Este problema ha sido discutido anteriormente, pero me encuentro confundido acerca de cómo usar la matriz de ganancias. Mi pregunta es de naturaleza conceptual, así que solo usemos algunos números simples. Supongamos que tengo datos sobre la rotación de clientes y construyo un modelo predictivo para la rotación (la técnica particular no importa para esta pregunta). Sin embargo, mis errores de decisión no son simétricos, así que quiero modificar mi corte de probabilidad para reducir el error de clasificación errónea más costoso. Supongamos que los datos relevantes son:
- Enviaré a cada cliente perdido predicho un regalo de $ 50.
- Espero que se retenga el 10% de estos clientes como resultado del regalo.
- Cada cliente retenido tiene un valor presente de vida útil esperado de ganancias de $ 1000.
Por esto, sé que predecir falsamente que un cliente será retenido (falso positivo) me cuesta más que predecir falsamente que perderé un cliente (falso negativo). Sin embargo, no puedo decidir cómo operacionalizar esto. La matriz de ganancias parecería un lugar natural para incorporar esta información, pero el ejemplo en la documentación de JMP no se traduce fácilmente a este problema. Mi inclinación es usar una matriz de ganancias que parezca
abandono previsto = 1 abandono previsto = 0
churn actual = 1 -50 -100
churn actual = 0 +50 +1000
Mi razonamiento sería que enviaré un regalo de $ 50 a todos los chamuscadores pronosticados, pero que el 10% de estos serán retenidos (ganancias esperadas = 10% (1000) = $ 100). Sin embargo, la predicción del modelo se refiere a las clasificaciones del modelo inicial, no a los resultados de mis esfuerzos de marketing. En otras palabras, el churn real = 0 no es el resultado de mi regalo, son las clasificaciones erróneas del modelo inicial.
De manera similar, el -100 en la matriz resulta del hecho de que si predigo que el cliente será retenido y no lo son, no envío el regalo (ahorrando $ 50) pero pierdo la oportunidad de haber retenido el 10% de estos clientes (ganancias esperadas de $ 100).
El hecho de que los errores de clasificación errónea no sean simétricos es claro, pero la forma de implementarlo no lo es. Incluso si no uso la matriz de ganancias, no tengo claro cómo elegir un corte de probabilidad en mi modelo de clasificación que incorpore los datos simplificados que asumí anteriormente. Me doy cuenta de que el modelo de clasificación sería realmente el primer paso en un proceso por el cual me gustaría experimentar con formas de aumentar la retención. Pero las suposiciones que hago sobre los regalos, la probabilidad de éxito y las ganancias esperadas deben proporcionar suficiente información para usar en la aplicación del modelo de clasificación a este problema.
¿Puede alguien ayudar a determinar cómo incorporar la información supuesta al elegir un corte de probabilidad para un modelo de clasificación?
Gracias.
