Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Prof. Dr. Andreas Hilbert [email protected]http://wiid.wiwi.tu-dresden.de 01062 Dresden Telefon +49 351 463-32359 Telefax +49 351 463-32736 Rico Ludwig Chris Reiche Patrick Schwabe Ausgewählte Aspekte der BI: Projektseminar Endpräsentation Mat. Nr.: 3111685 Mat. Nr.: 3206958 Mat. Nr.: 3235860
84
Embed
Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan
Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung. Die Linusbank Allgemeine Marktübersicht. Höhere Preissensitivität Häufig 2 bis 4 Bankverbindungen - PowerPoint PPT Presentation
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 6
ProblembeschreibungWas der Kunde sagt
"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“
"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 7
ProblembeschreibungWas der Kunde will
• Kosten für Kampagnen sehr hoch
• Kunden nutzen wenige Produkte
• Keine Erfolgsmessung der Kampagnen
• Wertvolle Kunden unbekannt
• Ziele:– Kundenzufriedenheit und Bindung erhöhen
– Wertvolle Kunden identifizieren
– Kosten reduzieren
– Erfolgsmessung für Marketingkampagnen einführen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
Die LinusbankProblembeschreibungProjektplan
ProjektablaufKoordination der Projektarbeit
Data UnderstandingData PreparationModelingKampagnenauswertung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 9
ProjektplanProjektablauf
• Orientierung des Projektablaufes an den Phasen des CRISP-DM
• Einarbeitung in Bankgeschäft und Daten der Linusbank
• Festlegen der Teilziele für Projektablauf
• Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten
• Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 10
ProjektplanKooperation der Projektarbeit
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
…ProjektplanData Understanding
Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept
Data Preparation…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 12
Deskriptive AnalyseÜbersicht über vorhandene Daten
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 13
Deskriptive AnalyseProduktverteilung (gesamt)
• Girokonto hat größten Produktanteil
• Kredit nur vergleichsweise geringer Anteil
• Anteil für Riester und Sparen minimal
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 14
0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 30
DatapreparationKundenwert
• Für eine erste Analyse genügt ein relativ einfacher Initialkundenwert, der auf Basis des Laufzeitertrags ermittelt wird. In weiteren Schritt kann anhand von den verschiedenen Prognosemodellen ein Score für jeden Kunden erzeugt werden, der in einen präziseren und feiner abgestimmten Kundenwert einfließt.
• Für die aktuelle Aufgabe genügt der Initialkundenwert.
• Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an Produkten mit unterschiedlichem Jahresertrag und Laufzeitertrag erworben
• Je nach Jahresertrag und Laufzeitertrag erzeugen diese Kunden einen höheren oder niedrigeren Umsatz
• Kunden werden anhand dieses Umsatzes in verschiedene Werte-Klassen eingeteilt
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 31
DatapreparationKundenwert
Hilfsmittel: ABC-Analyse
• Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen bestimmten
Umsatzanteil ausmachen
• jedoch in SQL extrem komplex zu implementieren
• Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet absolute
Mengen in die Klassen ein, sodass die ersten 50.000 Kunden mit dem höchsten Umsatz
Klasse A darstellen, die nächsten Kunden Klasse B usw.
• Die Mengen wurden so definiert, dass ca. 20% der Kunden (A und B) 80% des Umsatzes
generieren
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 33
Teil der Aufgabenstellung:
Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.
Ziel der AnalyseEindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden.
ModelingAssoziationsanalyse
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 34
Assoziationsanalyse Vorbereitung der Daten für Assoziationsanalyse
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 35
Assoziationsanalyse
• Der Datenfluss im Diagramm
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 36
Assoziationsanalyse
• Die Filtereinstellungen, um nicht zu berücksichtigende Produkte auszuschließen
• Weitere Einstellungen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 37
Assoziationsanalyse Ergebnis
• Das Ergebnis der Analyse mit dem ermittelten Warenkorb.
• Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 38
Assoziationsanalyse Ergebnis II
• Überblick über alle erzeugten Regeln
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 39
Assoziationsanalyse Fazit
• Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen.
• Macht Sinn, da alle drei Produkte im Kern Sparprodukte darstellen.
• Starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins Kombination mit Giro oder Depot häufig nachgefragt werden.
• Diese Produkte werden jedoch vergleichsweise selten verkauft.
Handlungsmöglichkeiten:
Kunden, die bereits ein oder mehrere Produkte besitzen, könnten entsprechend interessiert sein an den ermittelten Kombinationen. So bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen, ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch Linuszins anzubieten.
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 41
Modeling Clusteranalyse
Teil der Aufgabenstellung:Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.
Ziel der AnalyseEindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 42
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 43
Clusteranalyse
• Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM-/Kohonen-Node zum Einsatz.
• Vorgehen:
• Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern.
• Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics.
• Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat.
• Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 44
Clusteranalyse
• Der Datenfluss im Diagramm
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 45
Clusteranalyse
• Ergebnis der Clusteranalyse
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 46
Clusteranalyse
• Das Ergebnis der Analyse mit dem ermittelten Distanzgraphen.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 47
Clusteranalyse
• Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 48
Clusteranalyse
• Die Verteilung der Produkte auf die verschiedenen Cluster
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 49
Clusteranalyse
• Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 50
ClusteranalyseFazit
Es zeigen sich drei auffällige Cluster-Gruppierungen:
• So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen.
• Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro.
• Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot.
Handlungsmöglichkeiten:Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen verfügen.
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 52
Modeling Prognosemodelle
Teil der Aufgabenstellung:Entwickeln Sie jeweils ein produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte linuskredit, linusdepot, linusgiro, linuszins und linusriester.
Ziel der ModelleKlassifikation von Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 53
Modeling Vorbereitung der Daten für die Prognosemodelle
• Benötigte Datensätze:– Kundendaten_200806
– Kundendaten_200812
• Transformationen:– Alter (nominal 5 Klassen)
– Vermögensausprägung (ordinal -1 0 und 1)
– Produktnutzung (binär für jedes Produkt)
– Beziehungsdauer (nominal 5 Klassen)
• Kundenwert (Initialwert):– Klasse (nominal A bis E)
– Umsatz (metrisch)
• Ausgangsdaten:– Kundennummer (id)
– Alter (nominal 5 Klassen)
– Kanal (binär)
– Kreditwürdigkeit (nominal 3 Klassen)
– Vermögensausprägung (ordinal -1 0 und 1)
– Giro (binär)
– Kredit (binär)
– Riester (binär)
– Zins (binär)
– Depot (binär)
– Beziehungsdauer (nominal 5 Klassen)
– Klasse (nominal 5 Klassen)
– Umsatz (interval 115-4365)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 54
Erstellung von Standardprognosemodellen
• Vorgehen:
– Aufgrund der Daten in Kundendaten_200806 Modelle entwicklen, welche Prognosen
für Produktabschlüsse erstellen
– Prognosen werden mit den tatsächlichen Daten aus Kundendaten_200812 verglichen
und anhand der Misclassification Rate und dem Fehler zweiter Art bewertet
– Um ein möglichst optimale Prognosemodelle zu erhalten werden zunächst drei
Standardmodelle erstellt und davon das geeignetste weiter optimiert
– Bevorzugt wird nach Möglichkeit der Entscheidungsbaum, da er viele positive
Eigenschaften wie Verständlichkeit und hohe Performance besitzt
– Ausschluss von Kundendaten, welche durch Kampagnen angesprochen wurden, um
die Ergebnisse nicht zu verfälschen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 55
Erstellung von Standardprognosemodellen
• Anlegen zwei parraleler Datenstränge
für je Trainings bzw. Validierungsdaten
aus Kundendaten_200806 und
Testdaten aus Kundendaten_200812
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 56
Erstellung von StandardprognosemodellenEinstellungen
• "Umsatz" aus Datensatz ausschiessen, da indirekt im Kundenwert
enthalten:
• "Anlegen von fünf Pfaden (mit je zwei Datenstängen) für jedes Produkt,
Jeweiliges Produkt als Target definieren:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 57
Erstellung von StandardprognosemodellenEinstellungen
• Künstliches Angleichen der Verteilung in den Target Variablen, um
neutralen Trainigsdatensatz zu erhalten:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 58
Erstellung von StandardprognosemodellenEinstellungen
• Datenstränge für Trainig, Validierung und Test aufteilen:
• Standardmodelle des Künstlichen Neuronalen Netzes, der Regresion und des Entscheidugnsbaums erstellen:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 59
Erstellung von StandardprognosemodellenVergleich
• Standartmodelle im Assesment-Node vergleichen:
• Besonders geeignetes Modell auswählen, welches weiter zu optimieren ist:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 60
Optimierungen
• Wichtigstes Bewertungskriterium ist die Missclasifiation Rate im Testdatensatz und der Prozentuale
Fehler zweiter Art
• Wenn alle Standartmodelle auf ähnlichen Niveau sind wird der Entscheidungsbaum versucht zu
optimieren
• Wenn sich größere Abweichungen ergeben werden zusätzlich zum Entscheidungsbaum auch andere
Modelle optimiert
• Optimierung Entscheidungsbaum: Absenkung es Signigikanzlevels im Chi-Quadrat Test, Absenkung der
minimalen Beobachtungen je Blattkonten, Erhöhung der benötigten Beobachtungen für jede Split-Suche
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 61
OptimierungenEinstellungen
• Optimierungen Künstliches Neuronales Netz: Modelauswahl Kriterium auf Misclassification Rate ändern, Versteckte Neuronen erhöhen, direkte Verbindungen zulassen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 62
OptimierungenEinstellungen
• Optimierungen Regression: Methode auf Backward ändern, Validation
Misclassification als Kriterium wählen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 64
PrognosemodelleGiro
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0.0586713728
- Optimiert: 0.0597251027
- Verschlechterung um 0,1%
• Tree: 0.1738551315
- Optimiert: 0.1620013139
- Verbesserung um 1,2%
• Regression: 0.2132549094
• Neuronales Netz ist bestes Modell, konnte aber nicht weiter optimiert werden. Entscheidungbaum konnte auch mit optimierungen nicht entsprechend verbessert werden
Neuronales Netz wird als Prognosemodell für Grio genommen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 65
PrognosemodelleGiro
• Fehler zweiter Art von 4,7%
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 66
PrognosemodelleKredit
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0.0032127169
• Tree: 0.0019142331
- Optimiert: 0.0014273017
- Verbesserung um 0,05%
• Regression: 0.003813008
• Alle Modelle liegen nah beieinander auf sehr hohem Nivau
• Der Entscheidungsbaum konnte somit auch nicht mehr nennenswert optimiert werden.
Optimierter Entscheidungsbaum wird als Prognosemodell für Kredit genommen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 67
PrognosemodelleKredit
• Sehr geringer Fehler zweiter Art von nur 0,8%
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 68
PrognosemodelleKredit
• Entscheidungsregeln im optimierten Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 69
PrognosemodelleRiester
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0.2605778768
- Optimiert: 0.2564376715
- Verbesserung von 0,4%
• Tree: 0.3665022092
- Optimiert: 0.2368728181
- Verbesserung um 12,9%
• Regression: 0.2132549094
• Entscheidungsbaum mit Abstand am schlechtesten
• Optimierungen bei anderen Modellen versprach kein Erfolg
• Optimierung bei Entscheidungsbaum verbessern Ergebnis signifikant, sodass Ergbnis vergleichbar wird mit den der anderen Modelle.
optimierter Entscheidungsbaum wird als Prognosemodell für Riester genommen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 82
Für eine Bewertung der Kampagne wird nun untersucht, ob die angeschriebenen Kunden im Verhältnis einen höheren Umsatz erzeugt haben als die Kunden, die nicht angeschrieben wurden (also die Kontrollgruppe). Dazu kann einmal der Gesamtumsatz betrachtet werden, zur besseren Deckungsbeitragsbewertung ist jedoch die Betrachtung des Umsatzes besser, der ausschließlich mit dem beworbenen Produkt erzielt wurde.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 83
Kreditmailing - Vergleich
Ermitteln der Anzahl der angeschriebenen Kunden für die Kampagne:
• Alle Kunden in Wirkgruppe=1 mit Kampagnename = Kreditmailing sind die Wirkgruppe (32.680 Kunden)
• Alle Kunden in Wirkgruppe=0 mit Kampagnename = Kreditmailing sind die Kontrollgruppe (3.610 Kunden)
• Für die Bewertung des Prognosemodells wurde ein Modell für Kredit auf Basis der Kundendaten mit Stand 200805 prognostiziert, wobei für dsa Training alle Kunden gefiltert wurden, die an Kampagnen teilgenommen haben.Die ermittelten Kunden mit einer Kreditkaufwahrscheinlichkeit werden anschließend nach Wahrscheinlichkeit gescored.
Für eine Bewertung anhand der gemachten Kampagne wurden nur die Kunden angeschrieben, die sowohl in der Kampagne Kreditmailing aufgeführt waren als auch vom eigenen Prognosemodell als "Kaufkunden" bewertet wurden.Daraus ergibt sich eine Wirkgruppe mit 32183 Kunden. Die Kontrollgruppe bleibt gleich.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 84