Affärsfall med lyftkurva
I videon lärde du dig att implementera en metod som beräknar vinsten av en kampanj:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
I den här metoden är perc_targets andelen målpersoner i den grupp du väljer för kampanjen, perc_selected andelen personer som väljs ut för kampanjen, population_size den totala populationsstorleken, campaign_cost kostnaden för att kontakta en enskild person i kampanjen och campaign_reward vinsten av att kontakta en målperson.
I den här övningen undersöker du för ett specifikt fall om det lönar sig att använda en modell, genom att jämföra vinsten när man kontaktar alla givare med vinsten när man kontaktar de översta 40 % av givarna.
Den här övningen är en del av kursen
Introduktion till prediktiv analys i Python
Övningsinstruktioner
- Rita lyftkurvan. Prediktionerna finns i
predictions_testoch de sanna målvärdena finns itargets_test. - Läs av lyftets värde vid 40 % och fyll i det.
- Informationen om kampanjen är redan ifylld i skriptet. Beräkna vinsten när hela populationen kontaktas.
- Beräkna vinsten när de översta 40 % kontaktas.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)