Power BI identifica influenciadores clave mediante ML.NET

Power BI es una solución de análisis empresarial desarrollada por Microsoft que permite a los usuarios visualizar sus datos y compartir información entre sus organizaciones o insertarlos en sus aplicaciones. Power BI proporciona una variedad de visualizaciones, como gráficos, gráficos y medidores, para ayudar a los usuarios a crear informes a partir de sus datos. Recientemente, Power BI ha estado usando el aprendizaje automático para simplificar tareas complejas para sus usuarios con el fin de permitir que todos los usuarios de las organizaciones aprovechen la eficacia de la inteligencia artificial para tomar mejores decisiones. En febrero de 2019, Power BI obtuvo una vista previa de su primera visualización con tecnología de inteligencia artificial, Influenciadores clave, que usa ML.NET en segundo plano para razonar sobre los datos y exponer la información de forma natural.

Problema empresarial

Para cualquier negocio, identificar y comprender a los influenciadores clave (los principales impulsores del rendimiento y los resultados empresariales) y los segmentos de clientes es fundamental para tomar decisiones empresariales estratégicas, priorizar los cambios en el negocio y obtener ventajas competitivas. El análisis de influenciadores clave puede revelar qué factores tienen el mayor impacto en el rendimiento empresarial y puede ayudar a una empresa a responder preguntas como "¿qué factores llevan a los clientes a dejar opiniones negativas sobre este servicio?" o "¿qué influye en el aumento de los precios de la casa?"

Sin embargo, este proceso de análisis de datos para personas influyentes clave y segmentación de clientes requiere mucho tiempo, esfuerzo y experiencia; a menudo implica la codificación de múltiples funciones, muestreo, pruebas de significancia y clasificación de resultados. Por lo tanto, Power BI recurrió a una solución de aprendizaje automático para permitir a sus usuarios acelerar el proceso de obtener información significativa y poder realizar análisis estadísticos sin tener que dedicar tiempo a escribir código complejo.

Influenciadores clave y ML.NET

Power BI creó la visualización de influenciadores clave como una solución de aprendizaje automático para permitir que las empresas aprovechen la inteligencia artificial para que puedan analizar sus datos en menos tiempo y tomar decisiones empresariales clave con mayor rapidez. En otras palabras, los usuarios pueden usar influenciadores clave para dedicar menos tiempo a analizar los datos y dedicar más tiempo a actuar sobre la información recopilada de la visualización de inteligencia artificial.

Una vez que un usuario elige un indicador clave de rendimiento (KPI) para analizar (por ejemplo, la tasa de retención, la tasa de clics, etc.), la visualización de elementos influyentes clave usa algoritmos de aprendizaje automático proporcionados por ML.NET para determinar que es lo más importante a la hora de impulsar las métricas, así como para buscar segmentos interesantes para una investigación más detallada. Los elementos influyentes clave analizan los datos de un usuario, clasifican los factores que importan, contrastan la importancia relativa de estos factores y los muestran como elementos influyentes clave y segmentos principales para las métricas categóricas y numéricas.

Arquitectura de la solución

Power BI se envía de varias formas. La visualización de influenciadores clave se admite en los formularios móviles, de escritorio, de servicio compartido y de servicio premium.

Cuando un usuario agrega columnas al elemento visual Key Influencer, se desencadena un flujo en el que se envían datos de capacitación a Analysis Services (el motor de base de datos detrás de Power BI). Analysis Services ejecuta ML.NET para entrenar modelos de aprendizaje automático y se devuelven los resultados. Por lo tanto, el modelo se entrena cada vez que un usuario actualiza las características seleccionadas. El objetivo general es realizar el análisis en unos segundos, lo que permite una experiencia interactiva.

A continuación se muestra el flujo general:

ML.NET se usa como biblioteca .NET Framework y se ejecuta en el entorno local (si se usa en Power BI Desktop) o en la nube (si se usa en el servicio Power BI). Los conjuntos de datos de Power BI se almacenan en un formato binario nativo para Analysis Services.

Elementos influyentes clave

Las métricas de categorías pueden incluir elementos como clasificaciones o clasificaciones. En el ejemplo siguiente, la métrica es Rating y la visualización ha determinado que el Rol en la organización es consumidor es el factor único principal que influye en la probabilidad de una clasificación baja. La visualización muestra información adicional en el panel derecho, como:

• El 14,93% de los consumidores dan una puntuación baja.
• Por término medio, todos los demás roles dan una puntuación baja el 5,78% de las veces.
• Los consumidores son 2,57 veces más probable que ofrezca una puntuación baja en comparación con el resto de los roles.

Los elementos influyentes clave usan ML.NET para ejecutar la regresión logística para las métricas de categorías mediante el Codificación One-hot, Reemplazar el valor que falta y Normalizar varianza media transformaciones de datos y elalgoritmo de regresión logística L-BFGS. En este caso, el algoritmo busca patrones en los datos y busca cómo los clientes que dieron una clasificación baja pueden diferir de los clientes que dieron una clasificación alta. Por ejemplo, es posible que los clientes con más incidencias de soporte técnico proporcionen un porcentaje más alto de clasificaciones bajas que los clientes con pocas o ninguna incidencia de soporte técnico.

Influenciadores clave numéricos

Las métricas numéricas pueden incluir aspectos como el precio o números de ventas. En el ejemplo siguiente, la métrica es Precio de la vivienda, y la visualización ha determinado que "Calidad de la cocina es Excelente" es el factor único principal que influye en la probabilidad de un aumento en el precio de la vivienda.

Elementos Influyentes clave usa ML.NET para ejecutar la regresión lineal, utilizando las mismas transformaciones de datos que los influyentes clave categóricos y usando el algoritmo de regresión SDCA. En este caso, el algoritmo observa cómo cambia el precio de la vivienda en función de los factores explicativos, como el número de dormitorios o los metros cuadrados. En este caso, observa el impacto que tendrá en el precio de la vivienda el hecho de tener una cocina excelente.

Cálculo de segmentos principales

Segmentos principales muestra los grupos principales que contribuyen al valor de la métrica seleccionada. Un segmento se compone de una combinación de valores. Por ejemplo, el siguiente segmento son personas que son consumidores o administradores, que tienen más de 4 tickets de soporte y que han sido clientes durante más de 29 meses. El 74,3 % de los clientes de este segmento dieron una calificación baja, en comparación con el cliente promedio, que dio una calificación baja el 11,7 % de las veces.

Segmentos principales usa ML.NET para ejecutar un árbol de decisión mediante algoritmos (categóricos y numéricos) de Árbol rápido para buscar subgrupos interesantes. El objetivo es terminar con un subgrupo de puntos de datos que sea relativamente alto en la métrica de interés. Podrían ser clientes con calificaciones bajas o casas con precios altos.

El algoritmo toma cada factor explicativo e intenta razonar sobre qué factor le da la mejor división. Una vez que conforma el árbol de decisiones realiza una división, toma el subgrupo de datos y determina la siguiente mejor división para esos datos. En este caso, el subgrupo son los clientes que comentaron la seguridad. Después de cada división, también tiene en cuenta si tiene suficientes puntos de datos para que este grupo sea lo suficientemente representativo como para deducir un patrón o si se trata de una anomalía en los datos y no de un segmento real. Una vez que el árbol de decisión termina de ejecutarse, toma todas las divisiones, como comentarios de seguridad y grandes empresas, y crea segmentos.

Power BI usa ML.NET para ayudar a sus clientes a identificar fácilmente a los influenciadores clave en sus negocios, lo que les ahorra tiempo y esfuerzo, y les permite centrarse en la toma de cambios y decisiones empresariales basadas en análisis y conclusiones generadas a partir de los modelos de ML.NET.