ANA-S

Analitik Veri Bilimi Yardımcı Modülü

Başka Araca Gerek Yok

Gömülü python temelli TURBOARD teknolojisini kullanın. Veri bilimi işlemlerinizi başka araçlarda gerçekleştirip çıktıyı excel tabloları olarak taşımanız gerekmeyecek. Bu şekilde yapmanız, hem iş yükünü artıracaktır, hem de istatistiksel çıktı ile verinizi bağlamak için daha çok uğraşmanıza neden olacaktır. 3. parti yazılımlarla entegrasyon bile bu süreci biraz kolaylaştırmak adına artık direkt ayarlanabilir.

TURBOARD ile veri birimi özellikleri tek bir uygulamada toplanıyor. Veri analizleri için güçlü python altyapılarını bilmenize gerek yok. Sadece farenizi ve uygun bir kullanıcı arayüzünü kullanarak analizlerinizi hazırlayabilirsiniz.


Kolay Başlangıç

Veri bilimi için kolay başlangıç, ayrı bir araç için veriyi hazırlamaya gerek yok. Verinizi hazırlamak ve temizlemek için TURBOARD veri toplulukları ve filtrelerini kullanın. TURBOARD Veri Toplulukları arayüzünden örneklemler oluşturun. Veriyi temizlemek ve TURBOARD Analitik Arayüzünden analiz ve modelleme yapabilmek için güçlü TURBOARD özelliklerini kullanın.


Modeli Canlı Veriye Bağlayın

Bir model oluşturup bunu TURBOARD’da uyguladığınızda, o modeli sadece örnekleme değil aynı zamanda tüm veri setine uygularsınız. Kısacası, aynı TURBOARD filtrelerini analitik temelli ifadelerle birlikte kullanır ve mevcut iş zekası filtrelerinizle analitiği birleştirebilirsiniz. Örneğin, bir bölgedeki regresyon çizgisi ile tüm ülke verisini kıyaslayabilir veya hangi şubelerde tahminlerinizin daha doğru olduğunu kontrol edebilirsiniz.


Genel Bir Kullanım Kılavuzu

  1. Bir örneklem seçin
  2. Veri bilimi parametrelerini varsayılan olarak bırakın, daha sonra bunları değiştirebilirsiniz.
  3. Sayısal bir hedef değişkeni ve kaynak değişkeni seçin.
  4. Hedefi çoğu durumda tahmin eden bir formül değişkenleri kullanarak oluşturulacaktır.
  5. Analizin kalitesini her farklı analiz için sunulan özel araçlarla kontrol edin.
  6. Otomatik olarak bir TURBOARD görselleştirmesi oluşturun.

Lineer Regresyon


Regresyon ile Makine Öğrenmesi

Açıklama

Tercihen birden çok bağımsız değişkenden bir hedef değer tahmin edebilmek için, regresyon algoritmaları örnekleme en iyi şekilde uyacak bir formül bulmaya çalışır.

Her yolculuk için kilometreler, dakikalar ve ücretler gibi bir şehirdeki taksi yolculuklarının verisine sahip olduğunuzu düşünün. Regresyon, önceki taksi yolculuklarının çoğunluğuna uyan en iyi formülü size üretecektir. r2 regresyon için bir kalite ölçüsüdür ve tahmin edilen formüle kusursuz şekilde uyan örneklem yüzdesini gösterir. Eğer r2 0.9 ise, regresyonda bulduğumuz bu formül taksi yolculuklarının %90’nını tanımlayabiliyor demektir (bazıları daha az ücretler için pazarlık edebilir veya bazı taksi şoförleri para üstü vermeyebilir).

Hangi Algoritmalar Kullanılabilir

TURBOARD’da lineer ve polinomal regresyon modellerini kullanabilirsiniz.

Olası Kullanım Alanları

  1. Bir ürünün fiyatını değiştirdiğimizde onun ve eş/rakip ürününün cirosu ne olur?
  2. Şimdiye kadar bilinen tüm mühendislik parametreleri ile bir makinenin çıktı oranını hesaplama. İyi ve geri kalan makineleri değerlendirin.
  3. Yüzlerce farklı projeniz ve onların farklı parametrelerine sahip olduğunuzu düşünün, gelecek projeler için onları kullanarak başka bir parametreyi tahmin edebilirsiniz. Örneğin projenin toplam giderlerini, kişi sayısı (görevlendirmeleriyle beraber), konum ve ömür gibi parametreler ile tahmin edebilir, hatta proje aciliyeti, şartların katılığı gibi sıralı veri bile kullanabilirsiniz.

En İyi Sonuçları Bulmak İçin Ne Yapmalı?

  1. Her kaynak parametre seçiminden sonra “Oluşturulan İfade” altındaki r2(R-kare) değerini kontrol edin ve hedef değişkeni tahmin edebilmek için en uygun parametreleri seçtiğinizden emin olun. Değer ne kadar yüksek olursa tahmininiz de o kadar iyidir.

Varsayılan sonuç görseli ne olacak?

  1. Dağılım grafiği oluşturur.
  2. Dağılım grafiklerinden daha fazla çıkarım yapmak isterseniz koşullu formatlama yapmanız gerekebilir.

Örnek Bir Kullanım Videosu

  1. Tahmini ve gerçek parametrelerle projelerin karşılaştırılması

Sınıflandırmayla Tahmin

Açıklama

Verilen hedef değişkenine göre bir sınıflandırma algoritması verinin o spesifik hedef değişkeni nasıl seçeceğini öğrenir ve yeni parametrelerde sonucu tahmin eder.

Hangi algoritmalar kullanılabilir

SVM ve Lojistik Regresyon tek bir satır kodlama yapmadan kullanılabilecek algoritmalardır.

Olası kullanım alanları

  1. Müşteri tutma analizi: Müşteri verinizi kullanarak, müşterileri kaybedilen ve aktif müşteriler olarak etiketleyin. TURBOARD, mevcut veri ile bir müşterinin kaybedilip edilmeyeceğini tahmin eden bir model sonucu oluşturur. Siz de, eylemlerinizi çok geç olmadan alabilirsiniz.
  2. Makine arızası tahmini: Arıza yapmış eski makinelerinizin verisini kullanarak, hangi makinelerin yakında arıza vereceğini tahmin edin.

En iyi sonuçları bulmak için ne yapmalı?

  1. Oyun alanında görebileceğiniz ve oluşturulan varsayılan görsellerden biri olacak hata matrisine bakın (tahminlere karşın gerçeği gösteren bir tablo). Çapraz bir yoğunlaşma görmeniz işini doğru yaptığını gösterir.
  2. ROC eğimine bakarak, farklı sınıflandırma aralıklarına kıyasla sınıflandırma modelinin performansını görün.

Varsayılan sonuç görseli ne olacak?

  1. Dilimleyici olarak kullanılabilecek hata matrisleri, böylece sadece matrise tıklayarak sonuçları filtreleyebilirsiniz.
  2. Poligonal bölgesel renkli dağılım grafiklerindeki renkleri ve grupları kendi gözlerinizle görün. Aşağıdaki hava tahminine ait resme bakın.
  3. Sonuç gruplarını kullanılan farklı kategoriler ve ölçülere göre gösteren sütun grafikler.

Örnek Bir Kullanım Videosu

  1. Tüm değerleri bilirsek bugünü hangi mevsim olarak tahmin ederiz?
  2. İflas tahmini

Kümeleme ile Veri Madenciliği

Açıklama

Verilen parametrelerle kümeleme, birbirlerine yakınlıklarına göre elemanları gruplar.

Hangi algoritmalar kullanılabilir

TURBOARD önceden derlenmiş istatistiksel model deposunda Kmeans ve Meanshift algoritmalarını içerir.

Olası Kullanım Alanları

  1. Müşterilerinizi gruplayın ve gruplara uygun hedefli kampanyalar düzenleyin.
  2. Eğilimlerine göre gruplanmış, sezaryen operasyonu yapan doktorlar, coğrafi konumları ve ne tür hastanelerde bulundukları. Haftanın günlerine göre filtreleyin ve gerçek çevrimiçi veride değişimleri görün.

En iyi sonuçları bulmak için ne yapmalı?

  1. Sonuç grafiğindeki gruplara ve konumları kontrol edin.
  2. Filtre olarak grupları kullanın ve normal bir TURBOARD görselleştirmesinde bu gruplamanın mantıklı olup olmadığına bakın.

Varsayılan sonuç görseli ne olacak?

  1. Parametre çiftleri için gruplu poligonal dağılım grafikleri oluşturur. Hiperuzayı insanların anlayabileceği bir şekilde göstermek mümkün olmadığı için, bu kesişimler modelin sonuçlarını göstermenin tek yoludur.

Örnek Bir Kullanım Videosu

  1. Iris

Gizli Bağlantıları Bulmak

Açıklama

  1. Ağ grafiği (sadece görsel tipi değil, aynı zamanda bir analitik aracıdır):
  2. P-hacker - Veriyi bölüp parçalayarak seçilen değişkenler arasındaki en iyi korelasyonu bulun

Hangi algoritmalar kullanılabilir

  1. Ağ grafiği t-SNE veya PCA kullanır.
  2. p-hacking hibrit bir araçtır.

Olası kullanım alanları

  1. Hangi şubelerde satılan hangi ürünlerin fiyat değişimlerine daha hassas olduğunu bulabilirsiniz.

En iyi sonuçları bulmak için ne yapmalı?

  1. Ağ grafiğinde t-SNE algoritması birbirine benzeyen veriyi birbirine yakın ve düzenli bir şekilde gösterir.
  2. TURBOARD’u kullanarak daha çok grup ekleyebilir ve anormallikleri tespit edebilirsiniz.

Varsayılan sonuç görseli ne olacak?

  1. Ağ grafiği
  2. Dağılımda 2D gösterim
  3. 3D grafik

Örnek Kullanım Videoları

  1. FIFA 19 futbolcularını gruplama
  2. Finansal istikrarlarına göre ilaç şirketlerinin gruplanması

Yapay Zeka ile Çalışan What-If

Açıklama

Rakip iş zekalarında da what-if analizi bulabilirsiniz. Ancak TURBOARD Analitik modülü ile güçlendirilmiş What-If'te veri bilimi modelleri sonucu olacak olanlar yapay zeka ile tahminlenerek şekillendirilebilir. Örneğin fiyatlarınızı %10 artırırsanız gelirinizin %10 artmadığını hatta düşebileceğini görürsünüz.

Hangi algoritmalar kullanılabilir

  1. Lineer ve polinom regresyon kullanabilirsiniz

Olası kullanım alanları

  1. İkame ve tamamlayıcı ürünlerinizden oluşturduğunuz grupta ürünlerin satış fiyatlarını değiştirerek sonuçta ne kadar satılacağı tahmini üzerinden kârınızı maksimize edebilirsiniz. Perakende sektör sayfamızda Fiyat Optimizasyonunda örnek bir kullanım videosu inceleyebilirsiniz.
  2. Gelecek seneki bütçenizi belirlemek için fonksiyonel, ekonomik ve yönetimsel parametreleri değiştirin, yeni bütçenin toplam miktarını hedefleyerek delinmeyecek bir bütçe oluşturun.

En iyi sonuçları bulmak için ne yapmalı

  1. TURBOARD patentli klonlama teknolojisini kullanarak sağlı sollu karşılaştırabilir çeşitli olası durumlarda oluşacak farkları gözle görebilirsiniz.

Varsayılan sonuç görseli ne olacak?

  1. What-If her görsele uygulanabilir. Otomatik olarak görsel oluşturmaz.

Örnek Kullanım Videoları

  1. İflas edeceği tahmin edilen şirketler iflas ederse, sonraki yıl kaç kişi işsiz kalır?
  2. Organik avokadonun fiyatını değiştirirseniz, organik ve sıradan avokadonun satış hacmi ne olur?
Merak Ediyor musunuz?