Caso de negocio usando la curva de lift
En el vídeo aprendiste a implementar un método que calcula el beneficio de una campaña:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
En este método, perc_targets es el porcentaje de objetivos en el grupo que seleccionas para tu campaña, perc_selected el porcentaje de personas seleccionadas para la campaña, population_size el tamaño total de la población, campaign_cost el coste de dirigirte a una sola persona en la campaña, y campaign_reward la recompensa por dirigirte a un objetivo.
En este ejercicio descubrirás, para un caso concreto, si conviene usar un modelo comparando el beneficio al dirigirte a todos los donantes frente al 40% superior de los donantes.
Este ejercicio forma parte del curso
Introducción al análisis predictivo en Python
Instrucciones del ejercicio
- Traza la curva de lift. Las predicciones están en
predictions_testy los valores verdaderos del objetivo entargets_test. - Lee el valor del lift al 40% y complétalo.
- La información sobre la campaña ya está rellenada en el script. Calcula el beneficio al dirigirte a toda la población.
- Calcula el beneficio al dirigirte al 40% superior.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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)