使用 lift 曲線的商業案例
在影片中你學到如何實作一個計算活動獲利的方法：
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
在這個方法中，perc_targets 是你為活動所選族群中的目標比例，perc_selected 是被選入活動的人口百分比，population_size 是整體母體大小，campaign_cost 是針對單一人執行活動的成本，campaign_reward 是成功觸及一個目標的回饋。
在這個練習中，你會針對一個特定案例，比較「對所有捐款者進行行銷」與「只對前 40% 的捐款者進行行銷」兩種做法的獲利，來判斷是否值得使用模型。
本練習屬於課程
Python 預測分析入門
練習說明
- 繪製 lift 曲線。預測值在
predictions_test，實際目標值在targets_test。 - 讀取在 40% 時的 lift 值並填入。
- 活動相關資訊已在指令碼中填好。計算對整體母體進行行銷時的獲利。
- 計算只對前 40% 進行行銷時的獲利。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)