Dieses Problem wurde bereits besprochen, aber ich bin immer wieder verwirrt darüber, wie ich die Gewinnmatrix verwenden soll.Meine Frage ist konzeptioneller Natur, also verwenden wir einfach ein paar einfache Zahlen.Angenommen, ich habe Daten zur Kundenabwanderung und erstelle ein Vorhersagemodell für die Abwanderung (die jeweilige Technik spielt für diese Frage keine Rolle).Meine Entscheidungsfehler sind jedoch nicht symmetrisch, daher möchte ich meine Wahrscheinlichkeitsgrenze ändern, um den kostspieligeren Fehlklassifizierungsfehler zu reduzieren.Angenommen, die relevanten Daten sind:
- Ich werde jedem vorhergesagten verlorenen Kunden ein Geschenk im Wert von 50 $ schicken.
- Ich gehe davon aus, dass 10 % dieser Kunden durch das Geschenk gehalten werden.
- Jeder behaltene Kunde hat einen erwarteten lebenslangen Gewinnwert von 1000 $.
Daraus weiß ich, dass die fälschliche Vorhersage, dass ein Kunde gehalten wird (falsch positiv), mich mehr kostet als die fälschliche Vorhersage, dass ich einen Kunden verlieren werde (falsch negativ).Allerdings kann ich mich nicht entscheiden, wie ich das operationalisieren soll.Die Gewinnmatrix scheint ein natürlicher Ort zu sein, um diese Informationen zu integrieren, aber das Beispiel in der JMP-Dokumentation lässt sich nicht leicht auf dieses Problem übertragen.Meine Neigung ist es, eine Gewinnmatrix zu verwenden, die so aussieht
vorhergesagte Abwanderung = 1 vorhergesagte Abwanderung = 0
tatsächliche Abwanderung = 1 -50 -100
tatsächliche Abwanderung = 0 +50 +1000
Meine Überlegung wäre, dass ich allen prognostizierten Abwanderungswilligen ein Geschenk von 50 $ schicken werde, aber dass 10 % davon tatsächlich einbehalten werden (erwarteter Gewinn = 10 % (1000) = 100 $).Die Modellvorhersage betrifft jedoch die Klassifizierungen des ursprünglichen Modells, nicht die Ergebnisse meiner Marketingbemühungen.Mit anderen Worten, die tatsächliche Abwanderung = 0 ist nicht das Ergebnis meiner Gabe, sondern der Fehlklassifizierung des ursprünglichen Modells.
In ähnlicher Weise ergibt sich die -100 in der Matrix aus der Tatsache, dass ich, wenn ich vorhersehe, dass der Kunde behalten wird und sie es nicht sind, das Geschenk nicht schicke (und 50 US-Dollar spare), aber ich verpasse die Gelegenheit, 10 % dieser Kunden zu behalten (erwarteter Gewinn von 100 $).
Die Tatsache, dass die Fehlklassifikationsfehler nicht symmetrisch sind, ist klar – aber der Weg, dies zu implementieren, ist es nicht.Auch wenn ich die Gewinnmatrix nicht verwende, ist mir nicht klar, wie ich in meinem Klassifizierungsmodell einen Wahrscheinlichkeitsgrenzwert wählen soll, der die oben angenommenen vereinfachten Daten enthält.Mir ist klar, dass das Klassifizierungsmodell wirklich der erste Schritt in einem Prozess wäre, bei dem ich mit Wegen experimentieren möchte, um die Retention zu erhöhen.Aber die Annahmen, die ich über die Geschenke, die Erfolgswahrscheinlichkeit und die erwarteten Gewinne mache, sollten genügend Informationen liefern, um das Klassifizierungsmodell auf dieses Problem anzuwenden.
Kann jemand helfen, wie man die angenommenen Informationen in die Auswahl einer Wahrscheinlichkeitsgrenze für ein Klassifizierungsmodell einbezieht?
Danke.
