E-book details

Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów

Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów

Grzegorz Migut

Ebook

W książce przedstawiono kompletny proces budowy modelu data mining od zrozumienia i przygotowania danych po ocenę modelu i jego wdrożenie. Z jednej strony zawiera dogłębny przegląd metod i technik analizy danych, z drugiej nie brak jej odniesienia do praktycznych aspektów związanych z budową oraz walidacją modeli.
W części empirycznej Autor mierzy się z zagadnieniem sposobu budowy skutecznego modelu data mining oraz identyfikacji czynników wpływających na tę skuteczność, zarówno w odniesieniu do modeli ekonometrycznych, jak i modeli uczenia maszynowego.
Jako obszar biznesowy książki przyjęto modele lojalności klientów, jednakże książka może być przydatna w modelowaniu kompletnego cyklu życia klientów, a także w obszarach pokrewnych takich jak scoring kredytowy czy modelowanie nadużyć.

Wstęp .…..…..…..…. 7
1. Retencja klientów jako obszar modelowania marketingowego.…..…..…..….. 13
1.1. Rola modelowania w badaniach marketingowych.…..…..…..…. 14
1.2. Koncepcja marketingu relacji w budowie modeli lojalności klientów.…..…..…..…. 17
1.3. Lojalność nabywców – definicje i determinanty .…..…..…..…. 23
1.4. Rodzaje i poziomy lojalności konsumentów .…..…..…..…. 25
1.5. Sposoby pomiaru i modelowania lojalności – wybrane podejścia .…..…..…..…. 34
1.6. Metodyki budowy modeli data mining na potrzeby retencji klientów.…..…..…..…. 40
1.7. Podsumowanie .…..…..…..…. 48
2. Przygotowanie danych podczas budowy modeli retencji klientów .…..…..…..…. 50
2.1. Określanie kluczowych parametrów projektu analitycznego .…..…..…..…. 50
2.2. Wiarygodność danych, identyfikacja i uzupełnianie braków danych.…..…..…..…. 53
2.3. Sposoby łagodzenia problemów związanych z niejednorodnym zbiorem danych .…..…..…..…. 58
2.4. Transformacje zmiennych oraz przygotowanie zmiennych pochodnych .…..…..…..…. 61
2.5. Niezbilansowany rozkład zmiennej zależnej jako problem w prognozowaniu zjawisk o charakterze rzadkim .…..…..…..…. 68
2.6. Podsumowanie .…..…..….. 71
3. Budowa modelu klasyfikacyjnego …..…..…..…. 72
3.1. Wybór zmiennych podczas budowy modelu.…..…..…..….. 73
3.1.1. Filtry ukierunkowane i nieukierunkowane .…..…. 74
3.1.2. Metody opakowujące .…..…..…... 81
3.1.3. Metody wbudowane .…..…..…..…. 84
3.1.4. Podsumowanie.…..…..…..…. 86
3.2. Wybór techniki modelowania .…..…..…..….. 88
3.2.1. Regresja logistyczna.…..…..…..…. 89
3.2.2. Sieci neuronowe .…..…..…..…. 96
3.2.3. Metoda wektorów nośnych .…..…..…..…. 106
3.2.4. Drzewa klasyfikacyjne i regresyjne.…..…..…..…..…... 109
3.2.5. Podejście wielomodelowe.…..…..…..…..…. 115
3.3. Optymalizacja hiperparametrów .…..…..…..…. 124
3.4. Podsumowanie .…..…..…..….. 128
4. Walidacja i wdrażanie modeli retencji klientów.…..…..…..…..…. 130
4.1. Miary dobroci dopasowania modeli retencji klientów .…..…..…..…..…. 130
4.1.1. Miary obliczone na podstawie macierzy błędnych klasyfikacji .…..…..…..…. 132
4.1.2. Miary jakości a prawdopodobieństwo a posteriori .…..…..…..…..…. 134
4.1.3. Miary oparte na probabilistycznej interpretacji odpowiedzi modelu .…..…..…..…. 155
4.2. Strategie walidacji modeli retencji klientów.…..…..…..…..…. 155
4.2.1. Metody oparte na podziale zbioru danych .…..…..…..…. 156
4.2.2. Metody oparte na wielokrotnym próbkowaniu .…..…..…..…. 159
4.3 Określanie optymalnego punktu odcięcia (cut-off) .…..…..…..…..…. 160
4.4. Wybór klientów do strategii sprzedażowych i retencyjnych (uplift modeling).…..…..…..…. 166
4.4.1. Budowa modeli uplift .…..…..…..…. 167
4.4.2. Ocena modeli uplift .…..…..…..…. 170
4.5. Podsumowanie .…..…..…..…. 175
5. Identyfikacja modelu migracji klientów krok po kroku .…..…..…..…. 176
5.1. Zrozumienie i przygotowanie danych .…..…..…..…. 177
5.1.1. Ocena jakości danych .…..…..…..…. 178
5.1.2. Przygotowanie danych – kolejne kroki .…..…..…..…. 180
5.1.3. Segmentacja zbioru danych .…..…..…..…. 181
5.1.4. Podział zbioru danych .…..…..…..…..…. 184
5.1.5. Uzupełnienie braków danych .…..…..…..…. 186
5.1.6. Dodatkowa kategoryzacja zmiennych jakościowych.…..…..…..…. 187
5.1.7. Zmienne pochodne w modelu .…..…..…..…. 187
5.1.8. Wstępna selekcja zmiennych .…..…..…..…. 189
5.1.9. Budowa modeli za pomocą wybranych narzędzi analitycznych .…..…..…..…. 191
5.2. Model regresji logistycznej .…..…..…..…. 194
5.3. Model drzew klasyfikacyjnych i regresyjnych CART .…..…..…..…. 205
5.4. Model drzew wzmacnianych .…..…..…..……..…. 218
5.5. Model sieci neuronowych (perceptron wielowarstwowy) .…..…..…..…. 227
5.6. Wnioski końcowe .…..…..…..…. 233
Zakończenie .…..…..…..…. 236
Załącznik 1. Opis zmiennych wykorzystywanych w modelowaniu .…..…..…..…. 239
Bibliografia.…..…..…..…. 246

 

  • Title: Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów
  • Author: Grzegorz Migut
  • ISBN: 978-83-66395-80-0, 9788366395800
  • Date of issue: 2025-04-25
  • Format: Ebook
  • Item ID: e_4e4e
  • Publisher: edu-Libri