Contenu du modèle d'exploration de données pour les modèles Sequence Clustering (Analysis Services - Exploration de données)

Présentation de la structure d'un modèle Sequence Clustering

Un modèle Sequence Clustering comprend un nœud parent unique (NODE_TYPE = 1) qui représente le modèle et ses métadonnées. Le nœud parent, étiqueté (Tout), a un nœud de séquence connexe (NODE_TYPE = 13) qui répertorie toutes les transitions détectées dans les données d'apprentissage.

L'algorithme crée également plusieurs clusters, selon les transitions trouvées dans les données et tous les autres attributs d'entrée inclus lors de la création du modèle, comme par exemple les données démographiques de la clientèle, etc. Chaque cluster (NODE_TYPE = 5) contient son propre nœud de séquence (NODE_TYPE = 13) qui répertorie uniquement les transitions utilisées pour générer ce cluster spécifique. Dans le nœud de séquence, vous pouvez descendre pour consulter les détails des transitions d'état individuelles (NODE_TYPE = 14).

Pour une explication sur les transitions d'état et de séquence et pour voir des exemples, consultez Algorithme MSC (Microsoft Sequence Clustering).

Contenu d'un modèle Sequence Clustering

Cette section fournit des informations supplémentaires sur les colonnes du contenu du modèle d'exploration de données qui sont particulièrement pertinentes pour les modèles Sequence Clustering.

• MODEL_CATALOG
  Nom de la base de données où le modèle est stocké.

• MODEL_NAME
  Nom du modèle.

• ATTRIBUTE_NAME
  Toujours vide.

• NODE_NAME
  Nom du nœud. Actuellement la même valeur que NODE_UNIQUE_NAME.

• NODE_UNIQUE_NAME
  Nom unique du nœud.

• NODE_TYPE
  Un modèle Sequence Clustering génère les types de nœud suivants :

  ID du type de nœud	Description
  1 (Modèle)	Nœud racine pour le modèle
  5 (Cluster)	Contient le nombre de transitions dans le cluster, une liste des attributs et des statistiques qui décrivent les valeurs dans le cluster.
  13 (Séquence)	Contient une liste de transitions incluses dans le cluster.
  14 (Transition)	Décrit une séquence d'événements sous forme de table dans laquelle la première ligne contient l'état initial, et toutes les autres lignes contiennent les états successifs, ainsi que les statistiques de prise en charge et de probabilité.

• NODE_GUID
  Vide.

• NODE_CAPTION
  Étiquette ou légende associée au nœud à des fins d'affichage.

  Vous pouvez renommer les légendes du cluster pendant que vous utilisez le modèle ; toutefois, le nouveau nom n'est pas conservé si vous fermez le modèle.

• CHILDREN_CARDINALITY
  Estimation du nombre d'enfants du nœud.

  Racine du modèle   La valeur Cardinalité est égale au nombre de clusters plus un. Pour plus d'informations, consultez Cardinalité.

  Nœuds du cluster   La cardinalité est toujours de 1, parce que chaque cluster a un nœud enfant unique, qui contient la liste de séquences du cluster.

  Nœuds de séquence    La cardinalité indique le nombre de transitions incluses dans ce cluster. Par exemple, la cardinalité du nœud de séquence pour la racine du modèle indique le nombre de transitions qui ont été trouvées dans tout le modèle.

• PARENT_UNIQUE_NAME
  Nom unique du parent du nœud.

  La valeur NULL est retournée pour tous les nœuds situés au niveau de la racine.

• NODE_DESCRIPTION
  Identique à la légende du nœud.

• NODE_RULE
  Toujours vide.

• MARGINAL_RULE
  Toujours vide.

• NODE_PROBABILITY
  Racine du modèle   Toujours 0.

  Nœuds de cluster    Probabilité ajustée du cluster dans le modèle. La somme des probabilités ajustées n'est pas égale à 1, parce que la méthode de clustering utilisée dans Sequence Clustering permet une appartenance partielle dans plusieurs clusters.

  Nœuds de séquence   Toujours 0.

  Nœuds de transition   Toujours 0.

• MARGINAL_PROBABILITY
  Racine du modèle   Toujours 0.

  Nœuds de cluster    Même valeur que NODE_PROBABILITY.

  Nœuds de séquence   Toujours 0.

  Nœuds de transition   Toujours 0.

• NODE_DISTRIBUTION
  Table contenant des probabilités et d'autres informations. Pour plus d'informations, consultez la table NODE_DISTRIBUTION.

• NODE_SUPPORT
  Nombre de transitions qui prennent en charge ce nœud. Par conséquent, s'il y a 30 exemples de séquence « Produit A suivi du Produit B » dans les données d'apprentissage, la prise en charge totale est de 30.

  Racine du modèle   Nombre total de transitions dans le modèle.

  Nœuds du cluster    Prise en charge brute du cluster, soit le nombre de cas d'apprentissage qui apportent des cas à ce cluster.

  Nœuds de séquence   Toujours 0.

  Nœuds de transition    Pourcentage de cas dans le cluster qui représentent une transition spécifique. Peut être égal à 0 ou avoir une valeur positive. Calculé en prenant la prise en charge brute du nœud de cluster et en la multipliant par la probabilité du cluster.

  À partir de cette valeur, vous pouvez indiquer combien de cas d'apprentissage ont servi à la transition.

• MSOLAP_MODEL_COLUMN
  Non applicable.

• MSOLAP_NODE_SCORE
  Non applicable.

• MSOLAP_NODE_SHORT_CAPTION
  Identique à NODE_DESCRIPTION.

Structure des séquences, des états et des transitions

Un modèle Sequence Clustering possède une structure unique qui associe deux types d'objets avec des types d'informations très différents : les premiers sont des clusters, et les seconds des transitions d'état.

Les clusters créés par Sequence Clustering sont similaires à ceux créés par l'algorithme de gestion de clusters Microsoft. Chaque cluster possède un profil et des caractéristiques. Toutefois, dans Sequence Clustering, chaque cluster contient en outre un nœud enfant unique qui répertorie les séquences de ce cluster. Chaque nœud de séquence contient plusieurs nœuds enfants qui décrivent les transitions d'état en détail, ainsi que les probabilités.

Il y a presque toujours plus de séquences dans le modèle que vous ne pouvez en trouver dans un cas unique, parce que les séquences peuvent être enchaînées les unes aux autres. Microsoft Analysis Services stocke des pointeurs d'un état à l'autre de manière à pouvoir compter le nombre de fois où chaque transition se produit. Vous pouvez également trouver des informations sur le nombre de fois où la séquence s'est produite et mesurer sa probabilité d'apparition par rapport au jeu complet d'états observés.

La table suivante présente la manière dont les informations sont stockées dans le modèle ainsi que le mode de liaison des nœuds.

Table NODE_DISTRIBUTION

Cardinalité

Procédure pas à pas de structure

Un exemple permettra de mieux comprendre comment les informations sont stockées et comment vous pouvez les interpréter. Par exemple, vous pouvez rechercher la plus grande commande, soit la plus longue chaîne observée dans les données AdventureWorksDW2008R2 sous-jacentes, en utilisant la requête suivante :

USE AdventureWorksDW2008R2
SELECT DISTINCT OrderNumber, Count(*)
FROM vAssocSeqLineItems
GROUP BY OrderNumber
ORDER BY Count(*) DESC

À partir de ces résultats, vous constatez que les numéros de commande « SO72656 », « SO58845 » et « SO70714 » contiennent les plus grandes séquences, avec huit articles chacune. Au moyen des références de commande, vous pouvez afficher les détails d'une commande donnée pour voir quels articles ont été achetés, et dans quel ordre.

Toutefois, certains clients qui achètent le produit Mountain-500 peuvent se procurer des produits différents. Vous pouvez consulter tous les produits qui suivent le produit Mountain-500 en consultant la liste de séquences dans le modèle. Les procédures suivantes vous guideront lors de la consultation de ces séquences à l'aide des deux visionneuses fournies dans Analysis Services :

Pour consulter des séquences connexes à l'aide de la visionneuse Sequence Clustering

Pour consulter les séquences connexes à l'aide de la visionneuse du contenu de modèle générique

La table suivante affiche les résultats de la table NODE_DISTRIBUTION, ainsi que les valeurs de probabilité arrondies présentées dans la visionneuse graphique.

Bien que le cas sélectionné initialement dans les données d'apprentissage contenait le produit « Mountain-500 » suivi de « LL Mountain Tire », vous pouvez constater qu'il existe de nombreuses autres séquences possibles. Pour rechercher des informations détaillées sur un cluster donné, vous devez de nouveau parcourir vers le bas la liste de séquences dans le cluster jusqu'à atteindre les transitions réelles pour chaque état ou produit.

Vous pouvez passer de la séquence répertoriée dans un cluster donné à la ligne de transition. À partir de cette ligne de transition, vous pouvez déterminer quel produit est le suivant et revenir à ce produit dans la liste de séquences. En répétant ce processus pour chaque premier et deuxième état, vous pouvez parcourir de longues chaînes d'états.

Utilisation des informations de séquence

Un des scénarios courants pour Sequence Clustering consiste à suivre les clics d'utilisateur sur un site Web. Par exemple, si les données étaient issues d'enregistrements d'achats clients sur le site Web d'e-commerce Adventure Works, le modèle Sequence Clustering en résultant pourrait être utilisé pour comprendre le comportement des utilisateurs, changer la conception du site d'e-commerce afin de résoudre les problèmes de navigation ou pour promouvoir les ventes.

Par exemple, l'analyse peut indiquer que les utilisateurs suivent toujours une chaîne de produits donnée, indépendamment des caractéristiques démographiques. De plus, vous pouvez constater que les utilisateurs quittent fréquemment le site après avoir cliqué sur un produit donné. Au vu de ces résultats, vous pouvez vous demander quels chemins d'accès supplémentaires vous pourriez fournir aux utilisateurs afin de les inciter à rester sur le site Web.

Si vous n'avez pas d'informations supplémentaires à utiliser pour classifier vos utilisateurs, vous pouvez utiliser les informations de séquence pour recueillir des données à propos de la navigation afin de mieux comprendre le comportement général. Toutefois, si vous pouvez recueillir des informations sur les clients et les faire correspondre à votre base de données de clients, vous pouvez associer la puissance de mise en cluster à la prédiction sur les séquences pour fournir des recommandations sur mesure à l'utilisateur, voire même en fonction du chemin d'accès à la page actuelle.

Une autre utilisation des informations complètes sur les états et les transitions compilées par un modèle Sequence Clustering vise à déterminer les chemins d'accès possibles qui ne sont jamais utilisés. Par exemple, si vous avez de nombreux visiteurs sur les pages 1-4, mais qu'ils ne se rendent jamais sur la page 5, vous pouvez contrôler la page 5 pour y déceler les éventuels problèmes qui empêcheraient la navigation. Pour ce faire, interrogez le contenu du modèle, et comparez-le à une liste de chemins d'accès possibles. Les graphiques qui indiquent tous les chemins de navigation dans un site Web peuvent être créés par programmation ou en utilisant divers outils d'analyse du site.

Pour savoir comment obtenir la liste des chemins d'accès observés en interrogeant le contenu du modèle et pour voir d'autres exemples de requêtes sur un modèle Sequence Clustering, consultez Interrogation d'un modèle Sequence Clustering (Analysis Services - Exploration de données).

Voir aussi

Concepts