अवलोकन
SurveyAnalytica’s Advanced Segmentation मॉड्यूल आपको साझा विशेषताओं के आधार पर अपने डेटा को सार्थक समूहों में विभाजित करने देता है। प्लेटफ़ॉर्म तीन सेगमेंटेशन दृष्टिकोणों का समर्थन करता है: बिज़नेस लॉजिक का उपयोग करके rules-based सेगमेंटेशन, unsupervised मशीन लर्निंग एल्गोरिदम का उपयोग करके auto-segmentation, और supervised ML classifiers का उपयोग करके predictive सेगमेंटेशन। किसी भी analytics व्यू से Segments टैब पर क्लिक करके सेगमेंटेशन एक्सेस करें।
नियम-आधारित सेगमेंटेशन (Rules-Based Segmentation)
Rules-based सेगमेंटेशन आपको स्पष्ट शर्तों और बिज़नेस नियमों का उपयोग करके सेगमेंट परिभाषित करने देता है। यह दृष्टिकोण तब आदर्श है जब आप ठीक-ठीक जानते हैं कि आप अपने डेटा को किस तरह वर्गीकृत करना चाहते हैं।
एक सेगमेंट नियम बनाना
- Analytics के भीतर Segments व्यू पर जाएँ।
- Create Segment पर क्लिक करें और Rules-Based चुनें।
- अपने सेगमेंट को एक वर्णनात्मक नाम दें।
- कंडीशन बिल्डर का उपयोग करके शर्तें जोड़ें।
कंडीशन ऑपरेटर
प्रत्येक कंडीशन इन ऑपरेटरों में से किसी एक का उपयोग करके किसी फ़ील्ड का मूल्यांकन किसी मान के विरुद्ध करती है:
- EQUALS / NOT_EQUALS: सटीक मिलान (स्ट्रिंग्स के लिए केस-असंवेदनशील)
- CONTAINS / NOT_CONTAINS: सबस्ट्रिंग मिलान
- STARTS_WITH / ENDS_WITH: प्रीफ़िक्स या सफ़िक्स मिलान
- GREATER_THAN / LESS_THAN: संख्यात्मक तुलना
- GREATER_THAN_OR_EQUAL / LESS_THAN_OR_EQUAL: समावेशी संख्यात्मक तुलना
- BETWEEN: रेंज जाँच (दूसरे मान की आवश्यकता होती है)
- IN / NOT_IN: सूची सदस्यता
- IS_EMPTY / IS_NOT_EMPTY: null या रिक्त जाँच
- MATCHES_REGEX: रेगुलर एक्सप्रेशन मिलान
शर्तों को संयोजित करना
शर्तों को समूहों में व्यवस्थित किया जाता है। किसी समूह के भीतर, शर्तों को AND या OR लॉजिक का उपयोग करके संयोजित किया जाता है। कई समूहों को भी AND/OR लॉजिक के साथ संयोजित किया जा सकता है, जिससे आपको जटिल बिज़नेस नियमों को व्यक्त करने की पूरी लचीलापन मिलती है।
सेगमेंट सांख्यिकी
सेगमेंट नियम लागू करने के बाद, सिस्टम गणना करता है और प्रदर्शित करता है:
- सेगमेंट से मेल खाने वाले कुल रिकॉर्ड
- कुल डेटासेट का प्रतिशत
- सेगमेंट के भीतर मानों का वितरण
ऑटो-सेगमेंटेशन (ML क्लस्टरिंग)
Auto-segmentation आपके डेटा में प्राकृतिक समूहों को स्वचालित रूप से खोजने के लिए unsupervised मशीन लर्निंग का उपयोग करता है। प्लेटफ़ॉर्म तीन क्लस्टरिंग एल्गोरिदम का समर्थन करता है:
K-Means क्लस्टरिंग
सबसे अधिक इस्तेमाल किया जाने वाला एल्गोरिदम, समान आकार के गोलाकार क्लस्टर खोजने के लिए आदर्श।
- यह कैसे काम करता है: डेटा पॉइंट्स और उनके क्लस्टर केंद्र के बीच की दूरी को कम करके डेटा को K क्लस्टरों में विभाजित करता है।
- कॉन्फ़िगरेशन: क्लस्टरों (K) की संख्या निर्दिष्ट करें या elbow method और silhouette विश्लेषण का उपयोग करके सिस्टम को इष्टतम K का स्वतः पता लगाने दें।
- स्केलेबिलिटी: बड़े डेटासेट को कुशलता से संभालने के लिए अनुकूलित।
हायरार्किकल क्लस्टरिंग
क्लस्टरों का एक ट्री-जैसा पदानुक्रम बनाता है, जो डेटा को अलग-अलग स्तरों की बारीकी पर एक्सप्लोर करने के लिए उपयोगी है।
- यह कैसे काम करता है: ward, complete, average, और single सहित linkage मेथड्स के साथ agglomerative (बॉटम-अप) दृष्टिकोण का उपयोग करता है।
- इसके लिए सर्वोत्तम: छोटे डेटासेट जहाँ आप नेस्टेड क्लस्टर संरचनाओं को एक्सप्लोर करना चाहते हैं।
- आउटपुट: एक डेंड्रोग्राम विज़ुअलाइज़ेशन जो दिखाता है कि विभिन्न दूरी सीमाओं पर क्लस्टर कैसे मर्ज होते हैं।
DBSCAN (Density-Based Spatial Clustering)
डेटा डेंसिटी के आधार पर मनमाने आकार के क्लस्टर खोजता है, आउटलायर्स का स्वतः पता लगाता है।
- यह कैसे काम करता है: उन पॉइंट्स को एक साथ समूहित करता है जो निकटता से पैक हैं, कम-घनत्व वाले क्षेत्रों में पॉइंट्स को आउटलायर के रूप में चिह्नित करता है।
- मुख्य पैरामीटर:
eps (पड़ोस त्रिज्या) और min_samples (क्लस्टर बनाने के लिए न्यूनतम पॉइंट्स)।
- इसके लिए सर्वोत्तम: अनियमित आकार के क्लस्टर वाले डेटासेट या जब आप आउटलायर्स की उम्मीद करते हैं।
मिश्रित डेटा प्रकार समर्थन
क्लस्टरिंग इंजन संख्यात्मक और categorical दोनों प्रकार के डेटा को संभालता है:
- संख्यात्मक फ़ीचर्स: क्लस्टरिंग से पहले normalization का उपयोग करके मानकीकृत किए जाते हैं।
- Categorical फ़ीचर्स: cardinality के आधार पर उचित रूप से एन्कोड किए जाते हैं।
- ऑटो-डिटेक्शन: सिस्टम स्वचालित रूप से क्वेश्चन टाइप से फ़ीचर टाइप की पहचान करता है (RADIO, CHECKBOX, DROPDOWN को categorical माना जाता है; NPS, SLIDER, संख्यात्मक फ़ील्ड्स को numeric माना जाता है)।
Feature Studio
क्लस्टरिंग चलाने से पहले, आप अपने डेटा फ़ीचर्स को तैयार और रूपांतरित करने के लिए Feature Studio का उपयोग कर सकते हैं। उपलब्ध ट्रांसफ़ॉर्मेशन में शामिल हैं:
- Normalize: स्टैंडर्ड स्केलिंग, min-max normalization
- Encode: categorical वेरिएबल्स के लिए एन्कोडिंग
- Impute: mean, median, mode, या कस्टम रणनीतियों के साथ गुम मानों को संभालें
- Bin: निरंतर वेरिएबल्स को अलग-अलग bins में बदलें (equal-width, equal-frequency, या custom)
- Scale: लॉगारिथमिक, वर्गमूल, या अन्य स्केलिंग ट्रांसफ़ॉर्मेशन लागू करें
- Derived features: कस्टम एक्सप्रेशन का उपयोग करके मौजूदा फ़ीचर्स से नए फ़ीचर्स बनाएँ
- Feature selection: क्लस्टरिंग के लिए सबसे महत्वपूर्ण फ़ीचर्स को स्वचालित रूप से पहचानें
क्लस्टरिंग गुणवत्ता मीट्रिक्स
auto-segmentation चलाने के बाद, प्लेटफ़ॉर्म आपके क्लस्टरों का मूल्यांकन करने के लिए गुणवत्ता मीट्रिक्स प्रदान करता है:
- Silhouette Score: मापता है कि कोई पॉइंट अपने स्वयं के क्लस्टर के मुकाबले अन्य क्लस्टरों से कितना समान है। -1 से 1 तक की रेंज में, उच्च मान बेहतर परिभाषित क्लस्टर दर्शाते हैं।
- Davies-Bouldin Index: क्लस्टरों के बीच औसत समानता को मापता है। कम मान क्लस्टरों के बीच बेहतर अलगाव दर्शाते हैं।
- Cluster sizes: प्रत्येक क्लस्टर में रिकॉर्ड की संख्या, जो आपको असंतुलित सेगमेंट पहचानने में मदद करती है।
- Cluster profiles: प्रत्येक क्लस्टर के सांख्यिकीय सारांश जो उसकी विशिष्ट विशेषताओं को दर्शाते हैं।
Predictive सेगमेंटेशन
एक बार जब आप सेगमेंट स्थापित कर लेते हैं (चाहे नियमों के माध्यम से हो या क्लस्टरिंग के माध्यम से), तो आप नए डेटा के लिए सेगमेंट सदस्यता की भविष्यवाणी करने हेतु एक supervised ML मॉडल को प्रशिक्षित कर सकते हैं। Predictive सेगमेंटेशन इनका समर्थन करता है:
- Logistic Regression: सेगमेंट वर्गीकरण के लिए तेज़, interpretable मॉडल।
- Random Forest: अधिक जटिल मॉडल जो non-linear संबंधों को कैप्चर कर सकता है।
एक Predictive मॉडल को प्रशिक्षित करना
- भविष्यवाणी के लिए उपयोग करने हेतु फ़ीचर्स चुनें।
- टारगेट कॉलम चुनें (मौजूदा सेगमेंट असाइनमेंट)।
- test/train स्प्लिट रेशियो कॉन्फ़िगर करें (डिफ़ॉल्ट: 80/20)।
- मॉडल प्रकार चुनें (logistic regression या random forest)।
- मॉडल को प्रशिक्षित करें और मीट्रिक्स की समीक्षा करें (accuracy, precision, recall, F1 score, confusion matrix)।
Feature Importance
प्रशिक्षण के बाद, सिस्टम feature importance स्कोर निकालता है जो दिखाते हैं कि कौन से वेरिएबल्स का सेगमेंट असाइनमेंट पर सबसे अधिक प्रभाव है। यह आपको यह समझने में मदद करता है कि आपके सेगमेंट के बीच अंतर को क्या प्रेरित करता है।
सेगमेंट लागू करना
एक बार सेगमेंट परिभाषित हो जाने के बाद, वे डेटा में प्रत्येक रिकॉर्ड पर संग्रहीत होते हैं। प्रत्येक सेगमेंट रिकॉर्ड में शामिल है:
- configId: सेगमेंटेशन कॉन्फ़िगरेशन ID
- configName: सेगमेंटेशन कॉन्फ़िग का नाम
- segmentName: असाइन किया गया सेगमेंट नाम
- appliedAt: जब सेगमेंट लागू किया गया था तब का टाइमस्टैंप
सेगमेंट का उपयोग पूरे analytics इंटरफ़ेस में फ़िल्टर के रूप में और कैंपेन वर्कफ़्लो में टारगेटिंग मानदंड के रूप में किया जा सकता है।