永洪深度分析模塊集成了復雜的統(tǒng)計算法和機器學習技術，能夠從海量數(shù)據(jù)中，挖掘具有潛在價值的關系、模式和趨勢，構建數(shù)據(jù)模型，做出預測分析，但其仍然需要數(shù)理統(tǒng)計和數(shù)據(jù)挖掘的基礎知識，使用門檻相對較高。

基于此，永洪BI推出了數(shù)據(jù)解釋組件，將AI深度分析的能力以可視化組件的形式展示出來，使其可以在任意的報告中使用AI的能力探索和挖掘數(shù)據(jù)之間的相關性。

接下來的文章中，我們將介紹數(shù)據(jù)解釋組件如何使用，以及是如何解釋數(shù)據(jù)的。

01功能入口

制作報告拖拽右側的組件面板的“小燈泡”到制作區(qū)域，綁定需要解釋分析的數(shù)據(jù)集的字段。

02功能介紹

分析(Analyze)：將需要分析的字段放入其中，如天氣的好壞、股票的漲跌、用戶的評分、空氣的質量等。

解釋依據(jù)(Explainby)：將可能導致出現(xiàn)分析字段的值的因素放入其中，如溫度、濕度、地區(qū)、年齡、行業(yè)、日期、車流量等。

03關鍵因素

綁定分析和解釋依據(jù)之后，通過永洪BI的AI算法計算后，得到對分析字段的關鍵因素，其主要的場景是可以用來展示哪些解釋依據(jù)會影響所分析的指標，以及對比這些解釋依據(jù)的相對重要性。

01分析字段的選擇值：

分析字段的選擇值：在此示例中，所選的值為“Low”。

02選項卡：

在視圖之間進行切換。“關鍵因素”顯示對所選分析字段影響較大的一些解釋依據(jù)。“最佳組合”顯示對所選分析字段影響較大的一些解釋依據(jù)的組合。

03關鍵因素的闡述：

幫助解釋左側分析結果的圖表。

04左側分析結果：

在此情況下，顯示關鍵影響因素列表。點擊其中一個關鍵因素后，出現(xiàn)右側分析結果。

05解釋依據(jù)的相對重要性闡述：

幫助解釋右側分析結果的圖表。

06右側分析結果：

在此情況下，顯示左側中已選中關鍵因素“組織里面的角色”的所有值。

07平均線：

除“consumer”（即選中的解釋依據(jù)）以外，計算了“組織里面的角色”的所有可能值的平均值。因此該計算適用于所有藍色的值。它顯示了其他低分“組織里面的角色”的百分比。

本例中，平均來看，除“consumer”的其他組織里面的角色約有13%打了低分（虛線所示）。

看到這里，有的小伙伴可能還是不知道具體是如何計算的。

就以上文的例子進行詳細解釋：此影響者的占比，即是consumer的計數(shù)占所有數(shù)據(jù)量的占比，141245/209503=67.42%，這是第5部分的數(shù)據(jù)量的占比的來源。

組織里面的角色：administrator的low的比例是3840/13852=27.72%，consumer的low的比例是42287/141245=29.93%，publisher的low的比例是5013/54406=9.21%，這些值即是柱圖的高度。

除“consumer”（即選中的解釋依據(jù)）以外，計算了“組織里面的角色”的所有可能值的平均值，即是下表中(3840+5013)/68258=12.96%，約為13%，這即是平均線的值。

左側的倍數(shù)2.31x,是由29.93%/12.96%得到的。

以該示例總結一下關鍵因素，選擇以下情況影響客戶評分為Low,可以分析出，導致客戶評分為Low的因素從大到小主要有：

客戶的有效期大于58個月、組織里面的角色是consumer、客戶關注的主題是可用性、安全性、訂閱類型是高級用戶、國家地區(qū)是法國，這些因素會使得客戶評分為Low的可能性增加。

如果對其中的某一個因素感興趣，可以繼續(xù)點擊關鍵因素排名，右側會展示此因素的詳細解釋，上方的文本展示了此因素的數(shù)據(jù)量占整個數(shù)據(jù)的百分比。

例如點擊組織中的角色是consumer，上方的文本展示了角色為consumer的客戶評分大概有67.42%的數(shù)據(jù)，下方的圖表展示了各個角色在導致低評級上的影響的比較分析。

評價來看，13%的所有角色給出了Low的評分，30%的consumer給出了Low，與其他的客戶角色相比，consumer給出低分的可能性高出2.31倍。

04最佳組合

使用“關鍵因素”選項卡分別評估每個解釋依據(jù)，切換選項卡后使用“最佳組合”選項卡查看解釋依據(jù)的組合，如何影響正在分析的指標。

01分析字段的選擇值：

在此示例中，所選的值為銷售額的“提高”。

02選項卡：

在視圖之間進行切換。“關鍵因素”顯示對所選分析字段影響較大的一些解釋依據(jù)?！白罴呀M合”顯示對所選分析字段影響較大的一些解釋依據(jù)的組合。

03最佳組合的分析結果：

在此情況下，顯示最佳組合列表。點擊其中一個最佳組合后，出現(xiàn)下側和右側分析結果。

04下側分析結果：

點擊其中一個最佳組合后，出現(xiàn)最佳組合的詳細信息，在此示例中，組合2的詳細信息為“邊際利潤大于114.50且利潤小于等于337”。

05右側分析結果：

在此情況下，顯示左側中已選中組合2中數(shù)據(jù)的平均值和整體中的平均值，并顯示對比。

06最佳組合右下分析結果：

以環(huán)形圖顯示組合2中的詳細數(shù)據(jù)量的占比。

以該示例總結一下最佳組合，影響銷售額提高的因素的組合有：組合1~組合7，組合2中“邊際利潤大于114.50且利潤小于等于337”的銷售額的平均值為347.61，整體的銷售額的平均值為192.99，在組合2中，包含了1236個數(shù)據(jù)點，占比29.1%。

注：

關鍵因素的數(shù)據(jù)集來源于[Moroet al., 2014] S. Moro, P. Cortez 和P.Rita. “一種預測銀行電話營銷成功的數(shù)據(jù)驅動方法?！盌ecisionSupport Systems, Elsevier, 62:22-31, June 2014。

最佳組合的數(shù)據(jù)集為永洪BI自帶的咖啡中國市場銷售數(shù)據(jù)。

? ? ? ?ymf