Projektgruppe Business Intelligence Applications and Evaluation ...

Projektgruppe Cuberunner
Jinengo - Dokumentation
Das gebaute Modell sollte auf jeden Fall mit dem Analyse-Node und dem Evaluation-Node überprüft
werden. Die genauen Einstellungen können in der Projektdatei eingesehen werden.
Für die Klassifizierung wird der „exhaustive CHAID“ Algorithmus genutzt. Um die Stabilität des
Modells zu erhöhen ist "Bagging" aktiviert. Nach ausprobieren ergab sich ein Wert von 150 Models
(tab: Build Options Ensembles) als ausreichend um die Aussagekraft des Modells zu maximieren.
Dieser Werte konnte für alle sechs Streams genutzt werden, muss aber evtl. bei sich ändernden Datenvolumen
angepasst werden. Das gebaute Modell sollte auf jeden Fall mit dem Analyse-Node und dem
Evaluation-Node überprüft werden. Die genauen Einstellungen können in der Projektdatei eingesehen
werden.
Daten exportieren
Nachdem das Target-Attribut klassifiziert wurde, wird der aktuelle Timestamp als Datum angefügt,
um in Zukunft feststellen zu können, wann die Prediction durchgeführt wurde. Außerdem wird die
Beschriftung des Target-Attributs (in diesem Fall „ownsEbike“) in die Spalte „attribut“ geschrieben.
Dies ist relevant, da alle sechs Streams in dieselbe Tabelle in der Datenbank geschrieben werden. Um
die einzelnen Predictions auseinander zu halten, dient die Spalte „attribut“ als Indikator.
Zum Schluss werden unnötige Felder heraus gefiltert und nur die Einträge ausgewählt, bei denen die
Attribut Ausprägung ursprünglich weder "NULL" noch gleich dem „ValuePredicted“ ist. Zusätzlich
muss die PredictionConfidence größer als ein zu definierender Grenzwert sein. Dieser Grenzwert kann
aus der obigen Analyse der Data Mining Ergebnisse ermittelt werden.
Die Zieltabelle besteht aus folgenden Spalten: „userHistoricID, jinengoUserID, attribut, attributValue,
attributPrediction, predictionConfidence, predictionDate“.
1.5.2 Clustering
Im Rahmen des Clustering werden User zu Gruppen zugeordnet. Mit Hilfe dieser Gruppen können
User gezielter angesprochen werden und dadurch ihre Response Rate auf bspw. Newsletter Kampagnen
erhöht werden. Zur Realisierung wurden zwei Typen von Clustern definiert: zum einen ein
Sustainability Cluster und ein Personen Cluster. Personen Cluster gruppieren User nach ihren persönlichen
Eigenschaften wie Alter, Geschlecht etc. Diese Gruppen sind insbesondere Hilfreich um die
User von Jinengo selbst zu analysieren. Fragen wie „Wer nutzt Jinengo und wie oft“ lassen sich mit
Hilfe dieser Cluster genauer umschreiben. So könnten bestimmte Einkommens und Altersgruppen
identifiziert werden, die Jinengo besonders häufig oder weniger häufig nutzen. Diese Segmente lassen
sich im Anschluss z.B. für zielgruppenspezifische Werbung nutzen.
141