Calcul de prédiction (Outils d'analyse de table pour Excel)
Outil
L’outil Calculatrice de prédictions vous aide à créer une carte de performance qui peut être utilisée pour analyser de nouvelles données et évaluer les options ou les risques. Par exemple, si vous avez des données historiques et démographiques sur les clients, l’outil Calculatrice de prédictions peut vous aider à effectuer deux tâches clés :
Génération d'une analyse sous-jacente de données socioéconomiques, de comportement d'achat et différents autres facteurs.
Création d'un tableau de bord fonctionnel qui vous aide à évaluer les membres et à faire des recommandations pour de nouveaux produits ou des offres de service.
L'Assistant crée également une feuille de calcul qui stocke tous les calculs sous-jacents, afin que vous puissiez interagir avec le modèle et voir comment des valeurs d'entrée différentes affectent le score final.
Le cas échéant, l'Assistant peut également créer une version imprimée de la feuille de calcul que vous pouvez utiliser hors connexion pour l'établissement du score. Vous ne pouvez pas interagir avec le modèle comme vous le faites avec le classeur Excel en ligne, mais la version imprimée fournit tous les calculs dont vous avez besoin pour entrer des valeurs et calculer un dernier score.
Utilisation de l'outil de calcul de prédiction
Ouvrez une table Excel contenant les données à analyser.
Cliquez sur Calculatrice de prédiction sous l’onglet Analyser .
Dans la boîte de dialogue Calculatrice de prédiction , pour Cible, choisissez la colonne que vous souhaitez prédire, par exemple le comportement d’achat.
Spécifiez la valeur ciblée : Si la valeur est numérique, utilisez l’option Dans la plage, puis tapez les valeurs minimales et maximales pour la plage souhaitée. Si la valeur est discrète, sélectionnez l’option Exactement , puis sélectionnez la valeur dans la liste déroulante.
Cliquez sur Choisir les colonnes à utiliser pour l’analyse.
Dans la boîte de dialogue Sélection de colonne avancée , sélectionnez les colonnes qui ont des informations utiles. Retirez les colonnes sans pertinence pour l'analyse. Cliquez sur OK.
Pour éviter de fausser les résultats, vous devez également supprimer les colonnes qui contiennent des informations en double. Par exemple, si vous avez une colonne Revenu qui contient des données numériques, et une colonne Revenu de groupe qui contient les étiquettes Haut, Moyen et Bas, vous ne devez pas inclure les deux colonnes dans le même modèle. Créez plutôt un modèle séparé pour chaque colonne.
Dans la section Options de sortie , sélectionnez Calculatrice opérationnelle pour créer l’analyse et la carte de performance dans un classeur Excel. Sélectionnez Calculatrice prête pour l’impression pour créer l’analyse et générer également un rapport qui peut être imprimé et utilisé pour le scoring à la main.
Cliquez sur Exécuter.
L'outil crée de nouvelles feuilles de calcul qui contiennent les rapports et les tableaux de bord.
Configuration requise
L’outil Calculatrice de prédiction utilise l’algorithme Microsoft Logistic Regression, qui peut fonctionner avec des valeurs discrètes, ainsi que des données numériques discrétisées et continues.
Présentation des rapports de score
Si vous sélectionnez les deux options de sortie, le Calcul de prédiction crée les trois nouvelles feuilles de calcul suivantes dans le classeur actuel :
Un rapport de prédictionqui contient les résultats de l’analyse, avec des tableaux et des graphiques interactifs qui vous aident à expérimenter les interactions et les bénéfices.
Calculatrice de prédictions interactive qui vous aide à créer des scores.
Calculatrice imprimable avec des instructions et des coefficients à utiliser dans le scoring.
Cette section décrit les informations dans chaque rapport et explique comment utiliser les diverses options de rapport.
Rapport de prédiction avec graphiques
Le premier rapport de prédiction est intitulé Rapport de la calculatrice de prédictions pour l’état <> cible de l’attribut <>cible. Il contient une table de facteurs dérivée de l'analyse, avec les outils destinés à aider à évaluer l'impact financier d'une analyse particulière.
Table pour spécifier coûts et bénéfices
Le premier outil dans ce rapport, en haut et à gauche du rapport, est une table où vous pouvez spécifier les coûts et bénéfices associés à la prédiction correcte et incorrecte d'une valeur. Ces coûts et bénéfices sont nécessaires pour calculer le seuil de score optimum pour le calcul.
| Élément | Description et exemple |
|---|---|
| Coût des faux positifs | Le coût d'assumer que le modèle a prédit un résultat positif correctement alors que la prédiction est en fait fausse. Par exemple, le modèle prédit qu'un client achètera quelque chose, et sur la base de cela vous imaginez une campagne visant ce client. Vous pouvez entrer ici le coût de la démarche ciblant le client. |
| Coût des faux négatifs | Le coût d'assumer que le modèle a prédit un résultat négatif correctement alors que la prédiction est en fait fausse. Par exemple, le modèle peut prédire qu'il est peu probable que les vieux clients achètent un vélo, mais vous découvrez que le modèle a été faussé et que, par conséquent, vous avez raté l'occasion de viser les vieux clients. Vous pouvez assigner ici un coût d'opportunité manquée. |
| Bénéfices des vrais positifs | Prédisez correctement un résultat positif et tirez-en parti. Par exemple, si vous ciblez les bons clients et atteignez les résultats dans une vente, vous entreriez ici le bénéfice par client. |
| Bénéfices des vrais négatifs | Prédisez correctement un résultat négatif et tirez-en parti. Par exemple, si vous pouvez identifier correctement des clients qui ne doivent pas être ciblés, vous pouvez entrer ici un budget X pour la publicité par client. |
Établir un graphique pour consulter le profit maximal
À mesure que vous entrez des valeurs dans le tableau, les graphiques connexes se mettent à jour automatiquement pour vous montrer le meilleur point pour maximiser le profit compte tenu du modèle actuel. Le diagramme linéaire à droite de cette table affiche le profit pour plusieurs seuils de score. Le bénéfice est estimé à l'aide des chiffres de bénéfice et de coût que vous entrez dans la table, selon les prédictions et probabilités tirées du modèle.
Par exemple, si, dans le tableau supérieur gauche, la cellule Seuil suggéré pour maximiser les bénéfices affiche la valeur 500, le graphique de droite affiche 500 comme point le plus élevé du graphique en courbes. Cette valeur 500 signifie que pour augmenter les bénéfices, vous devez utiliser les 500 recommandations supérieures du modèle d'exploration de données, classées par probabilité.
Table qui répertorie les scores pour chaque attribut et valeur
La table en bas et à gauche du rapport montre une décomposition détaillée des valeurs détectées, et comment chaque valeur affecte le résultat. Vous ne pouvez pas modifier les valeurs de cette table ; elles sont affichées pour vous aider à comprendre la prédiction.
Par exemple, la table suivante montre un exemple des résultats lorsque le résultat cible équivaut à un client qui achète un vélo. La table répertorie chaque colonne d'entrée utilisée dans le modèle, que l'entrée ait affecté le modèle ou non. La table répertorie également les valeurs discrètes et les valeurs discrétisées si la colonne d'entrée contenait des données numériques continues.
Les valeurs de la colonne Impact relatif sont des probabilités, représentées sous forme de pourcentages. La cellule est ombrée pour représenter visuellement l'impact de cette valeur sur les résultats.
| Attribut | Valeur | Impact relatif |
|---|---|---|
| Marital Status | Married | 0 |
| Marital Status | Unique | 71 |
| Sexe | Female | 13 |
| Sexe | Male | 0 |
Vous pouvez interpréter ces facteurs comme suit :
Le fait d'être marié n'a aucune incidence sur la probabilité du client d'acheter un vélo.
Toutefois, être célibataire est un indicateur fort (70 pour cent) concernant la probabilité d'achat d'un vélo par le client.
Le sexe du client n'a qu'un effet marginal (13 pour cent) sur le comportement d'achat de vélo prédit si le client est une femme, et n'a aucun effet sur le comportement d'achat de vélo prédit si le client est un homme.
Graphique de coût de classification incorrecte cumulé
Le graphique en aires en bas et à droite du rapport affiche le coût de classification incorrecte cumulé pour différents seuils de scores. Ce graphique utilise également les chiffres de coût et de bénéfice que vous entrez pour les faux positifs, les vrais positifs, les faux négatifs et les vrais négatifs.
Contrairement au graphique en haut et à droite du rapport, qui est axé sur l'augmentation des bénéfices, ce graphique incorpore le coût d'élaboration d'une fausse prédiction. Ce graphique est particulièrement utile dans les scénarios tels que la prévention, où le coût de prise d'une mauvaise décision incorrecte pèse considérablement plus lourd que le coût d'une estimation correcte.
Par exemple, bien que le premier graphique suggère que le fait de cibler les 500 premiers clients prédits par le modèle est la meilleur moyen de maximiser les bénéfices, vous pouvez décider après avoir examiné ce deuxième graphique que le risque de mal cibler les clients est trop grand et préférer limiter la campagne de marketing aux 400 premiers clients.
Calcul de prédiction interactif
La deuxième feuille de calcul créée par l’outil Calculatrice de prédictions est intitulée Calculatrice de prédiction pour l’état <> cible de l’attribut <>cible. Il s'agit d'une feuille de calcul interactive que vous pouvez utiliser pour calculer des scores individuels. Dans la mesure où cette feuille de calcul utilise des séquences et des statistiques stockées dans le modèle, vous pouvez expérimenter avec différentes valeurs et voir comment elles affectent le score prédit. Ce rapport comporte également deux sections : l'une est interactive, l'autre sert de référence.
Première table
Vous pouvez sélectionner ou taper une nouvelle valeur dans la colonne Valeur de la table pour voir comment la modification de la valeur affecte le score.
Par exemple, si le rapport contient les valeurs suivantes, vous pouvez ramener la valeur de Voitures à 1 puis à 0 pour voir comment cela affecte le comportement d'achat du client. Lorsque vous remplacez la valeur de Cars par 0, la prédiction en bas passe à TRUE.
| Attribut | Valeur | Impact relatif |
|---|---|---|
| Marital Status | Married | 0 |
| Sexe | Male | 0 |
| Revenu | 39050 - 71062 | 117 |
| Children | 0 | 157 |
| Education | Célibataires | 22 |
| Occupation | Skilled Manual | 33 |
| Propriétaire de la maison | Oui | 8 |
| Voitures | 2 | 50 |
| Commute Distance | 0-1,5 km | 99 |
| Région | Amérique du Nord | 0 |
| Age | 37 - 46 | 5 |
| Total | 491 | |
| Prédiction pour « oui » | FAUX |
Lorsque vous tapez la nouvelle valeur, le score affiché dans la cellule Prédiction pour Oui passe à TRUE et les scores d’impact relatif pour les différents attributs sont également mis à jour.
Notes
Même si vous vous modifiez une seule valeur, telle que le nombre de voitures, les valeurs et impacts d'autres attributs peuvent changer lorsque vous agissez ainsi. Cela s'explique par le fait que les modèles d'exploration de données trouvent souvent des relations complexes entre les données, et la modification de toute variable peut avoir des effets imprévus. Pour cette raison, nous vous recommandons d'utiliser le calcul de prédiction interactif pour expérimenter avec différentes valeurs, ou de parcourir le modèle d'exploration de données pour mieux comprendre les interactions. Pour plus d’informations, consultez Parcourir les modèles.
Répartition des scores
Cette table montre les scores individuels pour chaque état possible des colonnes d'entrée, et l'impact relatif de chaque score sur les résultats. Cette table est statique ; il est fourni à des fins de référence uniquement.
Calcul de prédiction imprimable
La troisième feuille de calcul créée par l’outil Calculatrice de prédictions est intitulée Calculatrice printablePrediction pour l’état> cible de l’attribut <<>cible. Ce tableau de bord est destiné à être imprimé afin que vous puissiez calculer des scores manuellement lorsque vous n'êtes pas devant votre ordinateur.
Imprimer et utiliser le rapport de scores généré par le Calcul de prédiction
Cliquez sur l’onglet intitulé Calculatrice de prédiction imprimable pour <attribut>.
Dans le menu Fichier Excel, sélectionnez Aperçu avant impression.
Modifiez l'orientation de la page, les marges et d'autres paramètres de mise en page jusqu'à ce que la table soit disposée sur la page de la façon dont vous le souhaitez.
Ce tableau de bord n'est pas dynamique et n'est connecté en aucune façon au modèle ; vous pouvez donc déplacer des colonnes ou des lignes pour améliorer la mise en forme sans affecter les données sous-jacentes.
Imprimez le tableau de bord.
Pour chaque attribut, choisissez une seule valeur. Pour la valeur que vous choisissez, cochez la case et écrivez le nombre correspondant dans la colonne Score .
Remplissez autant d'attributs que possible afin de garantir l'exactitude.
Calculez la somme des scores pour chaque attribut et entrez ce nombre dans la ligne Total .
Convertissez le score en résultat prédit à l’aide des critères imprimés sur la feuille immédiatement après la ligne Total .
Outils connexes
Analysis Services fournit l’algorithme Microsoft Logistic Regression à utiliser dans ce type d’analyse. Si vous êtes déjà familiarisé avec la régression logistique, vous pouvez facilement créer des modèles de régression logistique à l’aide de l’option Avancé du client d’exploration de données pour Excel. Pour plus d’informations, consultez Modélisation avancée (compléments d’exploration de données pour Excel). Pour plus d’informations sur les options et les paramètres des modèles de régression logistique, consultez la rubrique « Microsoft Logistic Regression Algorithm » dans SQL Server documentation en ligne.