Laboratorio 05 PROCESO DE LA MINERIA DE DATOS EN EL ANALYSIS SERVICES 1. Presentación.

HERRAMIENTAS DEL SQL SERVER El Microsoft SQL Server ofrece 4 de herramientas principales:

2. Objetivo Al finalizar este laboratorio los alumnos estarán en capacidad de: Laboratorio 05. Sesión 1 Crear una base de datos de Analysis Services, agregar un origen de datos, crear una vista de origen de datos y modificar una vista de origenes de datos para preparar una nueva base de datos que se va a utilizar para la minería de datos. Laboratorio 05. Sesión 2 Crear un escenario de modelos de minería de datos para predecir la respuesta de clientes ante una campaña de correo directo. Laboratorio 05. Sesión 3 Crear y utilizar los algoritmos de minería de datos, los visores del modelo de minería de datos y las herramientas de minería de datos Árboles de decisión de Microsoft Clústeres de Microsoft Bayes naive de Microsoft Esto puede ser visualizado en la figura 1.

Analysis Services

Database Engine

Integration Services.

Reporting Services

En este laboratorio trabajaremos con el SQL Server Analysis Services (SSAS) que permite crear una esquema para administrar los objetos de una base de datos de Analysis Services definidas por: Cubos OLAP (Primera parte del curso) Modelos de minería de datos. (Segunda parte del curso) ENTORNOS DE DESARROLLO El SSAS ofrece un entorno integrado para crear cubos OLAP y modelos de minería de datos y trabajar con ellos, conformado por:

SQL Server Management Studio. Herramienta principal para administrar Database Engine (Motor de base de datos) y escribir código de Transact-SQL.

BD Analysis Services

Escenario de Minería de Datos

Algortimos

SQL Server Business Intelligence Development studio. Es el Microsoft Visual Studio con tipos de proyecto adicionales específicos de Business Intelligence. Es el entorno que se utilizará para desarrollar soluciones de Analysis Services, Integration Services y Reporting Services usando plantillas específicas.

1

Crear un proyecto de Analysis Services Un proyecto de SSAS permite definir un esquema que contiene los objetos de una BD del Analysis Services. Abra el Business Intelligence Development Studio. Este laboratorio se desarrollará usando el Business Intelligence Development Studio. estos es modelos de minería de datos y objetos complementarios. Crear una vista de origen de datos. Son vistas unificadas de los metadatos. En el menú Archivo. Agregar uno o varios origenes de datos. seleccione Nuevo y haga clic en Proyecto. b. 2 . Sesión 1 PREPARA LA BD DEL ANALYSIS SERVICES PARA EL PROCESO DE MINERÍA DE DATOS. Denomine al proyecto lab_05_db_mineria_datos e. Origenes de datos. d. contiene el nombre del servidor y la base de datos donde residen los datos del origen. Es una conexión de datos que se administra en el proyecto y se implementa en el (SSAS). Seleccione Proyecto de Analysis Services en el panel Plantillas. 4. Crear un proyecto de Analysis Services basado en una plantilla de proyecto del SSAS. 2. Para crear un proyecto de Analysis Services a. 3. desde las tablas y vistas seleccionadas en los orígenes de datos. Este laboratorio incluye las siguientes tareas: 1. Permite crea un proyecto vacío del tipo seleccionado en el que se definen objetos del Database Engine o del Analysis Services.Laboratorio 05. c. Modificar una vista de origen de datos. Haga clic en Aceptar. Conceptos importantes Plantilla de proyecto. Vista de origenes de datos. Este laboratorio tiene por objetivo crear una vista de origen de datos para trabajar con los modelos y algortimos de minería de datos. Observe que estas tarea son comunes a cuando se desea crear y trabajar con un cubo OLAP 1.

En la lista Seleccione o introduzca un nombre de base de datos.) 2. Se abrirá el Asistente para orígenes de datos. Seleccione la carpeta Orígenes de datos y luego Nuevo origen de datos en el Explorador de soluciones. 3 . se abrirá el cuadro de diálogo Administrador de conexión. contiene el nombre del servidor y la base de datos donde residen los datos del origen. En la lista Nombre del servidor. seleccione el servidor en el que se aloja la base de datos AdventureWorksDW (seleccione localhost si la base de datos se aloja en el servidor local.2. Crear un origen de datos Un origen de datos es una conexión de datos que se administra en el proyecto y se implementa en el (SSAS). 6. Presione el boton Ok para terminar. Haga clic en Nuevo para agregar una conexión a las bases de datos. Presione siguiente para ingresar a la página Información de suplantación. 8. 7. Abilite el Explorador de soluciones. 9. Para crear un origen de datos 1. Verifique la conectividad presionando el boton Prueba de conexión. haga clic en Siguiente. seleccione OLE DB nativo\Microsoft OLE DB Provider for SQL Server. seleccione AdventureWorksDW. 3. Debe obtener el siguiente mensajes 4. En la lista Proveedor del Administrador de conexión. 5.

4. seleccione Utilizar la cuenta de servicio.10. 4 . En la página Seleccionar un origen de datos. Se puede seleccionar tablas. haga clic con el botón secundario en Vistas de origen de datos y seleccione Nueva vista de origen de datos. haga clic en Siguiente. Haga clic en Siguiente. aparecerá en la carpeta Orígenes de datos del Explorador de soluciones. En el Explorador de soluciones. 11. Si desea crear un nuevo origen de datos. 3. Se abrirá el Asistente para vistas de origen de datos. establecer relaciones entre ellas. 2. Luego presione finalizar. el origen de datos Adventure Works DW que se creó en la última tarea aparecerá seleccionado de forma predeterminada en Orígenes de datos relacionales. adicionar columnas calculadas y vistas con nombre. Crear una vista de origen de datos Una vista de origen de datos es una abstracción del origen de datos. En la página Información de suplantación. 3. Para crear una vista de origen de datos 1. El nuevo origen de datos. permite modificar la estructura de los datos (sin modificar los objetos de la base de datos original) para que sean más significativos en el contexto del proyecto. haga clic en Nuevo origen de datos para iniciar el Asistente para orígenes de datos. Adventure Works DW.

7. seleccione las siguientes tablas y vistas.vTimeSeries 4.5. use la flecha derecha para incluirlas: dbo. seleccione la columna OrderNumber de la tabla vAssocSeqLineItems. la vista de origen de datos tendrá el nombre Adventure Works DW de forma predeterminada. 6. cambiar el nombre de cualquier objeto por uno que sea más significativo para el proyecto. En la página Seleccionar tablas y vistas. Haga clic en Finalizar. En el panel de la vista de origen de datos del Diseñador de vistas de origen de datos. presione Siguiente. Arrastre la columna hasta la tabla vAssocSeqOrders y colóquela en la columna OrderNumber.vTargetMail dbo. sin modificar en el origen de datos original. Se abrirá el Diseñador de vistas de origen de datos para mostrar la vista de origen de datos Adventure Works DW. pero puede referirse al objeto dentro del proyecto utilizando este nombre más descriptivo. 5 . Modificar una vista de origen de datos. Para crear una nueva relación entre tablas 1. En la página Finalizando el asistente. Ahora existirá una nueva relación de varios a uno entre las tablas vAssocSeqOrders y vAssocSeqLineItems. Puede utilizar el Diseñador de vistas de origen de datos para: cambiar la forma de ver los datos en un origen de datos. 2.ProspectiveBuyer dbo.vAssocSeqLineItems dbo.vAssocSeqOrders dbo.

2.Laboratorio 05. que son discretos. Generalmente se afirma que un atributo es discreto cuando tiene una cantidad de posible de valores diferentes que se pueden contar. Mediante el análisis de los atributos de clientes conocidos. 3. La empresa pretende utilizar los patrones hallados para predecir qué clientes potenciales tienen más probabilidades de comprar un producto. como 1 = < $25. Explorar los modelos Targeted Mailing 4.000. 23. Para el desarrollo de este desarrollaran los siguientes tereas: laboratorio se 1. Modificar el modelo Targeted Mailing. varon o mujer. 87. Herramienta del SSAS para facilitar la creación de modelos de mienería de datos. El algoritmo de árboles de decisión es un algoritmo de clasificación y regresión para modelar la predicción de atributos (clase) discretos o continuos: Para los atributos discretos. tales como 23. Objetos (tablas. Crear una estructura del modelo de minería de datos Targeted Mailing. 2 = de $25.000. Comprobar la precisión de los modelos de minería de datos 5. Estructura de minería de datos. la empresa espera determinar los patrones de comportamiento que posteriormente se aplicarán a clientes potenciales. Crear predicciones 6 . bajo. Utiliza los valores. conocidos como estados. que son continuos Atributo discreto. Para los atributos continuos. Para confirmar que ha leído y entendido el tutorial diga el significado de los siguientes términos: Predicción. Atributos continuos. algoritmos necesarios para implementar la solución a un problema de minería de datos. Tipos de atributos. de estas columnas para predecir los estados de una columna que se designa como elemento de predicción (generalmente se le llama la clase). Requisitos previos Antes de desarrollar este laboratorio debe de leer el tutorial de árboles de decisión. vistas). el algoritmo hace predicciones basándose en las relaciones entre las columnas de entrada de un conjunto de datos. Corresponde a un problema que puede ser abordado con las técnicas de la minería de datos.45. el algoritmo usa la regresión lineal para determinar dónde se divide un árbol de decisión. Asistente de minería de datos. el algoritmo identifica las columnas de entrada que se correlacionan con la columna de predicción. Son aquellos atributos por lo general numéricos. generalmente corresponde a problemas de clasificación o predicción. Por ejemplo una columna puede contener información salarial en rangos de sueldo codificados. Sesión 2 CREAR UN ESCENARIO DE CORREO DIRECTO Planteamiento del problema El departamento de marketing de Adventure Works desea aumentar las ventas dirigiendo una campaña de correo directo a clientes específicos. Son aquellos datos categóricos tales como alto.4555. Modelo de árboles de decisión. Clasificación Regresión Atributo Clase Nodo Hoja Regla de decisión Error del clasificador Otros conceptos importantes Escenario de correo electrónico. Por ejemplo una columna puede contener información salarial como valores de sueldo actuales.000 a $50.

compruebe que la opción A partir de una base de datos relacional o un almacén de datos se ha seleccionado y. 4. 2. a continuación. situada junto a la tabla vTargetMail. En el Explorador de soluciones. Presione siguiente. En la página Seleccionar la técnica de minería de datos. haga clic en Siguiente. En la página Seleccionar vista de origen de datos. 5. active la casilla de verificación de la columna Escenario. haga clic en Siguiente. a continuación. haga clic con el botón secundario en Estructuras de minería de datos y seleccione Nueva estructura de minería de datos. En la página Especificar tipos de tablas. en ¿Qué técnica de minería de datos desea utilizar?. 7 . En la página de inicio del Asistente para minería de datos. 6. Crear una estructura del modelo de minería de datos Targeted Mailing El primer paso para crear un escenario de correo directo consiste en utilizar el Asistente para minería de datos para crear la estructura de minería de datos y luego un modelo de minería de datos de árboles de decisión. Para crear una estructura de minería de datos para un escenario de correo directo 1. Se abrirá el Asistente para minería de datos. En la página Seleccionar el método de definición.1. 3. Haga clic en Explorar para ver las tablas de la vista de origen de datos. seleccione Árboles de decisión de Microsoft. haga clic en Siguiente. observe que Adventure Works DW se ha seleccionado de forma predeterminada.

si está de acuerdo haga clic en Aceptar. CustomerKey BikeBuyer Age CommuteDistance CustomerKey EnglishEducation EnglishOccupation FirstName Gender GeographyKey HouseOwnerFlag LastName MaritalStatus NumberCarsOwned NumberChildrenAtHome Region TotalChildren YearlyIncome X X X X X X X X X X X X X X X X X X X 9. haga clic en Detectar. Alternativamente puede presionar el boton Sugerir. 8. Input (Columna de entrada). Un atributo puede ser marcado como: Key. Este atributo se usará como variable predictora. ordenando los atributos según la relación que tengan con el atributo de predicción. Es la clase o el atributo a predecir. Prediction. (Columna de salida). 8 . Un algoritmo usará los datos de la vista y determinará si las columnas numéricas contienen valores continuos o discretos. En la página Especificar los datos de entrenamiento. omita las sugerencias haciendo clic en Cancelar. El asistente elegirá esa columna como clave para el modelo. seleccione las siguiente columnas: Predicti on Columna Input Key Para este laboratorio.7. se abrirá el cuadro de diálogo Sugerir columnas relacionadas que enumera las columnas que están más ligadas a la columna de predicción. Las columnas cuyo valor es mayor que 0.05 se seleccionan automáticamente. En la página Especificar el contenido y el tipo de datos de las columnas.

Active la casilla de verificación Permitir obtención de detalles. En la página Finalización del asistente hago lo siguiente: En Nombre de la estructura de minería de datos. En máximo número de casos en el conjunto de datos de prueba no coloque nada. escriba TM_Decision_Tree. En Nombre del modelo de minería de datos. escriba Targeted Mailing. Observe ahora que en la parte superior de la ventana del Diseñador de Minería de Datos se ubican cinco fichas de ventanas: Estructura de minería de datos Modelos de minería. 12. Haga clic en Finalizar. borre el valor. Visor del modelo de minería de datos.10. Es finalmente le permitira entrar a la ventana de diseño del modelo de minería de datos para árboles de decisión: En porcentaje de datos para prueba no coloque 30%. Gráfico de exactitud del modelo Rendimiento del modelo de predicción 9 . Haga clic en Siguiente. compruebe que las entradas de las columnas Tipo de contenido y Tipo de datos tengan la configuración especificada en la siguiente tabla. revise el caso por ejemplo de: GeographyKey 11. Columna Age BikeBuyer CommuteDistance CustomerKey EnglishEducation EnglishOccupation FirstName Gender GeographyKey HouseOwnerFlag LastName MaritalStatus NumberCarsOwned NumberChildrenAtHome Region TotalChildren YearlyIncome Tipo de contenido Continuous Discrete Discrete Key Discrete Discrete Discrete Discrete Discrete Discrete Discrete Discrete Discrete Discrete Discrete Discrete Continuous Tipo de datos Long Long Text Long Text Text Text Text Text Text Text Text Long Long Text Long Double Usted debe de modificar para que corresponda a los valores de la tabla de arriba. Después de hacer clic en Detectar.

definirá un modelo Naive Bayes y un modelo Clustering. que creó en la tarea anterior de esta lección. En Nombre del algoritmo. Observe que el diseñador muestra dos columnas: una para la estructura de minería de datos y otra para el modelo de minería de datos inicial. escriba TM_Clustering. Haga clic con el botón secundario en la columna Estructura y seleccione Nuevo modelo de minería de datos. 3. en este laboratorio no es necesario hacer cambios en el modelo TM_Clustering. Aunque puede modificar el uso y las propiedades de la columna para el modelo nuevo. Cambie a la ficha Modelos de minería de datos del Diseñador de minería de datos en Business Intelligence Development Studio. seleccione Clústeres de Microsoft. a. Se abrirá el cuadro de diálogo Nuevo modelo de minería de datos. En esta tarea. Un modelo creado con el algoritmo de clústeres de Microsoft puede agrupar en clúster y predecir atributos continuos y discretos. En Nombre del modelo. 2. 4. Aparece un modelo nuevo en la ficha Modelos de minería de datos del Diseñador de minería de datos. 10 . Crear un modelo Microsoft Clustering Para crear un modelo de minería de datos de clúster debe ejecutar los siguientes pasos: 1. Modificar el modelo Targeted Mailing En esta tarea se definirá dos modelos de minería (estructuras) de adicionales al algoritmo de árboles de decisión mediante la ficha Modelos de minería de datos del Diseñador de minería de datos.2.

c. Esto permitirá que la base de datos Analysis Services se implemente en el equipo servidor y los modelos de minería de datos se procesen. en este laboratorio. Aunque puede modificar el uso y las propiedades de la columna para todos los modelos de la ficha. no es necesario hacer cambios en el modelo TM_NaiveBayes. puede implementar y procesar cada uno de los modelos: Implementación de la BD Analysis Services 1.. puede obtener los siguientes 11 . En Nombre del algoritmo. haga clic con el botón secundario en la columna Estructura y seleccione Nuevo modelo de minería de datos. O. escriba TM_NaiveBayes. En Nombre del modelo. En la ficha Modelos de minería de datos del Diseñador de minería de datos. Procesar los modelos de minería de datos Ahora que la estructura y los parámetros para los modelos de minería de datos se han completado. seleccione Iniciar depuración. Se abrirá el cuadro de diálogo Nuevo modelo de minería de datos. puede presionar F5.b. En el menú Depurar. seleccione Bayes naive de Microsoft. Aparece un modelo nuevo en la ficha Modelos de minería de datos. Crear un modelo Microsoft Naive Bayes Para crear un modelo Naive Bayes: 1. 3. 2. Con esto resultados.

Se abre el cuadro de diálogo Progreso del proceso para mostrar información acerca del procesamiento del modelo. 1. veces. Al finalizar. 12 . 4. puede procesar sólo los modelos de minería de datos mediante el proceso siguiente.Procesamiento de la BD Analysis Services Si la base de datos ya se ha implementado en el equipo servidor. Se abre el cuadro de diálogo Procesar estructura de minería de datos: <Targeted Mailing>. dependiendo del equipo. Haga clic en Ejecutar. 3. haga clic en Cerrar dos 2. haga clic en Procesar estructura de minería de datos y todos los modelos. En el menú Modelo de minería de datos de BI Development Studio. El procesamiento del modelo puede llevar algún tiempo.

existe un visor independiente para cada algoritmo. si el árbol contiene menos se mostrará sólo los niveles existentes. En la ficha Árbol de decisión. Fondo = todos 13 .3. ubicada en la parte superior de la ficha. esto permitirá ver rápidamente el número de escenarios (registros) para Bike Buyer que son igual a 1 y que existen en cada nodo. 1. Este visor contiene dos fichas: Árbol de decisión y Red de dependencias. para examinar los modelos individuales en la estructura de minería de datos. El visor muestra por defecto los primeros tres niveles del árbol. 2. Cada algoritmo utilizado para crear un modelo aporta diferentes resultados. podrá verlos utilizando la ficha Visor de modelos de minería de datos del Diseñador de minería de datos. Modelo Microsoft Decision Tree. Explorar los modelos Targeted Mailing Una vez que se procesen los modelos de su proyecto. sólo hay un árbol para ver. Cuanto más oscuro sea el sombreado del nodo. en este caso dado que contiene un único atributo de predicción (Bike Buyer). 2 niveles 3 niveles Las secciones siguientes describen cómo explorar los modelos de minería de datos en los visores. podría utilizar el cuadro Árbol para elegir uno diferente. más escenarios incluirá. el modelo se muestra en la ficha Visor de modelos de minería de datos. Modelo Microsoft Decision Tree Modelo Microsoft Clustering Modelo Microsoft Naive Bayes a. Cuando se examina un modelo de minería de datos. 3. Si hubiera más árboles. Para analizar la cantidad de registros por nodo cambie la lista Fondo a 1. Ficha Árbol de decisión Puede utilizar la lista Modelos de minería de datos. puede examinar los modelos de árbol que componen un modelo de minería de datos. puede ver más niveles utilizando el control deslizante Mostrar nivel o la lista Expansión predeterminada. 4.

6. La concentración de escenarios. si predice o es predicho. Puede decidir cuántos estados aparecerán en el histograma mediante el control Histogramas. Un histograma que describe la distribución de estados de la columna de predicción por orden de popularidad. Ficha Red de dependencias. se mostrarán los vínculos de mayor intensidad. Cada nodo muestra la siguiente información: La condición para alcanzar el nodo desde el nodo anterior. Si desplaza el control hacia abajo. 7. Utilice el control de la izquierda para controlar la intensidad de los vínculos que se muestran. Si hace clic en un nodo de la red puede consultar la leyenda de color situada en la parte inferior. a continuación. Puede ver los escenarios (datos) de entrenamiento que cada nodo admite haciendo clic con el botón secundario en el nodo y. representa el atributo de predicción del modelo de minería de datos. seleccionando Obtener detalles. Cada nodo adyacente representa un atributo que afecta al resultado del atributo de predicción. La ficha Red de dependencias muestra las relaciones entre los atributos que contribuyen a la capacidad de predicción del modelo de minería de datos.Obteniendo el siguiente detalle: Fondo = 1 Fondo = 0 5. El nodo central. si el estado del atributo de predicción se ha especificado en el control Fondo. 14 . Puede ver la ruta completa del nodo en la Leyenda de minería de datos o deteniendo el puntero sobre un nodo para ver un recuadro informativo.

expándala. El Generador de consultas de predicción es similar al Generador de consultas de Access. Seleccionar una modelo de minería de datos y una tabla de entrada. En la ficha Predicción de modelo de minería de datos del Diseñador de minería de datos. haga clic en Aceptar. 15 . Se abrirá el cuadro de diálogo Seleccionar modelo de minería de datos. En la lista Origen de datos.4. En el cuadro Seleccionar tabla(s) de entrada. 3. 2. ccontiene las vistas siguientes: Diseño Consulta Resultado a. Se abrirá el cuadro de diálogo Seleccionar tabla. Crear predicciones Puede crear consultas de predicción (DMX) por medio del Generador de consultas de predicción en la ficha Predicción de modelo de minería de datos del Diseñador de minería de datos. 1. haga clic en Seleccionar modelo. a continuación. a continuación. compruebe que Adventure Works DW se haya seleccionado. haga clic en Seleccionar tabla de escenarios. Crear la consulta. seleccione TM_Decision_Tree y. haga clic en Aceptar. ofrece operaciones de arrastrar y colocar para crear las consultas. En la lista Nombre de tabla o lista. Desplácese por el árbol hasta la estructura Targeted Mailing. en el cuadro Modelo de minería de datos. seleccione la tabla ProspectiveBuyer y.

seleccione Función de predicción. Proporcionan información acerca de cómo realiza las predicciones el modelo mediante las funciones de predicción. a continuación. Determinar qué modelo de árboles de decisión de Microsoft de la estructura de correo directo se utilizará para crear predicciones. Haga clic en la siguiente fila vacía de la columna Origen y. 4. Agregar un identificador único a la consulta de predicción para que pueda identificar quién es más y menos probable que compre una bicicleta. puede especificar parámetros para la función de predicción. escriba [TM_Decision_Tree]. 827 compre una bicicleta. el Generador de consultas de predicción crea una asignación predeterminada entre el modelo de minería de datos y la tabla de entrada. y la probabilidad de que la predicción sea correcta es del 63%.735697… En la fila TM_Decision_Tree de la columna Campo. 5. haga clic en la celda de la primera fila vacía y. y quién es menos probable. a continuación. En la fila Función de predicción. seleccione TM_Decision_Tree. seleccione ProspectiveBuyer. compruebe que Bike Buyer se haya seleccionado. Estos resultados muestran que es probable que el cliente con Id. Haga clic en la siguiente fila vacía de la columna Origen y.[Bike Buyer]. La función PredictProbability proporciona información acerca de la corrección de la probabilidad de predicción. a continuación. En la columna Criterios o argumento.633836… 0. de la columna Campo. 16 . seleccione PredictProbability. La tabla siguiente muestra una parte de los resultados que se devuelven. ProspectAlternateKey 827 833 844 BikeBuyer Expresión 1 0 0 0. que es el primer botón de la barra de herramientas de la ficha Predicción de modelo de minería de datos.521134… 0.4. compruebe que ProspectAlternateKey se haya seleccionado. Especificar la columna de destino para la función PredictProbability. Para crear una consulta de predicción 1. Después de seleccionar la tabla de entrada. 3. En la columna Origen de la cuadrícula de la ficha Predicción de modelo de minería de datos. En la fila ProspectiveBuyer de la columna Campo. En la fila PredictProbability de la columna Criterios o argumentos. 2. en función de los nombres de las columnas. Haga clic en Cambiar a vista de resultado de consulta.

[ Bike Buyer]) DESC SELECT t.[TotalChildren] AND [TM_Decision_Tree]. [HouseOwnerFlag].[First Name] = t. [TM_Decision_Tree].[Bike Buyer]) From [TM_Decision_Tree] PREDICTION JOIN OPENQUERY([Adventure Works DW]. no se conservará la consulta modificada. [TotalChildren]. [NumberChildrenAtHome]. [FirstName]. [Gender]. Al hacer clic en Diseño de consulta para volver a la cuadrícula y cambiar la consulta. para ver sólo los clientes que es probable que compren una bicicleta y ordenarlos por orden descendente de probabilidad. si vuelve a la vista Diseño. 4.[NumberChildrenAtHome] AND [TM_Decision_Tree]. PredictProbability([TM_Decision_Tree]. Puede alternar entre la vista Consulta y la vista Resultados.[Gender] AND [TM_Decision_Tree]. 2. [MaritalStatus]. podrá ver los resultados de la consulta de predicción actual.[Gender] = t. 'SELECT [ProspectAlternateKey]. Al hacer clic en Consulta. Al hacer clic en Resultado.[Number Cars Owned] = t. Las columnas ProspectAlternateKey. El primer botón en la barra de herramientas de la ficha Predicción de modelo de minería de datos le permite alternar entre tres vistas. sin embargo. puede agregar las instrucciones siguientes al final de la consulta DMX: WHERE [Bike Buyer] = 1 ORDER BY PredictProbability([TM_Decision_Tree].b. BikeBuyer y Expression identifican a los clientes potenciales.[Bike Buyer].[Yearly Income] = t.[YearlyIncome] AND [TM_Decision_Tree].[Last Name] = t.[Total Children] = t.[Number Children At Home] = t.[MaritalStatus] AND [TM_Decision_Tree].[LastName] AND [TM_Decision_Tree].[FirstName] AND [TM_Decision_Tree].[ProspectiveBuyer] ') AS t ON [TM_Decision_Tree]. [LastName].[ProspectAlternateKey].[NumberCarsOwned] 17 .[House Owner Flag] = t. [NumberCarsOwned] FROM [dbo]. modificarla y ejecutar la consulta modificada. [YearlyIncome]. podrá ver y modificar el código DMX que creó el Generador de consultas de predicción. Por ejemplo.[Marital Status] = t. indican si son compradores de bicicletas y la probabilidad de que la predicción sea correcta. También puede ejecutar la consulta.[HouseOwnerFlag] AND [TM_Decision_Tree]. Puede utilizar estos resultados para determinar a qué clientes potenciales debe dirigirse en el correo. Ver los resultados 1. 3.

Sign up to vote on this title
UsefulNot useful