Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów

Budowa modelu retencji klientów to wieloetapowy proces, pełen wyzwań i zależny od wielu, wzajemnie oddziałujących na siebie czynników. Książka prowadzi czytelnika przez kluczowe etapy tego procesu – od definiowania biznesowych parametrów modelu, po przegląd strategii i technik modelowania, obejmujących:

• przygotowanie danych,
• tworzenie skutecznych modeli klasyfikacyjnych,
• walidację i wdrażanie modeli retencji.

Szczególna uwaga poświęcona została ocenie predykcyjnej siły modelu, w tym analizie wrażliwości miar na zmiany proporcji klas. W książce znajduje się także praktyczny przykład analizy, który krok po kroku ilustruje kluczowe działania i wybory podejmowane podczas tworzenia modelu. Może on posłużyć jako inspiracja, pomagając zrozumieć i prześledzić każdy etap procesu budowy modelu, od decyzji wstępnych po końcowe wdrożenie.

Uzyskane wyniki badań mogą pomóc w wyborze najlepszych strategii budowy modeli, zwiększając szansę na osiągnięcie oczekiwanych efektów.

Autor, posiadający ponad 20-letnie doświadczenie w pracy konsultingowej, dzieli się wiedzą praktyczną oraz prezentuje przykłady, które pomagają budować skuteczne modele analityczne. Od lat, w ramach firmy StatSoft Polska, prowadzi kursy i wykłady na prestiżowych studiach podyplomowych, wprowadzając słuchaczy w świat analizy danych, data mining i uczenia maszynowego. Jego bogate doświadczenie obejmuje wsparcie dla klientów z branży naukowej, biznesowej i przemysłowej, gdzie łączy teorię z rzeczywistymi wyzwaniami analitycznymi.

Spis treści:

Wstęp
1. Retencja klientów jako obszar modelowania marketingowego
1.1. Rola modelowania w badaniach marketingowych
1.2. Koncepcja marketingu relacji w budowie modeli lojalności klientów
1.3. Lojalność nabywców – definicje i determinanty
1.4. Rodzaje i poziomy lojalności konsumentów
1.5. Sposoby pomiaru i modelowania lojalności – wybrane podejścia
1.6. Metodyki budowy modeli data mining na potrzeby retencji klientów
1.7. Podsumowanie
2. Przygotowanie danych podczas budowy modeli retencji klientów
2.1. Określanie kluczowych parametrów projektu analitycznego
2.2. Wiarygodność danych, identyfikacja i uzupełnianie braków danych
2.3. Sposoby łagodzenia problemów związanych z niejednorodnym zbiorem danych
2.4. Transformacje zmiennych oraz przygotowanie zmiennych pochodnych
2.5. Niezbilansowany rozkład zmiennej zależnej jako problem w prognozowaniu zjawisk o charakterze rzadkim
2.6. Podsumowanie
3. Budowa modelu klasyfikacyjnego
3.1. Wybór zmiennych podczas budowy modelu
3.1.1. Filtry ukierunkowane i nieukierunkowane
3.1.2. Metody opakowujące
3.1.3. Metody wbudowane
3.1.4. Podsumowanie
3.2. Wybór techniki modelowania
3.2.1. Regresja logistyczna
3.2.2. Sieci neuronowe
3.2.3. Metoda wektorów nośnych
3.2.4. Drzewa klasyfikacyjne i regresyjne
3.2.5. Podejście wielomodelowe
3.3. Optymalizacja hiperparametrów
3.4. Podsumowanie
4. Walidacja i wdrażanie modeli retencji klientów
4.1. Miary dobroci dopasowania modeli retencji klientów
4.1.1. Miary obliczone na podstawie macierzy błędnych klasyfikacji
4.1.2. Miary jakości a prawdopodobieństwo a posteriori
4.1.3. Miary oparte na probabilistycznej interpretacji odpowiedzi modelu
4.2. Strategie walidacji modeli retencji klientów
4.2.1. Metody oparte na podziale zbioru danych
4.2.2. Metody oparte na wielokrotnym próbkowaniu
4.3 Określanie optymalnego punktu odcięcia (cut-off)
4.4. Wybór klientów do strategii sprzedażowych i retencyjnych (uplift modeling)
4.4.1. Budowa modeli uplift
4.4.2. Ocena modeli uplift
4.4.3. Monitorowanie modeli retencji klintów
4.5. Podsumowanie
5. Identyfikacja modelu migracji klientów krok po kroku
5.1. Zrozumienie i przygotowanie danych
5.1.1. Ocena jakości danych
5.1.2. Przygotowanie danych – kolejne kroki
5.1.3. Segmentacja zbioru danych
5.1.4. Podział zbioru danych
5.1.5. Uzupełnienie braków danych
5.1.6. Dodatkowa kategoryzacja zmiennych jakościowych
5.1.7. Zmienne pochodne w modelu
5.1.8. Wstępna selekcja zmiennych
5.1.9. Budowa modeli za pomocą wybranych narzędzi analitycznych
5.2. Model regresji logistycznej
5.3. Model drzew klasyfikacyjnych i regresyjnych CART
5.4. Model drzew wzmacnianych
5.5. Model sieci neuronowych (perceptron wielowarstwowy)
5.6. Wnioski końcowe