Analiza biznesowa z użyciem krzywej lift
Na filmie poznałeś metodę, która oblicza zysk z kampanii:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
W tej metodzie perc_targets to odsetek celów w grupie wybranej do kampanii, perc_selected to odsetek osób objętych kampanią, population_size to całkowita liczebność populacji, campaign_cost to koszt dotarcia do jednej osoby, a campaign_reward to nagroda za dotarcie do celu.
W tym ćwiczeniu sprawdzisz, czy dla konkretnego przypadku opłaca się używać modelu – porównasz zysk z dotarcia do wszystkich darczyńców z zyskiem z dotarcia do górnych 40%.
To ćwiczenie jest częścią kursu
Wprowadzenie do analizy predykcyjnej w Pythonie
Instrukcje do ćwiczenia
- Narysuj krzywą lift. Predykcje znajdują się w
predictions_test, a prawdziwe wartości docelowe wtargets_test. - Odczytaj wartość lift w punkcie 40% i wpisz ją do skryptu.
- Informacje o kampanii są już uzupełnione w skrypcie. Oblicz zysk z dotarcia do całej populacji.
- Oblicz zysk z dotarcia do górnych 40%.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)