是两者之间的区别:

  • 爱因斯坦发现如果知道所有因素就会做出的预测
  • 观察到的数据集中实际发生的结果

有时此类别中没有条形,这意味着模型正在进行准确的预测。如果原因不明的条形图很小,则意味着爱因斯坦发现正在构建一个可预测的模型,用于识别解释观察结果的因素。使用相同模型绘制的其他见解产生的结果与之前的见解一致。

将鼠标悬停在原因不明的栏上以显示详细信息。

原因不明

在这种情况下,实际CLV(根据数据集计算)和预测的CLV(来自爱因斯坦发现的数据模型)之间的差异为54美元。

爱因斯坦探索故事见解(1)创造一个故事

学习目标

完成本单元后,您将能够:

  • 创建Einstein Analytics数据集并将数据导入其中。
  • 使用导入的数据创建故事。

介绍

如果您完成了爱因斯坦探索故事模块,您就已经了解爱因斯坦探索故事。一个故事是图表,统计分析和文本的集合。它可以帮助您了解业务相关指标(结果变量)与影响该指标的解释变量之间的关系。在该模块中,您学习了如何创建故事并理解两种见解:发生了什么以及有什么不同。

在本单元中,您将了解诊断洞察如何让您更深入地了解现有数据中的复杂关系。您可以确定对结果有重大影响的因素和因素组合。然后,您将看到预测性洞察如何帮助您更好地决定未来的业务行动。

首先,让我们上传一些数据并创建一个可以使用的故事。

注意

注意

我们建议您在开始本单元之前完成爱因斯坦发现故事模块。如果您最近执行了爱因斯坦发现故事模块,请跳过以下几个步骤。相反,启动启用Analytics的DE组织并打开您在该模块中创建的基于AcquiredAccount的故事。

尝试使用Developer Edition Org进行爱因斯坦探索

在您使用此Trailhead模块之前,请注册免费的启用Analytics的Developer Edition组织。这个组织是一个安全的环境,你可以练习你正在学习的技能。

重要

重要

对于此跟踪,您不能使用现有的Developer Edition组织。相反,请注册这个特殊的启用Analytics的Developer Edition组织,因为:

  • 它配备了爱因斯坦发现所需的Analytics Plus许可证。
  • 它启用了爱因斯坦发现。
  • 它具有使用爱因斯坦发现功能所需的Einstein Analytics Plus权限集。

即使您已经拥有支持 Analytics的开发人员版组织,也请立即注册新版本。较旧的支持Analytics的开发人员版组织不会获得最近发布的功能。注册一个新的确保您获得最新和最好的。

注册?大!让我们跳进去吧!

下载数据

在我们创建我们在此模块中使用的故事之前,我们需要分析数据。下载名为AcquiredAccount.csv的CSV文件并将其保存到您的计算机。

CSV文件包含与爱因斯坦发现故事模块中使用的数据相同的数据。我们将其作为快捷方式提供,因此您无需先完成上一个模块即可完成此模块。

CSV文件的第一行

CSV文件有11列:客户ID,帐单状态,部门,行业,所有权,评级,类型,AccountScore,StartDate,CloseDate和CLV。CSV文件包含我们的汽车零部件制造公司与之合作的10,000家不同公司中的每一家的一行信息。以下是CSV文件的前几行内容。

创建并填充爱因斯坦分析数据集

下一步是将CSV文件中的数据导入Einstein Analytics数据集。

  1. 在您的新DE组织中,切换到Lightning Experience(如果您还没有这样做)。
  2. 单击App Launcher图标(),搜索Analytics Studio,然后单击磁贴以启动Analytics Studio。注意一定要设置弹出窗口阻止程序以允许弹出窗口。否则,您的已连接应用程序无法启动。
  3. 单击“ 数据集”
  4. 单击“ 创建”,然后从下拉列表中选择“ 数据集 ”。
  5. 选择CSV文件作为新数据的来源。
  6. 在打开的文件选择窗口中,查找并选择(或拖放)您下载的 AcquiredAccount.csv文件,然后单击“下一步”
  7. 接受默认值并单击“ 下一步”
  8. 接受默认值并单击“上载文件”。Einstein Analytics创建数据集并从CSV文件导入数据。

创建故事

现在,您已准备好从此数据集创建故事。首先告诉爱因斯坦发现哪个变量最大化。在本单元中,我们关注CLV变量。如果你做了爱因斯坦发现故事模块,你就熟悉这个变量。客户终身价值(CLV)是一种指标,用于预测公司与客户关系的整个生命周期内的盈利能力。看CLV可以帮助您找到最好的客户。

要创建一个故事:

  1. 将鼠标悬停在数据集上,单击向下箭头,然后单击“ 创建故事”。Analytics Studio启动“故事设置”向导。
  2. 在第一个屏幕中,对于变量,选择CLV作为要使用的结果变量(业务度量)。
  3. 接受所有其他默认值并单击“ 数据选项”
  4. 在“数据选项”屏幕中,接受所有默认值,然后单击“ 审阅设置”
  5. 单击创建故事。当它完成故事的准备时,爱因斯坦发现会向你展示它。
CLV by Division insight