Predecir promociones de ventas minoristas

Este tutorial crea dos modelos para predecir los efectos de futuras promociones de ventas y, a continuación, compara los modelos.

Al igual que en el tutorial sobre monitorización de condiciones, el proceso de minería de datos consta de las fases de exploración, preparación de datos, entrenamiento y prueba. No todos los datos del archivo telco.csv de datos son útiles para predecir la pérdida de clientes. Puede utilizar el filtro para seleccionar solo los datos que se consideran importantes para su uso como predictores (los campos marcados como Importantes en el modelo).

Vista previa del tutorial

Ver vídeo Mira este vídeo para ver un avance de los pasos de este tutorial. Puede haber ligeras diferencias en la interfaz de usuario que se muestra en el vídeo. El vídeo está pensado como complemento del tutorial escrito. Este vídeo ofrece un método visual para aprender los conceptos y tareas que se describen en esta documentación.

Prueba el tutorial

En este tutorial, completarás las siguientes tareas:

Flujo del modelador de muestras y conjunto de datos

Este tutorial utiliza el flujo de promoción de ventas minoristas del proyecto de ejemplo. El archivo de datos utilizado es goods2n.csv. La siguiente imagen muestra el flujo del modelador de muestra.

Figura 1. Flujo del modelador de muestras
Flujo del modelador de muestras

La siguiente imagen muestra el conjunto de datos de muestra.
Figura 2. Conjunto de datos de muestra
Conjunto de datos de muestra

Tarea 1: Abrir el proyecto de ejemplo

El proyecto de ejemplo contiene varios conjuntos de datos y flujos de modelador de ejemplo. Si aún no tiene el proyecto de ejemplo, consulte el tema Tutoriales para crear el proyecto de ejemplo. A continuación, siga estos pasos para abrir el proyecto de ejemplo:

  1. En el menú watsonxMenú de navegaciónNavegación, seleccione Proyectos > Todos los proyectos.
  2. Haga clic en el proyecto « SPSS Modeler ».
  3. Haga clic en la pestaña Activos para ver los conjuntos de datos y los flujos del modelador.

Icono de punto de control Comprueba tu progreso

La siguiente imagen muestra la pestaña Activos del proyecto. Ahora ya está listo para trabajar con el flujo del modelador de muestras asociado a este tutorial.

texto alt

Volver al inicio

Tarea 2: Examinar los nodos Data Asset, Derive y Type.

La promoción de ventas minoristas incluye varios nodos. Siga estos pasos para examinar los nodos Data Asset, Derive y Type :

Nodo Activo de datos

  1. En la pestaña Activos, abra el flujo del modelador de promoción de ventas minoristas y espere a que se cargue el lienzo.
  2. Haga doble clic en el goods1n.csv nodo. Este nodo es un nodo de activo de datos que apunta al goods1n.csv archivo del proyecto.
  3. Revise las propiedades del formato de archivo.
  4. Haga clic en Vista previa de datos para ver el conjunto de datos completo.
  5. Observe que cada registro contiene:
    • Class. Tipo de producto.
    • Cost. Precio unitario.
    • PromotionÍndice del importe gastado en una promoción concreta.
    • BeforeIngresos antes de la promoción.
    • AfterIngresos después de la promoción.

    Los dos campos de ingresos (Before y After) se expresan en términos absolutos. Sin embargo, parece probable que el aumento de los ingresos tras la promoción (y presumiblemente como resultado de ella) pueda ser una cifra más útil.

  6. Cierre la vista previa de datos y el panel lateral de propiedades.

Nodo Derivar

  1. Haga doble clic en el nodo Aumentar (Derivar). Este nodo deriva el valor del aumento en los ingresos.
  2. Revise la configuración, en particular, el campo Expresión, que contiene una fórmula para obtener el aumento como porcentaje de los ingresos antes de la promoción: (After - Before) / Before * 100.0.
  3. Haga clic en Vista previa de datos para ver el conjunto de datos con los valores derivados.
  4. Observe la columna «Aumento ».

    Para cada clase de producto, existe una relación casi lineal entre el aumento de los ingresos y el coste de la promoción. Por lo tanto, parece probable que un árbol de decisión o red neuronal pueda predecir, con una precisión razonable, el aumento de los ingresos a partir de los otros campos disponibles.

  5. Cierre la vista previa de datos y el panel lateral de propiedades.

Nodo Tipo

  1. Haga doble clic en el nodo Definir tipos (Tipo). Este nodo especifica las propiedades de los campos, como el nivel de medición (el tipo de datos que contiene el campo) y la función de cada campo como objetivo o entrada en el modelado. El nivel de medición es una categoría que indica el tipo de datos del campo. El archivo de datos fuente utiliza tres niveles de medición diferentes:
    • Un campo continuo (como el Age campo ) contiene valores numéricos continuos.
    • Un campo nominal (como el Education campo ) tiene dos o más valores distintos; en este caso, College o High school.
    • Un campo ordinal (como el Income level campo ) describe datos con múltiples valores distintos que tienen un orden inherente, en este caso Low, Medium, y High.

      Para cada campo, el nodo Tipo también especifica una función para indicar el papel que desempeña cada campo en el modelado. El rol está establecido en Target para el campo Increase, que es el campo que se derivó. El target es el campo para el que desea predecir el valor.

      El rol está configurado como Entrada para la mayoría de los demás campos. Los campos de entrada se conocen a veces como predictors campos cuyos valores son utilizados por el algoritmo de modelado para predecir el valor del campo objetivo.

      El rol del After campo está establecido en Ninguno, por lo que este campo no es utilizado por el algoritmo de modelado.

  2. Opcional: Haga clic en Vista previa de datos para ver el conjunto de datos con los valores derivados.

Icono de punto de control Comprueba tu progreso

La siguiente imagen muestra el nodo Tipo. Ahora ya está listo para generar y comparar los modelos.

Nodo Tipo

Volver al inicio

Tarea 3: Generar y comparar los modelos.

El flujo entrena una red neuronal y un árbol de decisión para hacer esta predicción de aumento de ingresos. Siga estos pasos para generar los dos modelos:

Generar los modelos

  1. Haga doble clic en el nodo Aumentar (Red neuronal) para revisar sus propiedades.
    1. Expanda la sección Conceptos básicos para ver que el modelo es del tipo Perceptrón multicapa. Esta propiedad determina cómo la red conecta los predictores con los objetivos a través de las capas ocultas. El perceptrón multicapa permite relaciones más complejas, aunque a costa de aumentar el tiempo de entrenamiento y puntuación.
    2. Expanda la sección Opciones del modelo para ver las propiedades de evaluación y puntuación.
  2. Haga doble clic en el nodo Aumentar (Árbol C&R) para ver sus propiedades.
  3. Haga clic en Ejecutar todo Icono de ejecucióny espere a que se generen los fragmentos del modelo.
Compare los modelos
  1. Conecta el nugget del modelo Increase (C&R Tree) al Increase (red neuronal).
  2. Añadir un nodo de análisis :
    1. En la paleta, expanda la sección Salidas.
    2. Arrastra el nodo Análisis al lienzo.
    3. Conecte el nugget del modelo Increase (Red neuronal) al nodo Analysis.
  3. Cambie el conjunto de datos para utilizar datos diferentes para el análisis:
    1. Haga doble clic en el goods1n.csv nodo para ver sus propiedades.
    2. CV lick Cambiar conjunto de datos.
    3. Vaya a Activos de datos > GOODS2n.csv.
    4. Haga clic en Seleccionar.
    5. Haga clic en Guardar.
  4. Pase el cursor sobre el nodo Análisis y haga clic en el icono Icono de ejecuciónEjecutar.
  5. En el panel Resultados y modelos, haga clic en el resultado con el nombre Análisis para ver los resultados.

    A partir de los resultados del análisis, en particular de la correlación lineal entre el aumento previsto y la respuesta correcta, se observa que los sistemas entrenados predicen el aumento de los ingresos con un alto grado de éxito.

    La exploración adicional podría centrarse en los casos donde los sistemas entrenados cometen errores relativamente grandes. Puede identificar estos errores comparando el aumento previsto de los ingresos con el aumento real. A continuación, puede seleccionar los valores atípicos en un gráfico utilizando los gráficos interactivos de SPSS Modeler, y a partir de sus propiedades, es posible ajustar la descripción de los datos o el proceso de aprendizaje para mejorar la precisión.

Icono de punto de control Comprueba tu progreso

La siguiente imagen muestra el resultado del nodo Análisis.

Resultados del nodo de análisis

Volver al inicio

Resumen

Este ejemplo le ha mostrado cómo predecir los efectos de futuras promociones de ventas. Al igual que en el ejemplo del monitoreo de condiciones, el proceso de minería de datos consta de las fases de exploración, preparación de datos, entrenamiento y prueba.

Próximos pasos

Ahora ya estás listo para probar otros SPSS® Modeler tutoriales.