Business Case mit Lift-Kurve
Im Video hast du gelernt, eine Methode zu implementieren, die den Gewinn einer Kampagne berechnet:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
In dieser Methode ist perc_targets der Prozentsatz der Ziele in der Gruppe, die du für deine Kampagne auswählst, perc_selected der Prozentsatz der Personen, die für die Kampagne ausgewählt werden, population_size die Gesamtgröße der Population, campaign_cost die Kosten, um eine einzelne Person für die Kampagne anzusprechen, und campaign_reward der Ertrag für das Ansprechen eines Ziels.
In dieser Übung findest du für einen konkreten Fall heraus, ob es sinnvoll ist, ein Modell zu verwenden, indem du den Gewinn vergleichst, der beim Ansprechen aller Spender gegenüber den obersten 40 % der Spender erzielt wird.
Diese Übung ist Teil des Kurses
Einführung in Predictive Analytics mit Python
Anleitung zur Übung
- Zeichne die Lift-Kurve. Die Vorhersagen stehen in
predictions_testund die wahren Zielwerte intargets_test. - Lies den Lift-Wert bei 40 % ab und trag ihn ein.
- Die Informationen zur Kampagne sind im Skript eingetragen. Berechne den Gewinn beim Ansprechen der gesamten Population.
- Berechne den Gewinn beim Ansprechen der obersten 40 %.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Plot the lift graph
skplt.metrics.plot_lift_curve(____, ____)
plt.show()
# Read the lift at 40% (round it up to the upper tenth)
perc_selected = 0.4
lift = ____
# Information about the campaign
population_size, target_incidence, campaign_cost, campaign_reward = 100000, 0.01, 1, 100
# Profit if all donors are targeted
profit_all = profit(____, 1, population_size, campaign_cost, campaign_reward)
print(profit_all)
# Profit if top 40% of donors are targeted
profit_40 = profit(____ * ____, 0.4, population_size, campaign_cost, campaign_reward)
print(profit_40)