Caso di business con lift curve
Nel video hai imparato a implementare un metodo che calcola il profitto di una campagna:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
In questo metodo, perc_targets è la percentuale di target nel gruppo che selezioni per la tua campagna, perc_selected è la percentuale di persone selezionate per la campagna, population_size è la dimensione totale della popolazione, campaign_cost è il costo di contattare una singola persona per la campagna e campaign_reward è il beneficio ottenuto contattando un target.
In questo esercizio scoprirai, per un caso specifico, se conviene usare un modello confrontando il profitto ottenuto contattando tutti i donatori rispetto al top 40% dei donatori.
Questo esercizio fa parte del corso
Introduzione alla Predictive Analytics in Python
Istruzioni dell'esercizio
- Traccia la lift curve. Le predizioni sono in
predictions_teste i valori veri del target sono intargets_test. - Leggi il valore di lift al 40% e inseriscilo.
- Le informazioni sulla campagna sono già presenti nello script. Calcola il profitto ottenuto contattando l'intera popolazione.
- Calcola il profitto ottenuto contattando il top 40%.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)