Consulta a precisión e o rendemento dos modelos de puntuación preditiva
Coñecer a precisión que é un modelo de puntuación preditiva axúdache a decidir se o modelo está listo para o seu uso ou se debe axustar para obter unha maior precisión. Tamén che axuda a convencer ao teu equipo de liderado e aos vendedores de que adopten o modelo para mellorar os resultados comerciais.
As métricas descritas neste artigo aplícanse tanto á puntuación de oportunidade como á puntuación de clientes potenciales.
Requisitos de licenza e función
| Tipo de requisito | Debes ter |
|---|---|
| Licenza | Dynamics 365 Sales Premium ou Dynamics 365 Sales Enterprise Máis información: Prezos de vendas de Dynamics 365 |
| Roles de seguridade | Administrador do sistema Máis información: Roles de seguranza predefinidos para Vendas |
Factores que inflúen na precisión
Un modelo de puntuación preditiva calcula a probabilidade de que unha oportunidade ou un cliente potencial resulte nunha venda. A precisión do modelo depende dos seguintes factores:
- A calidade e cantidade dos datos dispoñibles para adestrar o modelo
- O fluxo do proceso de negocio e os filtros que seleccione
- As etapas e os atributos que selecciona, se o modelo utiliza o modelado por etapa
O modelo adestrase utilizando o 80 % das oportunidades ou clientes potenciales pechados no conxunto de datos de formación. Validase usando o 20 % restante como conxunto de datos de proba, que consta dos rexistros máis recentes. A precisión do modelo calcúlase mediante o conxunto de datos de proba validado en función de parámetros como verdadeiros positivos, falsos positivos, etc.
Consulta as métricas de precisión e rendemento
Vai a Área de cambios na esquina inferior esquerda da aplicación Plataforma común de vendas e selecciona Configuración de Sales Insights.
No mapa do sitio en Modelos preditivos, seleccione Puntuación de oportunidade ou Puntuación de clientes potenciales.
Na lista Seleccionar modelo , seleccione un modelo.
Seleccione a pestana Rendemento .
A pestana Rendemento amosa as seguintes métricas. Se non ves ningunha métrica na pestana Rendemento , edita e volve adestrar un modelo de puntuación de oportunidade.
Rendemento do modelo: especifica se o modelo está listo para publicar en función dos seguintes parámetros:
Precisión: frecuencia con que o modelo fixo predicións correctas, positivas ou negativas. Esta métrica é máis útil cando o conxunto de datos está equilibrado e o custo dos falsos positivos e dos falsos negativos é o mesmo. O puntuación de precisión calcúlase mediante a seguinte fórmula:
Precisión = (TP + TN) / (Número total de oportunidades ou oportunidades marcadas) *100
Recordar: frecuencia con que o modelo predixo un resultado positivo correctamente en comparación cos positivos reais. Unha puntuación de lembranza baixa significa que o modelo está a predicir menos positivos verdadeiros. A puntuación de recordo calcúlase mediante a seguinte fórmula:
Recall = TP / (TP + FN) *100
Taxa de conversión: a porcentaxe de oportunidades ou clientes potenciales que se cualificaron ou gañaron segundo os datos históricos, ou a probabilidade de que unha oportunidade ou cliente potencial se converta. O modelo usa este valor para determinar como influirá un atributo no puntuación preditiva. A taxa de conversión calcúlase mediante a seguinte fórmula:
Taxa de conversión = (TP + FN) / (Número total de oportunidades ou clientes potenciales marcados) *100
Matriz de confusión: o seu modelo prediciu os resultados cando se probou con datos históricos. A matriz mostra o número de verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos.
Métrica Previsión Dato real Verdadeiro positivo (VP) Si Si Verdadeiro negativo (VN) No No Falso positivo (FP) Si No Falso negativo (FN) No Si Área baixo a curva: a puntuación da área baixo a curva (AUC) do modelo. A puntuación AUC determina a probabilidade de que un modelo clasifique unha instancia positiva escollida aleatoriamente (unha oportunidade gañada ou unha vantaxe cualificada) máis alta que unha negativa escollida aleatoriamente (unha oportunidade perdida ou unha oportunidade descualificada). Un modelo cun AUC maior é mellor para predicir verdadeiros positivos e verdadeiros negativos.
Puntuación F1: a puntuación F1 calculada en función da precisión do modelo e das puntuacións de lembranza. A puntuación F1 determina a calidade do modelo mesmo cando os datos estean desequilibrados.
Limiar: o limiar no que se considera cualificada ou gañada a oportunidade ou a oportunidade. Por exemplo, se o limiar é 45, as oportunidades cunha puntuación superior a 45 prediciranse como gañadas. Seleccionouse o limiar para optimizar a puntuación de F1.
Exemplo: métricas de rendemento do modelo
Vexamos os resultados de predición para un conxunto de datos de mostra de 1.000 oportunidades:
| Datos | Número de oportunidades |
|---|---|
| Verdadero positivo | 650 |
| Falso positivo | 200 |
| Verdadero negativo | 100 |
| Falso negativo | 50 |
O modelo predixo que se gañarían 850 oportunidades (TP + FP); con todo, só se gañaron 650 oportunidades (TP). Do mesmo xeito, o modelo predixo que se perderían 150 oportunidades (TN + FN), pero só se perderían 100 oportunidades (TN).
A seguinte táboa mostra as métricas dos datos.
| Métrica | Puntuación |
|---|---|
| Precisión | (650 + 100) / 1.000 = 75 % |
| Recuperar | 650/(650 + 50) = 92 % |
| Taxa de conversión | (650 + 50) / 1.000 = 70 % |
Mellorar o desempeño do modelo
Se o teu modelo non está preparado para publicar ou non funciona ben, proba os seguintes pasos para mellorar as súas puntuacións.
- Revisa os atributos que utiliza.
- Consulta información sobre atributos para comprender a súa influencia no predición xeral do modelo.
- Ignorar os valores baleiros para os atributos que teñen unha porcentaxe máis alta de valores baleiros e poden estar contribuíndo a falsos positivos ou falsos negativos.
- Inclúe campos intelixentes para axudar a un modelo de puntuación do cliente potencial a distinguir os factores que melloran ou prexudican a puntuación.
- Use modelado por etapa nun modelo de puntuación de oportunidade para escoller os atributos que se aplicarán a cada etapa do proceso empresarial.
- Refina os criterios de filtro, o período de tempo para os datos de adestramento ou outras configuracións do modelo. Por exemplo, se escolliches dous anos como período de tempo para os datos de adestramento e hai demasiadas probas ou rexistros incorrectos durante ese período, escolle un período máis curto, como seis meses ou un ano, cando a calidade dos teus datos é mellor.
Non atopa as opcións na súa aplicación?
Hai tres posibilidades:
- Non tes a licenza ou a función necesaria. Consulte a sección de requisitos de licenza e función na parte superior desta páxina.
- O seu administrador non activou a funcionalidade.
- A súa organización está a usar unha aplicación personalizada. Consulte co administrador os pasos exactos. Os pasos descritos neste artigo son específicos para as aplicacións listas para usar Sales Professional ou Plataforma común de vendas.
Información relacionada
Configurar puntuación de clientes potenciais preditiva
Configurar puntuación preditiva de oportunidades