Businesscase met lift-curve

In de video heb je geleerd hoe je een methode implementeert die de winst van een campagne berekent:

profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)

In deze methode is perc_targets het percentage targets in de groep die je voor je campagne selecteert, perc_selected het percentage mensen dat voor de campagne wordt geselecteerd, population_size de totale populatiegrootte, campaign_cost de kosten om één persoon voor de campagne te benaderen, en campaign_reward de opbrengst van het benaderen van een target.

In deze oefening ontdek je voor een specifiek geval of het zinvol is om een model te gebruiken, door de winst te vergelijken van het benaderen van alle donateurs met de winst van het benaderen van de top 40% van de donateurs.

Deze oefening maakt deel uit van de cursus

Introductie tot Predictive Analytics in Python

Cursus bekijken

Oefeninstructies

Plot de lift-curve. De voorspellingen staan in predictions_test en de echte doelwaarden in targets_test.
Lees de lift-waarde bij 40% af en vul die in.
De informatie over de campagne is ingevuld in het script. Bereken de winst bij het benaderen van de hele populatie.
Bereken de winst bij het benaderen van de top 40%.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)

Code bewerken en uitvoeren