Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

1 MODELY DISKRÉTNÍ VOLBY 3. cvičení. 2 Osnova 1.Podstata modelů diskrétní volby 2.Modely binární volby LPM Logitový Probitový 3.Aplikace Ukázka – cílení.

Podobné prezentace


Prezentace na téma: "1 MODELY DISKRÉTNÍ VOLBY 3. cvičení. 2 Osnova 1.Podstata modelů diskrétní volby 2.Modely binární volby LPM Logitový Probitový 3.Aplikace Ukázka – cílení."— Transkript prezentace:

1 1 MODELY DISKRÉTNÍ VOLBY 3. cvičení

2 2 Osnova 1.Podstata modelů diskrétní volby 2.Modely binární volby LPM Logitový Probitový 3.Aplikace Ukázka – cílení marketingových kampaní

3 3 Podstata modelů diskrétní volby Vychází z principu regrese Používají se pro diskrétní endogenní proměnou Princip: Jinak se rozhoduji mezi nekonečně mnoha alternativami a mezi dvěma (několika) Vhodné pro marketingový výzkum a data mining apod.

4 4

5 5 Modely binární diskrétní volby(1) Y nabývá pouze dvou hodnot Značené: 0, 1 Na čem závisí, že zákazník zůstává u banky/operátora/pojišťovny nebo odchází. Na čem závisí, zda zákazník vlastní daný produkt? Na čem závisí to, že zákazník nesplatí úvěr? Na čem závisí to, že zákazník podvádí banku?...

6 6 Modely binární diskrétní volby(2) Lineární pravděpodobnostní model Odhadnuté hodnoty udávají pravděpodobnost, že pro dané pozorování i bude Y rovno 1. Problémy: Náhodné složky vykazují heteroskedasticitu – nutno odhadovat MZNČ, MVNČ Pravděpodobnost leží mimo interval Interpretace modelu - linearita

7 Logitový model diskrétní binární volby Využívá KDF logistického rozdělení Matematické hledisko pohledu – flexibilní a jednoduchá funkce Smysluplná interpretace Odhad pomocí MMV

8 Probitový model diskrétní binární volby Využívá KDF standardního normálního rozdělení Matematické hledisko pohledu – flexibilní a jednoduchá funkce Smysluplná interpretace Odhad pomocí MMV

9 Srovnání KDF normálního a logistického rozdělení 9

10 Vyhodnocení modelů LPM – Stejný princip jako pro KLRM Logit, probit Waldův chí-kvadrát test Score test Test věrohodnostním poměrem Modifikovaný R 2 10

11 APLIKACE Společnosti Banky, úvěrové a finanční společnosti Telekomunikační společnosti Pojišťovny Retailové společnosti... Marketing Odchod zákazníka Pořízení produktu – cross sell Risk management Nesplacení úvěru - Skóring Podvod 11

12 Marketingové kampaně Cílené marketingové kampaně jako součást podlinkové komunikace se zákazníkem (z ang. BTL) Firma oslovuje konkrétní skupinu zákazníků s konkrétní nabídkou (produkt, sleva...) pomocí různých komunikačních kanálů (dopis, email, sms, telefonát...) Problém Velké množství zákazníků Které zákazníky oslovit? Jaký produkt jim nabídnout? Pomocí jakého komunikačního kanálu?

13 Marketingové kampaně Cíl: Vyšší odezva klientů na marketingové kampaně při stejných marketingových nákladech Snížení marketingových nákladů při stejné odezvě klientů Zvýšení zisků firmy

14 Aplikace - zadání Klíčovými produkty banky jsou spotřebitelské úvěry, kreditní karty a spořicí účty. Úkol: zlepšit cílení marketingových kampaní, v současné době platí, že jsou klienti do kampaní vybíráni pomocí expertních pravidel. Součástí řešení je spočítání pravděpodobnosti, že si klient pořídí dané produkty a nastavení automatizace počítání modelů s měsíčními intervaly.

15 1. Krok – Příprava dat Co vše víme o klientech banky? Socio demo: Věk, Pohlaví, Místo bydliště, Zaměstnání, Vzdělání Behaviorální: Počet a typy produktů, doba využívání produktů, počet žádostí Transakční data: obrat na účtech, zůstatek, průměrné příjmy, Informace o kampaních, stížnostech klienta – komunikace klient - banka Odkud bereme údaje? Primární zdroje: pobočky, call-centrum, internetové bankovnictví, účetní software... Co je klíčový krok v přípravě dat? Unifikace a identifikace klienta 15

16 1. Krok – Příprava dat Pro jednotlivá období byla vytvořena analytická tabulka Přidány odvozené (trendy, kategorie, průměry...) a transformované proměnné (kategorizace, logaritmická transformace Práce s chybějícími hodnotami, odlehlými pozorováními... Počet klientů: cca 900 tis. (aktivní i neaktivní klienti) Počet vysvětlujících proměnných: 1100

17 2. Krok – Odhad modelu Princip práce s daty a odhad modelu pro spotřebitelské úvěry 17

18 2. Krok – Odhad modelu - Logit ProměnnáBázeParametr Poměr šancí P- hodnota KONSTANTA -0,653 <,0001 NEAKTIVNI_KARTA-0,9200.331<,0001 REAG_KAMP_0320,5051.390<,0001 ZADOST_CREDIT1,7344.187<,0001 DPOSL_PRODUKT-0,0330.957<,0001 MAX_UVER_RAMEC0,0001.000<,0001 PROFESE - DelnikZdravotnik0,2340.7620,0038 PROFESE - DuchodceZdravotnik-1,2010.154<,0001 PROFESE - InvalidaZdravotnik0,1580.6210,4169 PROFESE - ManagerZdravotnik0,2140.7200,0801 PROFESE - OstatniZdravotnik-0,2230.4330,2164 PROFESE - PodnikatelZdravotnik0,3330.8100,0069 PROFESE - ProdavacZdravotnik-0,2270.4260,2356 PROFESE - RidicZdravotnik0,3600.7940,028 PROFESE - RizikoviZdravotnik-0,0280.4780,9104 PROFESE - StatniZamZdravotnik0,2500.6970,1637 PROFESE - TechnikZdravotnik0,0410.5920,7743 PROFESE - UrednikZdravotnik0,0770.6270,5315 DISP_PROSTR < =0>= 20000-0,5500.590<,0001 DISP_PROSTR 1 - 7999>= 200000,6421.820<,0001 DISP_PROSTR 8000 - 19999> =200000,1241.0140,2897  Výsledný model Interpretace prametru: Znaménka – zvyšuje se, snižuje pravděpodobnost Poměr šancí – pro klienta, který žádal o úvěr, je 4,2 krát vyšší pravděpodobnost, že si vezme úvěr v daný měsíc, než u klienta, který o úvěr nežádal.

19 2. Krok – Odhad modelu Statistika „lift“ – vhodná pro nestatistické uživatele modelu 19

20 3. Krok - Implementace Převod pravděpodobnosti na obchodní skóre

21 Co je vlastně výsledkem modelu Výsledkem je „pravděpodobnost“ Výsledkem je skóre Přepočet pravděpodobnost-> skóre Obojí je ve campaign management system Model se automaticky přepočítává každý měsíc

22 Cíl: předpovědět odchod zákazníků Náklady na získání nového klienta překračují náklady na udržení stávajícího klienta S předstihem předpovědět: Storno smlouvy, účtu, služby, … Pokles využívání služeb Vhodná kombinace s hodnotu zákazníka Odcházející ziskové klienty nebo klienty s vysokým potenciálem si udržet -> vynaložit prostředky Odcházející ztrátové klienty přenechat konkurenci Aplikace DM – Odchod klientů

23 Aplikace – Credit scoring / fraud detection Credit scoring – výpočet pravděpodobnosti neplacení Pro nové úvěry/tarifní zákazníky (schvalování) – máme data: ze žádosti, z registrů (credit bureau, SOLUS), z dalších zdrojů (demografické profily, výsledky cenzů atd. Pro stávající úvěry/zákazníky (řízení rizik - kapitálová přiměřenost – Basel II)

24 Aplikace – Fraud detection Fraud detection – výpočet pravděpodobnosti podvodů u pojistných událostí kreditních karet spotřebitelských úvěrů a jiných úvěrů „praní špinavých peněz“ billingové podvody 24

25 25 Zdroje Hušek R, Pelikán J,: APLIKOVANÁ EKONOMETRIE, teorie a praxe Hosmer D, Lemeshow S,: APPLIED LOGISTIC REGRESSION Fíglová Z,: ANALÝZA MODELOV DISKRÉTNEJ VOLBY A ICH APLIKÁCIA Eko-kom


Stáhnout ppt "1 MODELY DISKRÉTNÍ VOLBY 3. cvičení. 2 Osnova 1.Podstata modelů diskrétní volby 2.Modely binární volby LPM Logitový Probitový 3.Aplikace Ukázka – cílení."

Podobné prezentace


Reklamy Google