Vise nøjagtigheden og ydeevnen af pointmodeller for forudsigelse
Når du ved, hvor nøjagtige en pointmodel for forudsigelse er, kan du bedre afgøre, om modellen er klar til brug, eller om den skal finjusteres for at blive mere nøjagtig. Det hjælper dig også med at overbevise lederteamet og sælgerne om, at de bør anvende modellen for at opnå bedre forretningsresultater.
De metrikværdier, der beskrives i denne artikel, gælder både for pointtal for salgsmuligheder og pointtal for kundeemner.
Licens- og rollekrav
| Kravstype | Du skal have |
|---|---|
| Licens | Dynamics 365 Sales Premium eller Dynamics 365 Sales Enterprise Flere oplysninger: Prisfastsættelse af Dynamics 365 Sales |
| Sikkerhedsroller | Systemadministrator Du kan finde flere oplysninger i Foruddefinerede sikkerhedsroller til Salg |
Faktorer, der påvirker nøjagtighed
En pointmodel for forudsigelse beregner sandsynligheden for, at en salgsmulighed eller et kundeemne resulterer i et salg. Modellens præcision afhænger af følgende faktorer:
- Kvaliteten og mængden af de data, der er tilgængelige til træning af modellen
- Det forretningsprocesforløb og de filtre, du vælger
- De faser og attributter, du vælger, hvis modellen bruger modellering pr. fase
Modellen er trænet ved hjælp af 80 % af de lukkede salgsmuligheder eller kundeemner i træningsdatasættet. Den valideres ved hjælp af de resterende 20 % som et testdatasæt, der består af de nyeste poster. Modellens nøjagtighed beregnes ved hjælp af det validerede testdatasæt på baggrund af parametre som f.eks. sande positiver, falske positiver osv.
Vise præcisions- og ydeevnemetrikværdier
Gå til Skift område i nederste venstre hjørne af Salgshub, og vælg derefter Indstillinger for Sales Insights.
Vælg Pointmodel for salgsmulighed eller Pointmodel for kundeemner under Forudsigende modeller i webstedsoversigten.
Vælg en model på listen Vælg model.
Vælg fanen Ydeevne.
Under fanen Ydeevne vises følgende metrikværdier. Hvis du ikke kan se metrikværdier under fanen Ydeevne, skal du redigere og omskole en pointmodel for salgsmuligheder.
Modelydeevne: Angiver, om modellen er klar til at blive publiceret, på baggrund af følgende parametre:
Nøjagtighed: Hvor ofte modellen har foretaget korrekte forudsigelser, enten som positive eller negative. Denne metrikværdi er mest nyttig, når datasæt balanceres, og omkostningerne ved falske positive og falske negativer er de samme. Nøjagtighedsscoren beregnes ved hjælp af følgende formel:
Nøjagtighed = (TP + TN) / (Samlet antal point for salgsmuligheder eller kundeemner) * 100
Genkald: Hvor ofte modellen forudså et positivt resultat korrekt i forhold til de faktiske positive. En lav tilbagekaldelsesscore betyder, at modellen forudser færre sande positiver. Tilbagekaldelsesscoren beregnes ved hjælp af følgende formel:
Tilbagekaldelse = TP / (TP + FN) * 100
Konverteringsfrekvens: Procentdelen af salgsmuligheder eller kundeemner, der blev kvalificeret eller vundet i henhold til historiske data, eller sandsynligheden for, at en salgsmulighed eller et kundeemne konverteres. Modellen bruger denne værdi til at bestemme, hvordan en attribut påvirker det forudsigende point. Konverteringsraten mellem beregnes ved hjælp af følgende formel:
Konverteringsrate = (TP + FN) / (Samlet antal point for salgsmuligheder eller kundeemner) * 100
Sammenblandingsmatrix: Hvor godt din model har forudsagt resultater, når den blev testet i forhold til historiske data. I matrixen vises antallet af sande positiver, sande negativer, falske positiver og falske negativer.
Metrik Forudsagt Faktisk Sand positiv (TP) Ja Ja Sand negativ (TN) Nej Nej Falsk positiv (FP) Ja Nej Falsk negativ (FN) Nej Ja Område under kurven: Området under modellens kurveresultat (AUC). AUC-resultatet bestemmer sandsynligheden for, at en model rangerer en tilfældigt valgt positiv forekomst (en vundet salgsmulighed eller et kvalificeret kundeemne) højere end en tilfældigt valgt negativ forekomst (en tabt salgsmulighed eller et ukvalificeret kundeemne). En model med et højere AUC er bedre til at forudsige sande positiver og sande negativer.
F1-score: Den F1-score, der er beregnet på baggrund af modellens score for nøjagtighed og genkaldelse. F1-scoren bestemmer modellens kvalitet, selv når dataene er i ubalance.
Tærskel: Den tærskelværdi, hvor kundeemnet eller salgsmuligheden betragtes som kvalificeret eller vundet. Hvis tærskelværdien f.eks. er 45, vil salgsmuligheder med et pointtal på mere end 45 blive forudset som vundet. Tærskelværdien vælges for at optimere F1-scoren.
Eksempel: Metrikværdier for modelydeevne
Lad os se på resultaterne af forudsigelse for et eksempeldatasæt på 1.000 salgsmuligheder:
| Data | Antal salgsmuligheder |
|---|---|
| Sand positiv | 650 |
| Falsk positiv | 200 |
| Sand negativ | 100 |
| Falsk negativ | 50 |
Modellen forudså, at 850 salgsmuligheder (SP+FP) ville vindes, men der blev kun vundet 650 (SP) salgsmuligheder. På samme måde forudså modellen, at 150 salgsmuligheder (SN+FN) ville tabes, men kun 100 salgsmuligheder (SN) blev i virkeligheden tabt.
I følgende tabel vises metrikværdierne for dataene.
| Metrik | Score |
|---|---|
| Nøjagtighed | (650 + 100) / 1.000 = 75 % |
| Tilbagekald | 650 / (650 + 50) = 92 % |
| Omregningskurs | (650 + 50) / 1.000 = 70 % |
Opnå øget ydeevne for model
Hvis modellen ikke er klar til at publicering eller ikke yder godt, kan du prøve følgende trin for at forbedre scoren.
- Gennemse de attributter, den bruger.
- Se attributindsigt for at forstå deres indflydelse på modellens overordnede forudsigelse.
- Ignorere tomme værdier for attributter, der har en højere procentdel af tomme værdier, og som muligvis bidrager til falske positiver eller falske negativer.
- Inkluder intelligente felter for at hjælpe pointmodel for kundeemner med at skelne mellem faktorer, der forbedrer eller forværrer scoren.
- Brug modellering pr. fase i en pointmodel for salgsmuligheder til at vælge attributter, der skal anvendes på de enkelte faser i forretningsprocessen.
- Omdefinere filterkriterierne, tidsperioden for træningsdata eller andre modelkonfigurationer. Hvis du f.eks. har valgt en periode på to år som periode for træningsdata, og der er for mange testdata eller forkerte poster i den pågældende periode, skal du vælge en kortere tidsperiode, f.eks. seks måneder eller et år, når datakvaliteten er bedre.
Kan du ikke finde indstillingerne i din app?
Der er tre muligheder:
- Du har ikke den nødvendige licens eller rolle.
- Din administrator har ikke slået funktionen til.
- Din organisation bruger en brugerdefineret app. Kontakt din administrator for at få de nøjagtige trin. De trin, der beskrives i denne artikel, er specifikke for den indbyggede Salgshub og Sales Professional-apps.
Se også
Konfigurere den forudsigende pointmodel for kundeemner
Konfigurere forudsigende pointmodel for salgsmuligheder