Net Lift Modelling. Peter Steffensen, Senior Principal Consultant. Copyright 2011 SAS Institute Inc. All rights reserved.

Størrelse: px

Starte visningen fra side:

Rikke Poulsen
8 år siden
Visninger:

2 Net Lift Baggrund Customer Intelligence-modellering Kampagne: Påvirkning af kunde Indtægt og udgift for kampagne Hændelser: Aftagelse af produkt/service, donation, afgang Sandsynlighed (0<P<1) for hændelse CI-modeller Naturlig aftagning: Propensity model» Formål: Ramme rigtige kunder Minimere udgifter» Prædiktion: Automatiske købere / Self-selectors er det det, man ønsker?» Data: Ingen kampagnedata, kun købsdata Køb ved kampagne: Kampagnemodel» Formål: Ramme rigtige kunder Minimere udgifter» Prædiktion: Tendends til at købe efter kampagneeksponering, uafhængigt af om de ville have købt alligevel er det det, man ønsker?» Data: Kampagneeksponering 2

3 Net Lift Hvad er Net Lift? Næste niveau: Net Lift-model Hvem påvirkes? Nogen køber aldrig Nogen har besluttet sig for køb på forhånd Nogen er påvirkelige Eksempel: Swing -stater i USA Sikker demokratisk sikker republikansk? Net lift-model finder swing -kunder 3

4 Net Lift Hvad er Net Lift? Hvorfor forsøge at påvirke dem, som alligevel køber? Kundetyper P Kampagne Net Lift-model Kampagnemodel Self-selector Swing-kunde Ikke-køber Net Lift Køb ved kampagne P Kampagne Ikke-købere Swing -kunder Self-selectors P Propensity P Swing P Swing Net Lift P Swing NetLlift 4

5 Net Lift Evaluering Hvad gør man? Ingen kampagneeffektvariabel Kampagne (Ja/Nej) Køb (Ja/Nej) Løsning Kombination af kampagnemodel og anden model 2 metoder Udvidelse af data Evaluering Test- og kontrolgruppe Net Lift Chart Rank ifølge model Køb Test (%) Køb Kontrol (%) Diff (%) Lavest score Køb Ikke køb Test Kampagne Kontrol Ikke kampagne Højest score P 5

6 SAS Enterprise Miner - demo Baggrund Case: Kreditkortkampagne (Green Card) Modellering: kunder, 50% kampagne, 20% købere, 65 inputvariable Evaluering: kunder 20% købere i testgruppe og 19.98% købere i kontrolgruppe Modeller Kampagnemodel PSD-, PDM- og Bifurcate-modeller Håndtering af ikke-linearitet: Beslutningstræ 6

7 SAS Enterprise Miner - demo Ikke-monotonitet Input: Number of Revolving Accounts Label N Test (%) Control (%) Diff (%) P ,70 3,77-0,07 0, ,72 9,73 0,99 0, ,49 17,65 0,84 0, ,50 13,99 10,51 0, ,86 17,61 11,25 0, ,79 31,31 0,48 0, ,77 43,98-9,21 0, ,86 59,05-18,19 0, Modellering Alm. linear logistisk regression Ikke-lineær metode, f.eks. beslutningstræ, neuralt netværk, logistisk regression med interactive grouping 7

8 Net Lift-modeltyper Difference Score Model (DSM) Score = P(Køb Kampagne) - P(Køb Ej kampagne) Model 1: P(Køb) for testpopulation Model 2: P(Køb) for kontrolpopulation Fordele Nemt forståeligt koncept -1 < P < 1 Ulemper To varianser Svært fortolkeligt med forskellige parametre i de to modeller 8

9 SAS Enterprise Miner - demo EM-flow Difference Score model 9

10 Net Lift-modeltyper Probability Decomposition Model (PDM) Test Kontrol Self-Selectors A D Swing B E Ikke-køb C F P(Køb pga. kampagne) = P(Køb Kampagne) (2-1/P(Kampagne Køb)) Svarer til, at kampagnemodelscore straffes med sandsynlighed for at have været med i kampagnen 10

11 Net Lift-modeltyper Probability Decomposition Model (PDM) Score = P(Køb Kampagne) (2-1/P(Kampagne Køb)) Model 1: P(Køb) for testpopulation Model 2: P(Kampagne) for kunder, der har købt Fordele Nemt forståeligt koncept Ulemper To varianser P kan blive mindre end -1 Svært fortolkelig med forskellige parametre i de to modeller 11

12 SAS Enterprise Miner - demo EM-flow Probability Decomposition Model 12

13 Net Lift-modeltyper Bifurcate Modelleringsdata x T = &x, hvis&testgruppe &0, hvis&kontrolgruppe &&&&&xk = T: Testgruppe? &0, hvis&testgruppe &x, hvis&kontrolgruppe ID Y T X T X K X X X 0 Scoredata ID Testgruppe X T X K Score X P(Køb Ej Kampagne) 1 1 X 0 P(Køb Kampagne) X P(Køb Ej Kampagne) 2 1 X 0 P(Køb Kampagne) X P(Køb Ej Kampagne) 3 1 X 0 P(Køb Kampagne) Score = P(Køb Kampagne) P(Køb Ej kampagne) 13

14 Net Lift-modeltyper Bifurcate Score = P(Køb Kampagne) P(Køb Ej kampagne) Fordele Kun én model Ulemper Ekstra datamanipulation inden modellering og efter scoring Imputation og transformation inden tvedeling af data Svært fortolkelige parametre 14

15 SAS Enterprise Miner - demo EM-flow Bifurcate-model 15

16 Net Lift-resultater Kampagnemodel Rank Label N Test (%) Control (%) Diff (%) P ,26 3,14 0,12 0, ,05 10,23 1,82 0, ,05 18,85 1,20 0, ,40 25,95-2,55 0, ,01 27,48 1,53 0, ,47 41,25-4,77 0, ,37 45,47 5,90 0,00 Svært at se en klar tendens 16

17 Net Lift-resultater DSM-model Rank Label N Test (%) Control (%) Diff (%) P ,30 59,06-22,75 0, ,91 55,54-20,64 0, ,26 3,14 0,12 0, ,60 29,33-2,73 0, ,11 10,89 1,22 0, ,28 19,66 3,62 0, ,19 14,58 7,62 0, ,98 18,99 9,00 0, ,80 34,67 14,12 0,00 Klart stigende tendens 17

18 Net Lift-resultater Fraktiler 20 DSM Kampagne DSM Kampagne PDM PDM Bifurcated Bifurcated 18

19 Net Lift Konklusion Kampagnemodel Kan ikke bruges som decideret Net Lift-model DSM, PDM, Bifurcate Klar fordel af anvendelse Ingen af dem er de andre overlegen Spørgsmål om at prøve dem alle Bør afprøve andre modeltyper (NN, Interactive Grouping) Næste skridt Kursus Hele vejen til CI Nirvana 19

20 Net Lift Hele vejen til CI Nirvana Model CLV-modeller Net Lift + Produktværdimodel Kampagneoptimering for hver kunde Net Lift + Produktværdi (gns) Net Lift Kampagne Propensity Kundeoptimering pr. kampagne Forretningsregler Ingen Produkt Kampagne Gns. produktværdi Produktværdi pr. kunde CLV Data 20

Relaterede dokumenter

Data mining er ikke længere nice to have men need to have

Data mining er ikke længere nice to have men need to have mining er ikke længere nice to have men need to have Af Frank Bjergø Agenda Introduktion Hvad er mining og hvordan fungerer det? Eksempler på i Telco mining Hvilke forretningsområder er i gang Hvem er