この問題についてはすでに説明しましたが、利益マトリックスの使用方法について混乱しています。 私の質問は本質的に概念的なものなので、単純な数字をいくつか使用しましょう。 顧客のチャーンに関するデータがあり、チャーンの予測モデルを構築したとします（この質問には特定の手法は関係ありません）。 しかし、私の判断ミスは対称的ではないので、私は確率カットオフを修正して、よりコストのかかる誤分類エラーを減らす必要があります。 関連データが次のようになっているとします。
- 紛失したと予想されるすべての顧客に50ドルのギフトを送ります。
- 私はこれらの顧客の10％が贈り物の結果として留まることを期待しています。
- 留保されているすべての顧客には、1000ドルの利益の予想存続期間現在価値があります。
このことから、私は、顧客を失うことを誤って予測すること（誤検知）よりも、顧客を誤って予測することが保持されることになる（誤検知）ことが多いことを知っています。 しかし、これをどのようにして操作可能にするかを決めることはできません。 利益マトリックスはこの情報を取り入れるのに自然な場所のように思えますが、JMPの資料の例ではこの問題に簡単には変換できません。 私の傾向は次のように見える利益マトリックスを使うことです
予測チャーン= 1予測チャーン= 0
実際の解約= 1 -50 -100
実際の解約= 0 + 50 + 1000
私の考えは、私はすべての予想される教会に50ドルの贈り物を送るつもりですが、実際にはその10％が留保されるということです（予想利益= 10％（1000）= 100ドル）。 ただし、モデル予測は初期モデルの分類に関するものであり、私のマーケティング努力の結果ではありません。 言い換えれば、実際のチャーン= 0は私の贈り物の結果ではない、それは初期モデルの誤分類です。
同様に、マトリックスの-100は、顧客が留保されると予測し、そうでないと予測した場合、ギフトを送信しない（50ドル節約）が、これらの顧客の10％を留保する機会を逃したため（予想利益100ドル）。
誤分類エラーが対称的ではないという事実は明らかです - しかしこれを実装する方法はそうではありません。 利益マトリックスを使用しなくても、上で仮定した単純化されたデータを組み込んだ分類モデルで確率カットオフを選択する方法はわかりません。 私は、分類モデルが実際にプロセスの最初のステップになることを認識しています。それによって、保持を増やす方法を試してみたいと思います。 しかし、私が贈り物、成功の可能性、そして期待される利益について私が仮定していることは、この問題に分類モデルを適用するのに使うのに十分な情報を提供するはずです。
分類モデルのための確率カットオフを選択するために仮定された情報を組み込む方法を整理するのを手伝ってくれる人はいますか？
ありがとう。
