Kernkonzepte

Dieser Abschnitt bietet einen Überblick über die wichtigsten Plattformkonzepte.

Um mehr über die Plattform aus der Sicht des Endbenutzers zu erfahren, sehen Sie sich das Benutzerhandbuch von Communications Mining™.

Konzept	Beschreibung	Beispiel
Quelle	In Communications Mining™ sind Daten in Datenquellen oder Quellen organisiert. In der Regel entspricht eine Quelle einem Kanal. Ein E-Mail-Postfach, die Ergebnisse einer Umfrage oder eine Reihe von Kundenrezensionen sind Beispiele für Daten, die als Datenquelle in Communications Mining hochgeladen werden können. Mehrere Quellen können kombiniert werden, um ein Modell zu erstellen, daher ist es am besten, sich für die Seite mehrerer Quellen anstatt für eine einzelne Mon Aktivitäten zu entscheiden.	Das Diagramm zeigt E-Mail-Daten (Quelle A, die einzelne E-Mails enthält) und Kundenbewertungsdaten (Quellen B und C, die einzelne Kundenbewertungen enthalten). Die Kundenüberprüfungsdaten werden basierend auf der Datenherkunft in zwei Quellen aufgeteilt, aber zum Erstellen eines gemeinsamen Modells in einem einzigen Dataset kombiniert.
Kommentar (Comment)	Innerhalb von Quellen wird jeder einzelne Teil der Textkommunikation als Kommentar dargestellt. Ein Kommentar hat immer eine ID, einen Zeitstempel und einen Textkörper sowie zusätzliche Felder, die davon abhängen, welchen Datentyp er repräsentiert. Beispielsweise haben E-Mails die erwarteten E-Mail-Felder wie Von, An, Cc usw.	Das Diagramm zeigt, wie die verfügbaren Kommentarfelder von den verschiedenen Kommentartypen verwendet werden. Beispielsweise enthält das Feld Von in einem E-Mail-Kommentar die Absenderadresse, während es in einem Kundenrezensionen den Reviewautor enthält. Die Metadatenfelder, die am unteren Rand jedes Kommentars angezeigt werden, sind benutzerdefiniert. Beachten Sie, dass wir denselben Satz von Feldern für beide Kundenrezensionen verwenden: Da wir sie zu einem einzigen Dataset kombinieren möchten, sollten die Daten konsistent sein, um eine gute Modellleistung sicherzustellen.
Dataset	Mit einem Dataset können Sie eine oder mehrere Quellen mit Anmerkungen versehen, um ein Modell zu erstellen. Eine Quelle kann in mehreren Datasets enthalten sein. Der Satz aller Beschriftungen in einem Dataset wird als Taxonomie bezeichnet.	Das Diagramm zeigt zwei Datasets, die auf den Support-Postfach-Daten aufbauen, und ein Dataset, das die Kundenrezensionen kombiniert. Beachten Sie, dass Dataset 1 und Dataset 2 zwar auf denselben Daten basieren, ihre Beschriftungstaxonomie jedoch unterschiedlich ist, da ihre Anwendungsfälle, d. h. Analysen und Automatisierung, unterschiedliche Beschriftungssätze erfordern.
Modell	Das Modell wird kontinuierlich aktualisiert, wenn Benutzer weitere Daten kommentieren. Um konsistente Vorhersagen zu erhalten, muss bei der Abfrage des Modells eine Modellversionsnummer angegeben werden.
Label	Beschriftungen werden beim Training eines Modells angewendet und zurückgegeben, wenn das Modell nach Vorhersagen abgefragt wird. Wenn Beschriftungen als Vorhersagen zurückgegeben werden, haben sie einen zugehörigen Konfidenzwert, der angibt, wie wahrscheinlich das Modell annimmt, dass die Vorhersage zutrifft. Um die Vorhersage in eine Ja- oder Nein-Antwort umzuwandeln, muss die Konfidenzbewertung anhand eines Schwellenwerts überprüft werden, der als Kompromiss zwischen Genauigkeit und Rückruf gewählt wird.	Beschriftungen werden von Communications Mining-Benutzern beim Training des Modells zugewiesen. Die Benutzeroberfläche von Communications Mining hilft dem Benutzer, die relevantesten Kommentare mit Anmerkungen zu versehen, sicherzustellen, dass Beschriftungen konsistent angewendet werden und dass genügend Kommentare mit Anmerkungen versehen sind, um ein gut funktionierendes Modell zu erzeugen.