Marketing „szeptany” oraz marketing „influencerów” stanowi ważny element wielu kampanii marketingowych. Rozpowszechnienie informacji o produkcie w konkretnych grupach ma znacznie większą siłę przebicia niż reklama kierowana do losowo wybranych osób. Wyszukanie takich grup może nastąpić poprzez portale takie jak na przykład Facebook czy LinkedIn, jednak istnieje także inny sposób na wyszukiwanie grup. Co więcej, można wyszukać grupy, które nie są formalnie zdefiniowane.

Prowadzenie kampanii marketingowej w celu pozyskania leadów może wiązać się z napotkaniem kilku problemów, których rozwiązanie wydaje się problematyczne i uciążliwe. Chcemy zbudować algorytm, który zmaksymalizuje oczekiwany przychód przy uwzględnieniu ograniczenia dziennego leadów dla każdej z kampanii unikając przy tym zawarcia zbyt dużej liczby ofert w jednej wiadomości.

Freq jest narzędziem służącym do wizualnej eksploracji danych za pomocą oprogramowania Advanced Miner. Trudno zliczyć jego wszystkie zalety, ale na wstępie warto wymienić takie jak: szybki przegląd atrybutów i wyliczanie ich statystyk, wizualne porównanie atrybutów, możliwość ograniczenia danych do określonych klas, a także eksport do arkuszy Excel. W tym wpisie przybliżymy możliwości Freqa poprzez operacje na prostych bazach danych.

W tym tutorialu nauczysz się jak zbudować model predykcyjny przy użyciu programu AdvancedMiner w kilku prostych krokach. Na początek przejdź do strony pobierania darmowej wersji AdvancedMinera.

Wyobraź sobie, że posiadasz model predykcyjny zbudowany za pomocą języka R i przykładowo chciałbyś przewidywać w czasie rzeczywistym czy warto udzielić kredytu i zastanawiasz się jak opublikować skrypt napisany w języku R jako Web Service.

Jak wskazują badania, w typowym przypadku koszt sprzedaży produktu klientowi, który już korzystał z usług danej firmy, jest średnio pięciokrotnie niższy, niż koszt sprzedaży nowemu nabywcy. Co więcej, powracający klienci, według różnych badań, wydają o 31% więcej, niż nowi nabywcy, chętniej też sięgają po nowe elementy oferty danego dostawcy (źródło) .

Wśród wielu decyzji jakie trzeba podjąć budując model predykcyjny, kluczową kwestią jest ustalenie czy dany problem biznesowy jest zadaniem klasyfikacyjnym czy aproksymacyjnym. Jest to istotne, ponieważ zależy od tego, która grupa metod zostanie wykorzystana do opracowania modelu: klasyfikacyjne (drzewa decyzyjne, algorytmy Bayesowskie) czy aproksymacyjne (drzewa regresyjne, regresja liniowa).

W tej części tutorialu dowiesz się więcej o definicji i rodzajach krzywej LIFT, skumulowanych LIFT ze skalą procentową, oraz jak skonstruować krzywą LIFT.

Krzywa ROC to jeden ze sposobów wizualizacji jakości klasyfikacji, pokazujący zależności wskaźników TPR (True Positive Rate) oraz FPR (False Positive Rate).

Confusion Matrix to macierz N×N, gdzie wiersze odpowiadają poprawnym klasom decyzyjnym, a kolumny decyzjom przewidywanym przez klasyfikator. Liczba n-ij na przecięciu wiersza i oraz kolumny j to liczba przykładów z klasy i-tej, które zostały zaklasyfikowane do klasy j-tej.

W tej części tutorialu omówimy liczbowe wskaźniki jakości i pokażemy, jak wybrać odpowiedni wskaźnik, wykorzystując jako przykład analizę odejścia klientów (churn analysis).

Klasyfikacja to przyporządkowanie obiektów do pewnych znanych klas, przy czym dany obiekt może zostać przyporządkowany tylko do jednej klasy.