Cette question a été discutée précédemment, mais je continue à me trouver confus quant à la façon d'utiliser la matrice de profit.Ma question est de nature conceptuelle, alors utilisons simplement quelques chiffres simples.Supposons que j'ai des données sur l'attrition des clients et que je construise un modèle prédictif pour l'attrition (la technique particulière n'a pas d'importance pour cette question).Cependant, mes erreurs de décision ne sont pas symétriques, je souhaite donc modifier mon seuil de probabilité pour réduire l'erreur de classification erronée plus coûteuse.Supposons que les données pertinentes sont :
- J'enverrai à chaque client perdu prévu un cadeau de 50 $.
- Je m'attends à ce que 10 % de ces clients soient conservés grâce au don.
- Chaque client retenu a une valeur actualisée à vie attendue des bénéfices de 1 000 $.
De là, je sais que prédire à tort qu'un client sera conservé (faux positif) me coûte plus cher que de prédire à tort que je vais perdre un client (faux négatif).Cependant, je ne peux pas décider comment opérationnaliser cela.La matrice de profit semblerait un endroit naturel pour incorporer ces informations, mais l'exemple de la documentation JMP ne se traduit pas facilement par ce problème.Mon inclination est d'utiliser une matrice de profit qui ressemble à
désabonnement prévu=1 désabonnement prévu=0
désabonnement réel = 1 -50 -100
désabonnement réel = 0 +50 +1000
Mon raisonnement serait que j'enverrai un cadeau de 50 $ à tous les churners prévus, mais que 10 % d'entre eux seront effectivement retenus (bénéfices attendus = 10 % (1000) = 100 $).Cependant, la prédiction du modèle concerne les classifications du modèle initial, pas les résultats de mes efforts de marketing.En d'autres termes, le taux de désabonnement réel = 0 n'est pas le résultat de mon don, ce sont les erreurs de classification du modèle initial.
De même, le -100 dans la matrice résulte du fait que si je prédis que le client sera retenu et qu'il ne le sera pas, je n'envoie pas le cadeau (économie de 50€) mais je rate l'opportunité d'avoir retenu 10% de ces clients (bénéfices attendus de 100 $).
Le fait que les erreurs de classification erronée ne soient pas symétriques est clair - mais la façon de les mettre en œuvre ne l'est pas.Même si je n'utilise pas la matrice de profit, je ne sais pas comment choisir un seuil de probabilité dans mon modèle de classification qui intègre les données simplifiées que j'ai supposées ci-dessus.Je me rends compte que le modèle de classification serait vraiment la première étape d'un processus par lequel je voudrais expérimenter des façons d'augmenter la rétention.Mais les hypothèses que je fais sur les dons, la probabilité de succès et les bénéfices attendus devraient fournir suffisamment d'informations à utiliser pour appliquer le modèle de classification à ce problème.
Quelqu'un peut-il aider à déterminer comment incorporer les informations supposées dans le choix d'un seuil de probabilité pour un modèle de classification ?
Merci.
