Visa precisionen och prestandan i de olika prediktiva modeller

Att veta hur exakt en prediktiv bedömningsmodell är hjälper dig att avgöra om modellen är redo att användas eller behöver finjusteras för högre noggrannhet. Det hjälper dig också att förtrolla ledningen och säljarna i att använda modellen för bättre affärsresultat.

Måtten som beskrivs i den här artikeln gäller både för affärsmöjlighet och för lead.

Licens- och rollbehörigheter

Kravtyp	Du måste ha
Licens	Dynamics 365 Sales Premium eller Dynamics 365 Sales Enterprise Mer information: Prissättning för Dynamics 365 Sales
Säkerhetsroller	Systemadministratör Mer information: Fördefinierade säkerhetsroller för Sales

Faktorer som påverkar effektivare

En prediktiv bedömningsmodell beräknar sannolikheten för att en affärsmöjlighet eller ett lead kommer att resultera i en försäljning. Modellens precision beror på följande faktorer:

• Kvalitet och mängd på tillgängliga data för utbildning av modellen
• Affärsprocessflödet och filter som du väljer
• De steg och attribut du väljer, om modellen använder modellering per steg

Modellen är utbildad att använda 80 % av alla stängda affärsmöjligheter eller leads i datauppsättning. Den verifieras med hjälp av återstående 20 % som ett datauppsättning, som består av de senaste posterna. Modellens precision beräknas med det verifierade datauppsättning baserat på parametrar, till exempel verkliga positiva, falskt positiva och så vidare.

Visa precisions- och prestandamått

1. Gå till Ändra område i det nedre vänstra hörnet på Försäljningsnav-appen och välj sedan Sales Insights inställningar.

2. I webbplatsöversikten under Prediktiva modeller, välj Affärsmöjlighetsbedömning eller Leadbedömning.

3. I listan Välj modell väljer du en modell.

4. Välj fliken Prestanda.

   

På fliken Prestanda visas följande mätvärden. Om inga mått visas på fliken Prestandaredigerar du och tränar om bedömningsmodellen för affärsmöjligheter.

• Modellens prestanda: Anger om modellen är redo att publiceras baserat på följande parametrar:

  • Noggrannhet: Hur ofta modellen gjorde korrekta förutsägelser, antingen positiva eller negativa. Det här måttet är mest användbart datauppsättning är utjämnat och kostnaden för falskt positiva och falskt negativa är densamma. Precisionspoäng beräknas med följande formel:

    Precision = (TP + TN) / (Totalt antal affärsmöjligheter eller leads som tilldelas) *100

  • Återkalla: Hur ofta modellen har fört ett positivt resultat korrekt jämfört med de faktiska positiva resultaten. En låg återkallandepoäng innebär att modellen ger färre verkliga positiva resultat. Återkallandepoäng beräknas med följande formel:

    Återkallande = TP / (TP + FN) * 100

  • Växelkurs: Andelen affärsmöjligheter eller potentiella kunder som kvalificerades eller vann per historisk data, eller sannolikheten för att en möjlighet eller potentiell kund konverterar. Modellen använder detta värde för att avgöra hur ett attribut ska påverka prediktiva poäng. Konverteringsgrad beräknas med följande formel:

    Konverteringsgrad = (TP + FN) / (Totalt antal affärsmöjligheter eller leads som tilldelas) *100

• Felmatris: Hur väl din modell förutspådde resultaten när den testades mot historiska data. I matrisen visas antalet verkliga positiva, verkliga negativa, falskt positiva och falskt negativa.

  Mätvärde	Förutsagda	Faktisk
  Sant positiv (TP, True Positive)	Ja	Ja
  Äkta negativa identifieringar (TN)	No	No
  Falsk positiv identifiering (FP)	Ja	No
  Falsk negativ (FN)	No	Ja

• Område under kurvan: Området under kurvan (AUC) modellens poäng. AUC-poängen bestämmer sannolikheten för att en modell kommer att rangordna en slumpmässigt vald positiv instans (en vunnen affärsmöjlighet eller kvalificerat lead) högre än en slumpmässigt vald negativ (en förlorad affärsmöjlighet eller diskvalificerat lead). En modell med högre AUC är bättre på att föra in verkliga positiva och verkliga negativa resultat.

• F1-poäng: F1-poängen beräknad utifrån modellens precisions- och återkallandepoäng. Med F1-poängen kan du fastställa modellens kvalitet även när data är obalanserad.

• Tröskel: Tröskelvärdet som leadet eller affärsmöjligheten betraktas som kvalificerat eller vunnit. Om din tröskel är 45 blir affärsmöjligheter med en poäng större än 45 som uppnådd. Tröskelvärdet väljs för att optimera F1-poängen.

Exempel: Mått för modellens prestanda

Nu ska vi titta på förutsägelsens resultat på 1 000 datauppsättning 1 000 affärsmöjligheter:

Data	Antal affärsmöjligheter
Sann positiv	650
Falsk positiv	200
Sant negativ	100
Falsk negativ	50

Modellen resultat att 850 (TP + FP) affärsmöjligheter skulle vinnas; dock vann bara 650 (TP) affärsmöjligheter. På samma sätt hade modellen fastställa 150 (TN + FN) affärsmöjligheter som skulle gå förlorade, men bara 100 (TN) affärsmöjligheter gick förlorade.

Följande tabell visar mätvärdena för data.

Mätvärde	Poäng
Noggrannhet	(650 + 100) / 1 000 = 75 %
Återkalla	650 / (650 + 50) = 92 %
Konverteringsgrad	(650 + 50) / 1 000 = 70 %

Förbättra modellprestandan

Om modellen inte är redo att publiceras eller om den inte fungerar som den ska provar du stegen nedan för att förbättra dess resultat.

• Granska attributen den använder.
• Visa attributinsikter för att förstå deras inflytande på modellens övergripande förutsägelse.
• Ignorera tomma värden för attribut som har en högre procentandel tomma värden och som kan bidra till falska positiva eller falska negativa.
• Inkludera intelligenta fält som hjälper leadbedömningsmodell kan skilja mellan faktorer som förbättrar eller hjälper dig att få en bättre poäng.
• Använd per stegmodellering i en bedömningsmodellen för affärsmöjligheter för att välja attribut som ska tillämpas på varje affärsprocessteg.
• Förfina filtervillkoren, tidsperioden för utbildning av data eller andra modellkonfigurationer. Till exempel, om du har valt två år som tidsperiod för träningsdata och det finns för många test eller felaktiga poster under den perioden, välj en kortare tidsperiod, till exempel sex månader eller ett år, när kvaliteten på din data är bättre.

Hittar du inte alternativen i appen?

Det finns tre möjliga anledningar:

• Du har inte den licens eller roll som krävs.
• Din administratör har inte aktiverat funktionen.
• Din organisation använder en anpassad app. Kontakta administratören om du behöver hjälp med de exakta stegen. Stegen som beskrivs i den här artikeln gäller specifikt för de medföljande apparna Försäljningsnav och Sales Professional.

Se även

Konfigurera prediktiv leadbedömning
Konfigurera Prediktiv affärsmöjlighetsbedömning