Blog

tegyük fel, hogy direkt marketing kampányt folytat, ahol az ügyfélkör tagjait egy ajánlattal próbálja megcélozni abban a reményben, hogy válaszolnak és új terméket vásárolnak, vagy feliratkoznak egy kiegészítő szolgáltatásra. Egy korábbi kampányból származó korábbi adatok felhasználásával a prediktív modell lehetővé teszi számunkra, hogy megjósoljuk az egyes ügyfelek válaszadási valószínűségét jellemzőik és viselkedésük alapján. (Lásd például előző blogbejegyzésünket arról, hogy a logisztikai regressziós modell hasznos eszköz lehet A bináris kimenetel valószínűségének előrejelzésére.)

milyen hozamot kapok a marketingkampányom futtatásából?

ebben az összefüggésben meg akarjuk érteni, hogy a prediktív modell milyen előnyökkel járhat annak előrejelzésében, hogy mely ügyfelek lesznek válaszadók vagy nem válaszolók egy új kampányban (összehasonlítva a véletlenszerű célzással). Ezt úgy érhetjük el, ha megvizsgáljuk a modellhez kapcsolódó kumulatív nyereséget és emelkedést, összehasonlítjuk annak teljesítményét a válaszadók célzásában azzal, hogy mennyire lennénk sikeresek a modell által kínált hozzáadott érték nélkül. Ugyanezeket az információkat felhasználhatjuk annak eldöntésére is, hogy hány darab közvetlen levelet kell küldeni, egyensúlyban tartva a marketing költségeket az ebből eredő értékesítésekből származó várható hozamokkal. Az Ön által elküldött minden ügyféllel kapcsolatban költség áll fenn, ezért maximalizálni szeretné a megszerzett válaszadók számát az elküldött levelek számára.

ebben a blogban leírjuk a prediktív osztályozási modellhez kapcsolódó kumulatív nyereség és emelés kiszámításához szükséges lépéseket.

decilis csoportok

folytatva a direkt marketing példát, az illesztett modell segítségével összehasonlíthatjuk a korábbi marketingkampány megfigyelt eredményeit, azaz azt, hogy ki válaszolt és ki nem, a válaszadás várható valószínűségével az adott kampányban megkeresett minden ügyfél esetében. (Vegye figyelembe, hogy a gyakorlatban a modellt az adataink egy részhalmazához illesztjük, és ezt a modellt arra használjuk, hogy megjósoljuk az egyes ügyfelek válaszadásának valószínűségét egy “visszatartási” mintában, hogy pontosabb értékelést kapjunk arról, hogy a modell hogyan teljesítene az új ügyfelek számára.)

először az előre jelzett valószínűségek szerint rendezzük az ügyfeleket, csökkenő sorrendben a legmagasabbtól (az egyikhez legközelebb) a legalacsonyabbig (a nullához legközelebb). Az ügyfeleket azonos méretű szegmensekre osztva azonos számú ügyfelet tartalmazó csoportokat hozunk létre, például 10 decilis csoportot, amelyek mindegyike az ügyfélkör 10% – át tartalmazza. Tehát azok az ügyfelek, akikre előrejelzésünk szerint a legnagyobb valószínűséggel válaszolnak, az 1. decilis csoportban vannak, a következő valószínűleg a 2.decilis csoportban stb. Az egyes decilis csoportokat megvizsgálva elkészíthetünk egy decilis összefoglalót, amint az az 1.táblázatban látható, összegezve az egyes decilisek számát és arányát.

a korábbi adatok azt mutathatják, hogy összességében, és ezért az ügyfélkör véletlenszerű postázásakor az ügyfelek körülbelül 5% – a válaszol (506 a 10 000 ügyfélből). Tehát, ha 1000 ügyfelet küldesz, akkor körülbelül 50 válaszadót fogsz látni. De, ha megnézzük az 1. táblázat minden decilis csoportjában elért válaszarányt, azt látjuk, hogy a felső csoportok magasabb válaszaránnyal rendelkeznek, mint ez, ők a legjobb kilátásaink.

decilis csoport	becsült valószínűségi tartomány	ügyfelek száma	kumulatív szám. ügyfelek	kumulatív % az ügyfelek	válasz-ers	válaszadási arány	kumulatív szám. válaszolók	összesített % – a válaszolók	Lift
1	0.129-1.000	1,000	1,000	10.0%	143	14.3%	143	28.3%	2.83
2	0.105-0.129	1,000	2,000	20.0%	118	11.8%	261	51.6%	2.58
3	0.073-0.105	1,000	3,000	30.0%	96	9.6%	357	70.6%	2.35
4	0.040-0.073	1,000	4,000	40.0%	51	5.1%	408	80.6%	2.02
5	0.025-0.040	1,000	5,000	50.0%	32	3.2%	440	87.0%	1.74
6	0.018-0.025	1,000	6,000	60.0%	19	1.9%	459	90.7%	1.51
7	0.015-0.018	1,000	7,000	70.0%	17	1.7%	476	94.1%	1.34
8	0.012-0.015	1,000	8,000	80.0%	14	1.4%	490	96.8%	1.21
9	0.006-0.012	1,000	9,000	90.0%	11	1.1%	501	99.0%	1.10
10	0.000-0.006	1,000	10,000	100.0%	5	0.5%	506	100.0%	1.00

például azt tapasztaltuk, hogy az 1.decilis csoportban a válaszarány 14,3% volt (143 válaszadó volt az 1000 ügyfélből), szemben az 5,1% – os általános válaszaránnyal. A decilis összefoglaló eredményeit egy vízesés-diagramban is megjeleníthetjük, amint az az ábrán látható 1. Ez azt mutatja, hogy az 1., 2. és 3. decilis csoportba tartozó összes ügyfélnél magasabb a válaszadási arány a prediktív modell használatával.

kumulatív nyereség

a decilis összefoglalóból kiszámíthatjuk a modell által biztosított kumulatív nyereséget is. Összehasonlítjuk a válaszadók összesített százalékos arányát a csoportokon belüli marketingkampányban megkeresett ügyfelek összesített százalékos arányával. Ez azt a nyereséget írja le, amikor az ügyfelek teljes számának egy adott százalékát célozzák meg a válaszadás legmagasabb modellezett valószínűségével, ahelyett, hogy véletlenszerűen céloznák meg őket.

például a legmagasabb előrejelzett valószínűségű ügyfelek 10% – a (decilis 1) A válaszadók körülbelül 28,3% – át tartalmazza (143/506). Tehát a válaszadók 10% – ának befogása helyett 28-at találtunk.A válaszadók 3% – a csak az ügyfélkör 10% – át küldte el. Az ügyfelek további 10% – át (1.és 2. decilis) beleszámítva azt tapasztaltuk, hogy az ügyfelek felső 20% – a A válaszadók körülbelül 51,6% – át tartalmazza. Ezek a számok is megjelenik egy kumulatív nyereség diagram, ábrán látható 2.

a 2. ábrán látható szaggatott vonal a “nincs nyereség” – nek felel meg, azaz., mit várnánk el, ha véletlenszerűen kapcsolatba lépnénk az ügyfelekkel. Minél közelebb van a kumulatív nyereség vonal a diagram bal felső sarkához, annál nagyobb a nyereség; minél nagyobb a válaszadók aránya, amelyet a megkeresett ügyfelek alacsonyabb arányához érnek el.

az egyes közvetlen levelek küldésével kapcsolatos költségektől és az egyes válaszadóktól várható bevételektől függően a kumulatív nyereség diagram felhasználható az optimális ügyfelek számának eldöntésére. Valószínűleg lesz egy fordulópont, amikor elértük a válaszadók kellően magas arányát, és ahol az ügyfelek nagyobb részének kapcsolatfelvételének költségei túl nagyok a csökkenő hozamok miatt. Ez általában megfelel a kumulatív nyereséggörbe ellapításának, ahol a további kapcsolatok (további decilekkel összhangban) várhatóan nem nyújtanak sok további választ. A gyakorlatban, ahelyett, hogy az ügyfeleket decilisekre csoportosítanák, nagyobb számú csoportot lehetne megvizsgálni, nagyobb rugalmasságot engedve az ügyfelek arányában, akikkel érdemes kapcsolatba lépni.

Lift

megnézhetjük azt a felvonót is, amelyet az ügyfélkör növekvő százalékának megcélzásával érünk el, csökkenő valószínűség szerint rendezve. A felvonó egyszerűen a válaszadók százalékos aránya a megkeresett ügyfelek százalékához viszonyítva.

tehát az 1-es emelés egyenértékű a nem nyereséggel, mint a véletlenszerű kapcsolatfelvétel. Mivel a 2, Például, megfelel annak, hogy kétszer annyi válaszadó érkezett, mint az elvárt szám, ha véletlenszerűen felveszi a kapcsolatot azonos számú ügyféllel. Tehát lehet, hogy csak az ügyfelek 40% – ával léptünk kapcsolatba, de az ügyfélkörben a válaszadók 80% – át elérhetjük. Ezért megdupláztuk a válaszadók számát, akiket e csoport megcélzásával értünk el, összehasonlítva az ügyfelek véletlenszerű mintájának elküldésével.

ezek az ábrák emelési görbén jeleníthetők meg, amint azt a 3.ábra mutatja. Ideális esetben azt akarjuk, hogy az emelési görbe a lehető legmagasabbra nyúljon az ábra bal felső sarkába, jelezve, hogy van egy nagy emelésünk, amely az ügyfelek kis hányadával való kapcsolatfelvételhez kapcsolódik.

egy korábbi blogbejegyzésben megvitattuk, hogy a ROC görbék hogyan használhatók annak felmérésére, hogy egy modell mennyire jó osztályozásban (azaz., eredmény előrejelzése). Az osztályozáshoz használt modell prediktív pontosságának megértése mellett hasznos lehet megérteni, hogy a modell milyen előnyöket kínál, összehasonlítva azzal, hogy megpróbálja azonosítani az eredményt anélkül.

a kumulatív nyereség és az emelési görbék egyszerű és hasznos megközelítés annak megértéséhez, hogy milyen megtérülést érhet el egy marketingkampány futtatása, és hány ügyféllel kell kapcsolatba lépnie, a legígéretesebb ügyfelek megcélzása alapján egy prediktív modell segítségével. Ezeket a megközelítéseket hasonlóan lehet alkalmazni annak előrejelzésével összefüggésben, hogy mely egyének nem teljesítik a személyi kölcsönt annak eldöntése érdekében, hogy kinek lehet hitelkártyát kínálni, például. Ebben az esetben a cél az, hogy minimálisra csökkentsék azoknak a személyeknek a számát, akik valószínűleg nem teljesítik a kölcsönt, miközben maximalizálják a nem fizetésképteleneknek kínált hitelkártyák számát. A prediktív modell minden esetben bármilyen megfelelő statisztikai megközelítés lehet A bináris kimenetel valószínűségének előállításához, legyen az logisztikai regressziós modell, véletlenszerű erdő vagy neurális hálózat.