收益圖 (Analysis Services - 資料採礦)
收益圖會顯示與使用採礦模型有關聯的預估收益增加。 例如，如果您的模型預測公司應該在某個商務案例中連絡哪些客戶，則收益圖就會併入與執行目標郵寄促銷活動 (連絡 x 名客戶) 之成本有關的詳細資訊，並計算預估收益。 一般收益圖會顯示收益增加直到某個點為止，過了這個點之後，收益就會隨著連絡的母體百分比增加而減少。
了解收益圖
收益圖類似於增益圖。 如同增益圖，收益圖可以用來比較多個模型，只要這些模型都預測相同的離散屬性即可。 沒有單獨的介面可用於建立收益圖，您一開始可以使用資料採礦設計師之 [採礦精確度圖表] 索引標籤的 [增益圖] 索引標籤，然後再加入收益圖的特定成本和收益資訊。
為了說明運作方式，本主題將引導您使用已建立的收益圖，來預測可能購買自行車的潛在客戶，以及了解透過選擇潛在客戶目標可能實現的收益。
若要進行此案例，請使用您在「基本資料採礦教學課程」中所建立的決策樹模型 TM_Decision Tree。 您一開始會像是使用增益圖一樣，選取模型及可預測的屬性，但是會從清單中選取 [收益圖]。
選擇收益圖做為圖表類型時，即會自動開啟 [收益圖設定] 對話方塊。 此對話方塊可協助您指定與目標郵寄促銷活動相關的成本與效益。 在您設定可定義收益圖的參數之後，顯示的圖表會自動變更為收益圖。 針對這些範例中所示的圖表，我們使用下列值：
設定 |
值 |
|---|---|
選擇模型 |
TM_DecisionTree |
設定可預測的屬性及可預測的值 |
針對此案例，您只需要可能購買自行車的客戶，因此請選擇 [Bike Buyer] =1 在其他案例中，建立否定成本模型可能比較重要：換句話說，您可能需要收益圖說明做出錯誤預測的成本。 在這類案例中，您不會指定任何特定的可預測值，以及測量所有結果。 |
選擇測試資料集，或用於評估模型之精確度和獲利率的資料 |
如果您只想評估模型獲利率的一般精確度，則可以使用建立採礦結構時所產生的測試集。 但是，如果您想根據實際資料預測模型的精確度和獲利率，請使用包含潛在客戶及其屬性的資料集。 |
設定總目標母體的值 |
您的資料庫可能包含許多客戶，但是為了省下郵寄支出，您可以僅針對模型識別最有可能回應的前 20,000 名客戶。 |
輸入為 20,000 人設定目標郵寄促銷活動的單次成本 |
500 |
輸入目標郵寄促銷活動的每單位成本。 這個金額將會乘以小於或等於 20,000 的數字 (需視此模型預測多少客戶為良好潛在客戶而定)。 |
3 |
輸入代表預期可從成功的結果獲得的收益或收入金額值。 此金額將會用來預估與高機率案例有關的總收益。 |
25 |
解譯結果
下圖顯示以這些參數為基礎的圖表。 圖表的 Y 軸代表收益，而 X 軸則代表公司連絡之母體的百分比。
.gif "簡單的收益圖範例")
收益圖包含一條灰色垂直線，可標示目標母體的百分比。 您可以按一下圖表中的位置來移動此線。 每當您移動此線時，就會更新 [採礦圖例] 來顯示百分比值、收益分數以及此灰色垂直線上與母體百分比有關的預測機率。 如果您將此灰線移到圖表中收益最高的那個點，您可以使用預測機率值來決定連絡客戶的策略。
百分比案例 |
數列、模型 |
收益 |
預測機率 |
|---|---|---|---|
30 |
|
$103,000 |
67.23% |
40 |
TM_Decision Tree |
$128,500 |
60.90% |
50 |
|
$149,500 |
50.70% |
60 |
|
$168,000 |
44.05% |
藉由試驗這個圖，您可判斷收益曲線的高峰為母體的百分之 55，而相關聯的預測機率是百分之 20。 這些結果表示，您應該只連絡預測回應機率在百分之 20 以上的客戶，才能達到最大收益。
相關內容
下列主題包含您可以如何建立及使用精確度圖表的詳細資訊。
主題 |
連結 |
|---|---|
提供如何為此目標郵寄模型建立增益圖的逐步解說。 |
|
說明相關的圖表類型。 |
增益圖 (Analysis Services - 資料採礦) |
描述採礦模型和採礦結構的交叉驗證。 |
|
描述建立增益圖及其他精確度圖表的步驟。 |