Questo problema è stato discusso in precedenza, ma continuo a trovarmi confuso su come utilizzare la matrice di profitto. La mia domanda è di natura concettuale, quindi usiamo solo alcuni numeri semplici. Supponiamo che io abbia dati sul tasso di abbandono dei clienti e costruisco un modello predittivo per il tasso di abbandono (la tecnica particolare non ha importanza per questa domanda). I miei errori decisionali non sono simmetrici, tuttavia, quindi voglio modificare il mio limite di probabilità per ridurre l'errore di errata classificazione più costoso. Supponiamo che i dati rilevanti siano:
- Invierò a ogni cliente perduto previsto un regalo di $ 50.
- Mi aspetto che il 10% di questi clienti venga trattenuto come conseguenza del regalo.
- Ogni cliente fidelizzato ha un valore attuale atteso per la vita di profitti pari a $ 1000.
Da questo, so che la falsa previsione di un cliente verrà mantenuta (falsa positiva) mi costa più che una falsa previsione di perdere un cliente (falso negativo). Tuttavia, non posso decidere come renderlo operativo. La matrice di profitto sembrerebbe un luogo naturale per incorporare queste informazioni, ma l'esempio nella documentazione di JMP non si traduce facilmente in questo problema. La mia inclinazione è quella di utilizzare una matrice di profitto che assomigli
churn previsto = 1 churn previsto = 0
tasso di abbandono effettivo = 1 -50 -100
churn effettivo = 0 +50 +1000
Il mio ragionamento sarebbe che invierò un regalo di $ 50 a tutti i churner previsti, ma che il 10% di questi verrà effettivamente trattenuto (profitti attesi = 10% (1000) = $ 100). Tuttavia, la previsione del modello riguarda le classificazioni del modello iniziale, non i risultati dei miei sforzi di marketing. In altre parole, l'attuale churn = 0 non è il risultato del mio regalo, sono le errate classificazioni del modello iniziale.
Allo stesso modo, il -100 nella matrice risulta dal fatto che se prevedo di mantenere il cliente e non lo sono, non invio il regalo (risparmiando $ 50) ma mi manca l'opportunità di aver trattenuto il 10% di questi clienti (profitti attesi di $ 100).
Il fatto che gli errori di classificazione errata non siano simmetrici è chiaro, ma il modo di implementarlo non lo è. Anche se non utilizzo la matrice di profitto, non mi è chiaro come scegliere un taglio di probabilità nel mio modello di classificazione che incorpori i dati semplificati che ho ipotizzato sopra. Mi rendo conto che il modello di classificazione sarebbe davvero il primo passo in un processo in cui vorrei sperimentare modi per aumentare la fidelizzazione. Ma le supposizioni che faccio riguardo ai doni, alla probabilità di successo e ai profitti attesi dovrebbero fornire sufficienti informazioni da utilizzare nell'applicare il modello di classificazione a questo problema.
Qualcuno può aiutare a capire come incorporare le informazioni assunte nella scelta di un taglio di probabilità per un modello di classificazione?
Grazie.
