Caso de negócio usando a curva de lift
No vídeo, você aprendeu a implementar um método que calcula o lucro de uma campanha:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
Nesse método, perc_targets é a porcentagem de alvos no grupo que você seleciona para a sua campanha, perc_selected é a porcentagem de pessoas selecionadas para a campanha, population_size é o tamanho total da população, campaign_cost é o custo de abordar uma única pessoa na campanha e campaign_reward é a recompensa por abordar um alvo.
Neste exercício, você vai descobrir, para um caso específico, se vale a pena usar um modelo, comparando o lucro ao abordar todos os doadores versus os 40% principais dos doadores.
Este exercício faz parte do curso
Introdução à Análise Preditiva em Python
Instruções do exercício
- Plote a curva de lift. As previsões estão em
predictions_teste os valores verdadeiros do alvo estão emtargets_test. - Leia o valor de lift em 40% e preencha-o.
- As informações sobre a campanha já estão no script. Calcule o lucro ao abordar toda a população.
- Calcule o lucro ao abordar os 40% principais.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)