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, , 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, <,0001 REAG_KAMP_0320, <,0001 ZADOST_CREDIT1, <,0001 DPOSL_PRODUKT-0, <,0001 MAX_UVER_RAMEC0, <,0001 PROFESE - DelnikZdravotnik0, ,0038 PROFESE - DuchodceZdravotnik-1, <,0001 PROFESE - InvalidaZdravotnik0, ,4169 PROFESE - ManagerZdravotnik0, ,0801 PROFESE - OstatniZdravotnik-0, ,2164 PROFESE - PodnikatelZdravotnik0, ,0069 PROFESE - ProdavacZdravotnik-0, ,2356 PROFESE - RidicZdravotnik0, ,028 PROFESE - RizikoviZdravotnik-0, ,9104 PROFESE - StatniZamZdravotnik0, ,1637 PROFESE - TechnikZdravotnik0, ,7743 PROFESE - UrednikZdravotnik0, ,5315 DISP_PROSTR < =0>= , <,0001 DISP_PROSTR >= , <,0001 DISP_PROSTR > =200000, ,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