Adatbányászat üzleti szemmel II. rész

108

Harmati Attila

Harmati Attila

Adatbányászat üzleti szemmel II. rész A cikk az adatbányászat technológiájának gyakorlati alkalmazását szemlélteti egy – a szerző által készített – adatbányászati projekt bemutatása révén. Az esettanulmány elkészítésének célja egy osztályozási modell kialakítása volt logisztikus regressziós modellek, döntési fa és neurális háló felhasználásával. A megfelelő eljárás megtalálásával az adatállományt nyújtó vállalat egy jövőbeli direktmarketing-akcióhoz kapcsolódóan tudatosan jelölheti ki azon ügyfelek körét, akik egy személyes levélre nagy valószínűséggel kedvezően reagálnának. A potenciálisan kedvező ügyfelek ezáltal hatékonyabban érhetőek el a véletlen kiválasztáshoz képest, így növelve a vállalat hatékonyságát és eredményességét. Az eredmények általánosítása alátámasztja az adatbányászat üzleti célú felhasználásának számos előnyét.1 JEL kód: C25, C44, C45, C49, C88 Kulcsszavak: adatbányászat, osztályozás, direktmarketing, SAS®, SEMMA

Bevezetés A tanulmány jelen részében bemutatásra kerülő esettanulmány vezérfonalát a projekt elkészítéséhez felhasznált SAS® Enterprise MinerTM adatbányászati szoftver elemzési logikája alkotja. Ez öt fő lépésből áll, mely a mintavételezést, a feltárást, a módosítást, a modellépítést és az értékelést jelenti. Ezen lépések angol megfelelőiből, azaz a Sample, az Explore, a Modify, a Model és az Assess szavakból képzett SEMMA akronímával egyetlen szóba foglalható össze a projektkészítés folyamata. A szoftver segítségével elkészíthető adatbányászati projekt során a felhasználható eszközök igen gazdag választéka az egyes lépéseknek megfelelő csoportosításban találhatóak meg, melyek ezenfelül az egyéb eszközöket is felvonultató Utility kategóriával egészülnek ki (SAS 2006). Sample mint mintavételezés Egy adatbányászati projekt első lépése az elemezni kívánt adatok részének vagy egészének munkafolyamatba importálása, illetve annak több részre történő felosztása a további lépések hatékonyabbá tétele érdekében. Ezeket az Enterprise MinerTM-ben a mintavételezésről Harmati Attila a Debreceni Egyetem Közgazdaságtudományi Karának végzett hallgatója. E-mail: harmatiati@gmail. com 1 A szerző köszönetet mond az elemzéshez felhasznált adatállományt biztosító vállalatnak és segítőkész munkatársainak, valamint dr. Ispány Mártonnak és Varga Sárának a tanulmány kapcsán nyújtott hasznos tanácsaikért.

Adatbányászat üzleti szemmel II. rész

109

elnevezett eszközcsoport segítségével lehet megtenni, mely lépésben mindenekelőtt a használandó adatállományt kell a projektbe helyezni (SAS 2006). Az esettanulmány elkészítéséhez egy magyarországi telekommunikációs vállalat által nyújtott, 7500 egyedből álló minta2 került felhasználásra. A minta eredeti formájában egy egyedazonosító mellett 1 területi, 14 időbeli és 109 tárgyi, utóbbin belül 23 minőségi és 86 mennyiségi változót tartalmazott, melyek az ügyfelek demográfiai és szociológiai jellemzői mellett azok tranzakciós magatartását reprezentálják egy három hónapos adatsor átlagolása révén. Ezen ügyféljellemzők mellett két változó egy korábbi, telefonegyenleg-feltöltésre ösztönző direktmarketing-kampány pozitív, illetve negatív hatását, és az esetleges pozitív hatás összegszerű mértékét is bemutatja az egyes ügyfelekre vonatkozóan. Az adatok könnyebb kezelhetősége érdekében – azok importálása előtt – a szükséges változókra a Microsoft® Office Excel® programban kódolást alkalmaztunk, mely révén a területi és minőségi változók zömét numerikussá alakítottuk. Ezzel párhuzamosan az időbeli változókat különbségképzés révén eltelt napokká transzformáltuk át. Ezek eredményeként és 4 feleslegessé vált időbeli változó3 mellőzésével a minta elemzésre felkészített állapotában az egyedazonosító mellett 118 mennyiségi változót és csupán 2 minőségi változót tartalmaz. Az adatok Enterprise MinerTM projektbe illesztését a metaadatok létrehozása kell hogy kövesse a Metadata menüpont által (SAS 2006). A metaadat Berry – Linoff (1997) megfogalmazásával élve adat az adatról, mely az adattáblában szereplő adatok fizikai szerkezetét, tehát az adatbázis vázlatát jelenti. Egy szemléletesebb definíció szerint ez „egy másik adatot leíró adat, amely összefoglalja az adat használatára vonatkozó összes fontos tényt” (Márkus 1994:23.). Ilyen tényeket jelent az egyes változókra vonatkozóan azok mérési szintje, illetve azok elemzésben betöltött szerepe. A program ezeket megvizsgálja, azonban szükség esetén korrekciós lehetőség is van. Módosításra volt szükség például a korábbi marketingkampány kimenetének milyenségét leíró változó célváltozóvá tétele4, illetve az egyenlegfeltöltés összegét leíró változó mellőzésének beállítása érdekében. Az adatokban rejlő információk feltárási folyamatának megkezdése előtt az adatállományt a Data Partition elnevezésű menüpontban három részre osztottuk fel: egy tanuló-, egy érvényesítő- és egy tesztelőállományra. Általánosságban elmondható, hogy a modellek előzetes felépítése a tanulóállomány segítségével történik. Ezt támogatandóan, pontosabban felügyelendően a modelleket közvetve lehet finomítani és időben leállítani az érvényesítőállomány használatával, míg a tesztelőállománnyal a modellek értékelése történik (SAS 2006). Ezek arányait 40, 30, 30%-ban határoztuk meg, melyekhez a szükséges megfigyelési egységeket – azaz a rekordokat – a program rétegzett mintavételi móddal választotta ki, így biztosítva a három állományban a célváltozó kimenetének azonos arányát (SAS 2008).

Hangsúlyozni szükséges a minta teljes mértékű anonimitását. Feleslegessé vált az adatfelvétel egységes időpontját bemutató változó, valamint a szerződés aktiválásának, a hűségszerződés létrehozatalának és lejártának dátumát bemutató változó, mivel az eredeti minta tartalmazta a szerződés élettartamát, a hűségszerződés hosszát, illetve az abból még hátralévő időt reprezentáló változókat. 4 A mintavételezés módjáról a célváltozó ismeretében lehet érdemben szólni. Ez a koncentrált kiválasztás módszere volt a pozitívan reagáló ügyfelek megfelelően magas arányának biztosítása érdekében. 2 3

110

Harmati Attila

Explore mint feltárás A hipotézisek felállítása, valamint a modellek helytálló felépítése érdekében az elemzőnek meg kell ismernie az elemzés tárgyát képező adatokat, mely folyamat során az alapvető összefüggések és trendek feltárására van szükség (SAS 2006). A feltárás kategóriájában található MultiPlot elnevezésű eszköz segítségével grafikus megjelenítésben vizsgálhatók az egyes változók osztályonkénti gyakoriságai, például A feltárás kategóriájában MultiPlot elnevezésű eszköz segítségével grafikus oszlopdiagramok formájábantalálható (SAS 2006). Erre látható példa az 1. ábrán, mely az utolsó megjelenítésben vizsgálhatók az egyes változók osztályonkénti gyakoriságai, például indított hívás óta eltelt időt reprezentáló változó tanulóállományra eső részének gyakorisági oszlopdiagramok formájában (SAS 2006). Erre látható példa az 1. ábrán, mely az utolsó eloszlását szemlélteti.5 indított hívás óta eltelt időt reprezentáló változó tanulóállományra eső részének gyakorisági eloszlását szemlélteti.5 1. ábra Az utolsó indított hívás óta eltelt idő tanulóállomány-beli gyakorisági sora 1. ábra Az utolsó indított hívás óta eltelt idő tanulóállomány-beli gyakorisági sora

Megjegyzés: Az abszcisszán az eltelt idő napokban, az ordinátatengelyen az adott időszakhoz Megjegyzés: Az abszcisszán az eltelt idő napokban, az ordinátatengelyen az adott időtartozó szakhoz gyakorisági érték százalékában van megadva. A fekete szín a célváltozó adott tartozó gyakorisági érték százalékában van megadva. A fekete szín a célváltozó időtartamhoz tartozó negatív kimenetét, piros szín pedig annak kimenetét érzékelteti. adott időtartamhoz tartozó negatív a kimenetét, a piros szín pedigpozitív annak pozitív kimenetForrás: ét saját készítés. érzékelteti. Forrás: saját készítés.

Egy másik feltárást szolgáló, StatExplore elnevezésű többfunkciós eszközzel a változók eloszlása és alapvető mutatói ismerhetők (SAS 2006). Ezek hozzásegítik Egy másik feltáráststatisztikai szolgáló, StatExplore elnevezésűmeg többfunkciós eszközzel a változók az elemzőt a további kutatás céljából kijelölendő változók megtalálásához, előzőeken felül eloszlása és alapvető statisztikai mutatói ismerhetők meg (SAS 2006). Ezek hozzásegítik például a korrelációs együtthatók meghatározása által, mellyel a redundáns változók az elemzőt a további kutatás céljából kijelölendő változók megtalálásához, előzőeken felismerhetővé felül például válnak. a korrelációs együtthatók meghatározása által, mellyel a redundáns változók felismerhetővé válnak. Alapstatisztikai vizsgálatok Alapstatisztikai vizsgálatok A projekt ezen szakaszában az elemzés látókörének szélesítése érdekében a minta alapvető A projekt ezen részletes szakaszában az elemzés látókörének a minta alapvető Enterprise érdekében GuideTM statisztikai szoftver tulajdonságainak megismeréséhez a SAS® szélesítése ® TM részletesis megismeréséhez általtulajdonságainak nyújtott lehetőségeket felhasználtuk. a SAS Enterprise Guide statisztikai szoftver által nyújtott lehetőségeket is felhasználtuk. A mennyiségi változókra vonatkozóan az alapvető helyzet-, szórás- és alakmutatók kiszámítása alapján az ügyfelekről általánosságban elmondható, hogy 98,7%-uk 5 Az osztályhatárokakik önkényesen kerültek meghatározásra. magánelőfizető, mindegyike előre fizet a telekommunikációs szolgáltatásért, így – az esettanulmány terminológiájához igazodva – a prepaid előfizetési kategóriába tartozik6. Az ügyfelek többsége olyan előfizetési díjcsomaggal rendelkezik, mely által a nap bármely szakában bármely vezetékes, illetve a szolgáltató számára konkurens hálózatba egységes díjért tud telefonálni. Ebből a tranzakciós szokásokat reprezentáló változók megismerése előtt


111

A mennyiségi változókra vonatkozóan az alapvető helyzet-, szórás- és alakmutatók kiszámítása alapján az ügyfelekről általánosságban elmondható, hogy 98,7%-uk magánelőfizető, akik mindegyike előre fizet a telekommunikációs szolgáltatásért, így – az esettanulmány terminológiájához igazodva – a prepaid előfizetési kategóriába tartozik6. Az ügyfelek többsége olyan előfizetési díjcsomaggal rendelkezik, mely által a nap bármely szakában bármely vezetékes, illetve a szolgáltató számára konkurens hálózatba egységes díjért tud telefonálni. Ebből a tranzakciós szokásokat reprezentáló változók megismerése előtt – az ügyfelek racionális magatartását feltételezve – az a következtetés vonható le, hogy azok kommunikációs partnereinek többsége valószínűleg nem az érintett szolgáltatóhoz tartozik. A demográfiai jellemzők alapján megállapítható, hogy a mintában szereplő ügyfelek 56,4%-a férfi, átlagéletkoruk 39,5 év, jellemzően egyedülállóak és középfokú végzettséggel rendelkeznek. A szolgáltatóval való szerződéskötés helyéből arra lehet következtetni, hogy a mintában szereplő ügyfelek túlnyomó többsége vidéki lakos. Ezek a szerződések jellemzően hűségszerződés nélküliek – az ügyfelek mindössze 0,25%-nak van hűségszerződése –, és átlagosan 32 hónapos, így frissnek egyáltalán nem tekinthető kapcsolatot jeleznek a szolgáltató és ügyfele között. Az igénybe vett szolgáltatásokat szemlélve az látható, hogy a speciálisnak nevezhető, kiegészítő szolgáltatások – úgymint a WAP, a roaming és az e-mail – az ügyfeleknél jellemzően nincs aktiválva, bár a szintén ebbe a kategóriába tartozó MMS-szolgáltatás az ügyfelek 18,9%-ánál aktív. Az egyenlegfeltöltések átlagos száma a három hónapos időtartamra vonatkozóan 0,046, ennek megfelelően ezer ügyfélből egy-egy feltöltést átlagosan 46 fő hajtott végre ez időszak alatt. Az utolsó feltöltési alkalom óta az adatfelvétel időpontjáig ügyfelenként átlagosan 173 nap telt el, a telefonálási aktivitást tekintve pedig a három hónapos használat összege ügyfelenként átlagosan 958 forint. Míg a kimenő hívások hossza átlagosan 16,7 perc, és az utolsó indított hívás óta átlagosan 56 nap telt el, addig a bejövő hívások hossza ügyfelenként 55,4 perc, és az utolsó fogadott hívás óta 120 nap telt el. Az üzenetküldési aktivitást szemlélve az látható, hogy három hónap alatt átlagosan 2,4 darab SMS-üzenetet küldtek az ügyfelek, és az utolsó üzenet küldése óta 315,9 nap telt el. A fogadott üzenetek száma ügyfelenként átlagosan 20,2 darab, és az utolsó fogadása óta átlagosan 63,5 nap telt el. A direktmarketing-kampány hatását bemutató változók értékeiket annak megfelelően veszik fel, hogy a kampány egy adott személynél elérte-e a célzott hatást, és ha igen, akkor milyen összeggel történt az egyenlegfeltöltés. A hatás milyenségét bemutató bináris változó számtani átlaga 0,1463, így megállapítható, hogy a megkeresettek 14,63%-ára volt hatással a kampány, 85,37%-uk pedig nem reagált. A hatás mértékét bemutató változó számtani átlaga 809 forint, szórása pedig 2806,14 forint. Ez azt jelenti, hogy a 809 forintos átlagos egyenlegfeltöltéstől a megkeresettek átlagosan 2806,14 forinttal eltérő összeget költöttek mobilszolgáltatójuknál. De mivel a negatív egyenlegfeltöltés a gyakorlat szempontjából használhatatlan információ, ezért a figyelem a változó relatív szórására kell hogy koncentrálódjon, ami 3,468, azaz 346,8%. Ebből egyértelműen látható, hogy a pozitívan 6 Ebben a perspektívában az ügyfelek két kategóriája különböztethető meg, a prepaid és a postpaid kategória. Előbbi esetén adott ügyfél az igényelt szolgáltatásokat előre, egy összegben fizeti ki, utóbbi esetben pedig a szolgáltatások árát nagyobb időközönként, például havonkénti gyakoriságban törleszti (Ary – Imre 2006).

112

Harmati Attila

reagálók esetében jelentősen eltérő összegekkel valósult meg a kívánt hatás, és erről tanúskodik az igen extrém, 71 800 forintos maximum is. Függőség-, függetlenség-vizsgálat Bármely két változó közti kapcsolat vizsgálata alapjában az azok közötti összefüggések, okokozati kapcsolatok és ható tényezők feltárását és elemzését jelenti (Hunyadi – Vita 2004). Előbbiek részletes megismerése érdekében ismét az eszközök széles eszköztárát felvonultató Enterprise GuideTM szoftvert használtuk fel. A változók közti kapcsolatok számszerűsítésére mérési szintjüknek megfelelően másmás módszerek és mutatók alkalmazandók, a mérési skálák különböző kombinációi esetén pedig alapkövetelmény, hogy a gyengébb skálának megfelelő kapcsolati típushoz tartozó vizsgálati módszer kerüljön felhasználásra (Hunyadi – Vita 2004). A korábbi direktmarketing-kampány hatását bemutató változót leginkább befolyásoló tényezők megtalálása érdekében a kampány hatására történt egyenlegfeltöltési összegeket bemutató – arányskálán mért – változó7 és a 21 nominális, a 93 arány-, illetve a 2 sorrendi skálán mért változó között fennálló kapcsolatok mértékét vizsgáltuk8. Azonban a kapcsolatok erősségét reprezentáló mutatók megismerése önmagában egyetlen elemzőt sem győzhet meg egyértelműen az egyes változók mellőzhetőségéről, mivel azokat igen jelentősen befolyásolhatják a kiugró, extrém értékek. A döntéshez egy magasabb szintű statisztikai eljárásra, a hipotézisvizsgálatra is szükség van. Az egyes változók és a direktmarketing-kampány hatását bemutató változó közötti kapcsolatok szignifikánsságának megerősítésére alkalmazott hipotézisvizsgálat során a minimálisan elvárható 95%-os biztonsági szintet, azaz 5%-os szignifikanciaszintet tartottuk szem előtt. A nominális változók közt fennálló kapcsolatok szignifikánssága a Pearson-féle khinégyzet-próba által vizsgálható (Hunyadi – Vita 2004). Ettől eltérő módszer alkalmazandó az arány-, illetve sorrendi skálán mért változók kapcsolatának tesztelése, a vizsgálat ez esetben a Fisher-féle z-transzformáció felhasználásával végezhető el (lásd Fisher 1915). A próbák eredményéül adódó p-értékek9 alapján mindössze 7 nominális és 66 arányskálán mért változóról állítható 95%-os biztonsággal, hogy azok szignifikáns kapcsolatban állnak a direktmarketing-kampány eredményét reprezentáló változóval. Az eredmények tükrében összegzésként megállapítható, hogy a vizsgált 116 változóból 73 bizonyult szignifikánsnak a kampányreakció alakulásának tekintetében, mely a figyelem koncentrálása révén a további elemzés szempontjából igen kedvezőnek tekinthető.

7 Az egyenlegfeltöltési összegeket reprezentáló változó 0 értéket ugyanazon ügyfelek esetén vesz fel, mint a kampányreakciót bemutató bináris változó. 8 Nominális skálán mért változók esetén a Cramer-féle asszociációs együtthatót, arányskálán mért változók esetén a Pearson-féle lineáris korrelációs együtthatót, sorrendi skálán mért változók esetén pedig a Spearman-féle rangkorrelációs együtthatót alkalmaztuk. 9 Fontos kiemelni, hogy a Fisher-féle z-transzformációt alkalmazó próbák esetén a kétoldali alternatív hipotézis miatt a próbafüggvény értékéből számított szignifikanciaszint kétszerese a p-érték.


113

Modify mint módosítás Az adatok megismerése után következő lépés a változók szükség szerinti módosítása, például az extrém értékek10 kezelése, valamint a változók átalakítása a jobb, tehát pontosabb és nagyobb teljesítményű modellek megalkotásának elősegítése érdekében (SAS 2006). A változók átalakítása két eltérő módon valósítható meg. Az egyik út a feltárás folyamatában relevánsnak ítélt, így elemezni kívánt változók kiugró és hiányzó értékeinek kezelésén túl új változók létrehozását jelenti a meglévők transzformálása által. A másik módszer a feltárás eredményéül adódó változószelekció figyelmen kívül hagyásával új változók létrehozását, majd azok szelektálását jelenti az egyes változókhoz tartozó értékek csoportokba foglalása által (SAS 2008). Változók módosítása Az adatok módosításának első módszere során mindenekelőtt a szélsőséges értékeket felvonultató változók kezelése szükséges, melyre a Filter elnevezésű eszköz alkalmazható. Ezen értékek tanulóállomány-beli jelenlétének feltárására különböző lehetőségek állnak rendelkezésre, például a nagy szóródással rendelkező vagy egyszerűen a ritka értékek megkeresése (SAS 2006). Előbbi módszert az intervallumváltozókra alkalmaztuk oly módon, hogy az átlagtól háromszoros szórásnyi távolságon túl eső értékeket tekintettük extrémnek. A kategóriaváltozókra a ritka értékek kritériumát használtuk fel azon feltételezés mellett, hogy az 1%-tól kisebb relatív gyakoriságú értékeket ítéltük szélsőségesnek. Az így meghatározott kiugró értékeket a további vizsgálatok torzításának csökkentése érdekében kiszűrtük. Az extrém értékek eltávolítása után a hiányzó értékek pótlása szükséges, mivel egyes modellépítési eljárások – például a regressziók – nem alkalmasak azok kezelésére. Ezt az Impute elnevezésű eszköz segítségével lehet megtenni, mely több választási lehetőséget is felvonultat (SAS 2006). Az intervallumváltozók hiányzó értékeinek pótlására azok egyszerű számtani átlagát, a kategóriaváltozók szükséges pótlására pedig azok leggyakrabban előforduló értékeit használtuk fel. A hiányzó értékek pótlásán kívül ebben az eszközben adható meg a hiányzó értékek azon maximális aránya, mely felett a szoftver egy adott változót a továbbiakban mellőzendőnek ítél (SAS 2008), ezt 50%-ban határoztuk meg. A kiugró értékek kiszűrése és a hiányzók pótlása után az új változók létrehozása következhet a már meglévők transzformálása által a Transform Variables menüpontban11. A transzformáció használata által stabilizálható az egyes változók varianciája, javítható normalitása, és eltávolítható nem-linearitása (SAS 2006). Intervallumváltozók esetén a logaritmikus transzformációt preferáltuk annak kedvező tulajdonságai miatt, kategória változók esetén viszont nem alkalmaztunk transzformációt.

10 A szélsőséges értékek alapvetően a valóságnak megfelelő, de szokatlanul extrém, valamint a hibás adatokat jelentik. Utóbbi származhat például gépelési pontatlanságból. 11 A menüpont lehetőséget nyújt változóbővítésre is, például arányváltozók képzése által.

tat (SASImpute 2006).elnevezésű Az intervallumváltozók hiányzó értékeinek pótlására azokválasztási egyszerű lehetőséget eszköz segítségével lehet megtenni, mely több i átlagát, a kategóriaváltozók pótlására hiányzó pedig azok leggyakrabban felvonultat (SAS 2006). Azszükséges intervallumváltozók értékeinek pótlására azok egysze ló értékeit használtuk fel. A hiányzó értékek pótlásán kívül ebben az eszközben számtani átlagát, a kategóriaváltozók szükséges pótlására pedig azok leggyakrabb Harmati Attila 114 értékek azon maximális aránya, meg a hiányzó felett a szoftver egy adott előforduló értékeit használtuk fel. A mely hiányzó értékek pótlásán kívülváltozót ebben az eszközb iakban adható mellőzendőnek ítél (SAS 2008), ezt 50%-ban határoztuk meg. meg a hiányzó értékek azon maximális aránya, mely felett a szoftver egy adott válto Az adatok módosítására második módszer az új Interactive Binning menüpont ugró értékek kiszűrése és a használható hiányzók pótlása utáneztaz50%-ban változók létrehozása a továbbiakban mellőzendőnek ítél (SAS 2008), határoztuk meg. segítségével hajtható végre. Ez esetben a modellezésre felhasználandó változók kiválasztása 11 zhet a máraA meglévők transzformálása által a Transform Variables menüpontban .A 12 kiugró értékek kiszűrése ésmeg. a hiányzók pótlása után új változók alapozva történik A mutató kiszámítása előtt aaz változók értékeit létrehoz Gini-statisztikára 11 rmáció következhet használata által stabilizálható az adott egyes változók varianciája, javítható 13 már meglévők transzformálása által aképzett Transform Variables menüpontban . csoportokbaakell sorolni oly módon, hogy változóhoz csoportok eseményrátái ása, éstranszformáció eltávolítható nem-linearitása (SAS 2006). Intervallumváltozók esetén a használata által stabilizálható az egyes változók varianciája, javíth minél eltérőbbek legyenek (SAS 2008). Ennek érdekében csoporthatárokként a változók ikus normalitása, transzformációt preferáltuk annak kedvező tulajdonságai miatt,így kvartiliseit határoztuk meg. Az ígynem-linearitása létrehozható változószelekció révénIntervallumváltozók az osztályozás, és eltávolítható (SAS 2006). esetén azesetén előrejelzés erősebbé a modellek túlillesztése pedig aváltozók viszont nem válhat, alkalmaztunk transzformációt. logaritmikus transzformációt preferáltuk annakelkerülhető. kedvezőA kategorizálást tulajdonságai mi – mint transzformációt – kategóriaváltozóknál akkor hasznos alkalmazni, ha az sok értéket kategóriaváltozók esetén viszont nem alkalmaztunk transzformációt. vehet fel, és számos értékhez tartozó gyakoriság elenyésző szintű. Intervallumváltozók ok módosítására használható második módszer az Interactive Binning menüpont esetén ez a transzformáció akkor előnyös, ha annak kapcsolata a célváltozóval nem lineáris, ével hajtható végre. Ez esetben a modellezésre felhasználandó változók kiválasztása a Azés egyéb, adatokpéldául módosítására használható második módszer Binning menüpo logaritmikus transzformációval sem tehető azzá az (SASInteractive 2008). 12 tisztikára alapozva történik meg. A mutató kiszámítása előtt a változók értékeit segítségével hajtható végre. Ez esetben a modellezésre felhasználandó változók kiválasztás A felhasznált Gini-statisztika az inputváltozók célváltozóra vonatkozó szeparálási 13 12 kba kellGini-statisztikára sorolni olytehát módon, hogy adott változóhoz képzett csoportok alapozva történik meg. A mutató kiszámítása előtt mértéke a változók érték képességét, a diverzitást méri oly módon, hogy értékének egyreeseményrátái nagyobb egyre nagyobb diverzitást, tehát a változóhoz képzett egyreképzett eltérőbbaeseményrátáit ltérőbbek legyenek (SAS 2008). érdekében csoporthatárokként változók eseményrátá csoportokba kell sorolni olyEnnek módon, hogy adottosztályok változóhoz csoportok mutatja (Lucas 2004). Ennek (SAS figyelembevételével a változók azokat tekintettük eit határoztuk meg. Az így létrehozható változószelekció révén azközül osztályozás, így az minél eltérőbbek legyenek 2008). Ennek érdekében csoporthatárokként a változ relevánsnak, melyek Gini-statisztikája meghaladta a 20-at. Ezáltal a 118 inputváltozóból és erősebbé válhat, a modellek túlillesztése pedig elkerülhető. A kategorizálást – kvartiliseit határoztuk meg. Az így létrehozható változószelekció révén az osztályozás, így már csak 29 maradt informatív a további elemzés szempontjából. nszformációt – kategóriaváltozóknál akkor hasznos alkalmazni, az sok értéket előrejelzés erősebbé válhat, a modellek túlillesztése pedig ha elkerülhető. A kategorizálás Az eljárást szemléltető példa kiindulópontja az 1. ábrán bemutatott gyakorisági eloszlás, l, és számos értékhez tartozó gyakoriság elenyésző szintű. Intervallumváltozók esetén mint transzformációt kategóriaváltozóknál akkor hasznosazalkalmazni, ha az sok érté melyen jól látható, hogy– 180 nap eltelte után már nem számottevő egyes kategóriákba nszformáció akkor előnyös, ha annak kapcsolata a célváltozóval nem lineáris, és vehet fel, és számos értékhez tartozó gyakoriság elenyésző szintű. Intervallumváltozók ese eső elemek száma, így ez esetben a csoportosítás hasznosnak tűnik. A változó kvartilisei éldául logaritmikus transzformációval sem tehető azzá (SAS 2008). eza a6.,transzformáció akkor előnyös, ha annak kapcsolata a célváltozóval nem lineáris, 27. és 98. nap, melyek helyett azonban a differenciáltabb pozitív célváltozó-kimenet érdekében kisebb módosítást követően csoporthatárként az 5.,vonatkozó 24. és 92. napot definiáltuk. elhasznált Gini-statisztika az inputváltozók célváltozóra szeparálási egyéb, például logaritmikus transzformációval sem tehető azzá (SAS 2008). első csoportban hiányzó értékek szerepelnek, a másodikban az 5 naptól kisebb értékű szeparál felhasznált azértékének inputváltozók célváltozóra vonatkozó gét, tehát Az aAdiverzitást mériaGini-statisztika oly módon, hogy egyre nagyobb mértéke egyre megfigyelések, a harmadikban az 5, illetve az 5. és 24. nap közti, a negyedikben a 24, illetvemértéke egy képességét, a diverzitást méri oly módon, hogy nagyobb diverzitást, tehát tehát a változóhoz képzett osztályok egyreértékének eltérőbb egyre eseményrátáit a 24. és 92. nap közti, az ötödikben pedig a 92 naptól nagyobb értéket felvevő megfigyelések diverzitást, tehát a változóhoz képzett osztályok egyretekintettük eltérőbb eseményrát (Lucasnagyobb 2004). Ennek figyelembevételével a változók közül azokat találhatók. Az elkészített csoportosítás grafikus megjelenítése a 2. ábrán látható. mutatja (Lucas 2004). Ennek figyelembevételével a változók közül tekintett nak, melyek Gini-statisztikája meghaladta a 20-at. Ezáltal a 118 inputváltozóból azokat már melyek elemzés Gini-statisztikája meghaladta a 20-at. Ezáltal a 118 inputváltozóból m maradt relevánsnak, informatív a további szempontjából. csak 29 maradt informatív a további ljárást szemléltető példa kiindulópontja az elemzés 1. ábránszempontjából. bemutatott gyakorisági eloszlás, eljárást szemléltető példa az 1. gyakorisági eloszl jól látható,Az hogy 180 nap eltelte után márkiindulópontja nem számottevő azábrán egyesbemutatott kategóriákba eső melyen jól látható, hogy 180 nap eltelte után márAnem számottevő az egyes kategóriákba e száma, így ez esetben a csoportosítás hasznosnak tűnik. változó kvartilisei a 6., 27. elemek száma, így ez aesetben a csoportosítás hasznosnak tűnik. A változó kvartilisei a 6., ap, melyek helyett azonban differenciáltabb pozitív célváltozó-kimenet érdekében és 98. nap, melyek helyett azonban célváltozó-kimenet érdekéb módosítást követően csoporthatárként az 5.,a differenciáltabb 24. és 92. napotpozitív definiáltuk. Az első kisebb módosítást követően csoporthatárként az 5., 24. és 92. napot definiáltuk. Az e an a hiányzó értékek szerepelnek, a másodikban az 5 naptól kisebb értékű a hiányzó értékek szerepelnek, a amásodikban 5 illetve naptól a kisebb érté elések, csoportban a harmadikban az 5, illetve az 5. és 24. nap közti, negyedikbenaz a 24, megfigyelések, a harmadikban az 5, illetve az 5. és 24. nap közti, a negyedikben a 24, illetv

pont lehetőséget nyújt változóbővítésre is, például arányváltozók képzése által. 11 A menüpont lehetőséget nyújt változóbővítésre is, például arányváltozók képzése által. ahol i=1,…,m az adott változóban képzett ahol i=1,…,m az adott változóban képzett 12 12 ahol száma, i=1,…,m az adott változóban kép melyekre a kívánt számát jelöli, nipozitív, illetve ninegatív az i-dik osztályba tartozó azon egyedek pozitív negatív pozitív negatív negatívN n , illetve az adott változóhoz tartozó összes egyed száma, eljesül, illetve nemszámát teljesül, Nnipozitívni, illetve , nilletve az i-dik osztályba tartozó azon egyedek száma, melyekre a kív csoportok jelöli, csoportok számát jelöli, az i-dik osztályba tartozó azon egyedek száma, melyekre a kívánt esemény i i pozitív negatív összes egyed száma, melyek esetén teljesül, pozitív teljesül, illetve nem teljesül, , illetve NnegatívNaz adott, változóhoz etén teljesül, illetve nem teljesül (Lucas [2004]). illetve Ntartozó az adott változóhoz tartozó összes egyed szá esemény teljesül, illetveNesemény nem teljesül, illetve nem teljesül esemény (Lucas [2004]). melyek esetén teljesül, illetverelatív nemgyakorisága, teljesül esemény (Lucasképlettel [2004]). 13 eseményráta egy esemény így a következő definiálható: ahol npozitív azon ményráta egy Azesemény relatív gyakorisága, így a következő képlettel definiálható: ahol npozitív 13 összes Az eseményráta egy gyakorisága, ígypedig a következő képlettel definiálható: ahol np igyelések számát jelöli,számát melyekre a kívántarelatív esemény teljesül, n nösszes összes megfigyelés száma. megfigyelések jelöli,esemény melyekre kívánt esemény teljesül, pedig azazösszes megfigyelés száma. azon megfigyelések számát jelöli, melyekre a kívánt esemény teljesül, nösszes pedig az összes megfigyelés száma

6

Adatbányászat üzleti szemmel II. részértéket felvevő megfigyelések 24. és 92. nap közti, az ötödikben pedig a 92 naptól nagyobb 115 találhatók. Az elkészített csoportosítás grafikus megjelenítése a 2. ábrán látható. 2. ábra 2. ábra Egy változó értékeinek kategorizálása Egy változó értékeinek kategorizálása

Megjegyzés: Az abszcisszán a változó képzettcsoportok, csoportok, az ordinátatengelyen az Megjegyzés: Az abszcisszán a változóértékeihez értékeihez képzett az ordinátatengelyen az adott csoporthoz tartozó, a célváltozó pozitív arányátreprezentáló reprezentáló mutató látható. adott csoporthoz tartozó, a célváltozó pozitívkimeneti kimeneti arányát mutató látható. készítés. Forrás:Forrás: sajátsaját készítés.

Üzleti szempontok integrálása Üzleti szempontok integrálása Egy osztályozási feladat során két fajta hiba követhető el. Ezek az esettanulmányra Egyaktualizálva osztályozási során két fajta hiba követhető el. Ezek az esettanulmányra úgyfeladat fogalmazhatók meg, hogy elsőfajú hiba esetén a megkeresésre nem aktualizálva úgy fogalmazhatók meg, hogy elsőfajú hiba esetén a megkeresésre reagálók reagálók csoportjába kerülnek besorolásra bizonyos ügyfelek, akik valójában nem pozitívan csoportjába kerülnek besorolásra bizonyos ügyfelek, akik valójában pozitívan reagálnának, reagálnának, másodfajú hiba esetén pedig nem reagáló ügyfelek kerülnek a pozitívan másodfajú esetén pedig nem ügyfelek pozitívan reagálók csoportjába. reagálókhiba csoportjába. Előbbi egyreagáló potenciális ügyfél kerülnek elvesztését,a utóbbi felesleges megkeresési Előbbi egy potenciális ügyfél elvesztését, utóbbi felesleges megkeresési költséget jelent. A költséget jelent. A valós költség-haszon értékeket tükröző modellek felépítése érdekében valósaz költség-haszon értékeket tükröző modellek felépítése érdekében az egyes döntések egyes döntések következményeit definiálni kell (SAS 2006), amit az 1. táblázat foglal következményeit definiálni kell (SAS 2006), amit az 1. táblázat foglal magában. magában. 1. táblázat Döntési mátrix 1. táblázat Levél elküldése Döntési mátrix Nincs levélküldés Pozitív reakció Nincs reakció Pozitívsaját reakció Forrás: készítés. Nincs reakció

13,62 euró Levél elküldése –0,77 euró 13,62 euró –0,77 euró

0 euró Nincs levélküldés 0 euró 0 euró 0 euró

A táblázat a feltüntetett szituációkhoz tartozó profit-következményeket mutatja be azon Forrás: saját készítés. feltételezés mellett, hogy egy levél előállítása és postázása nagyságrendileg 200 forintba kerül, valamint az adatbázisban szereplő, pozitívan reagáló ügyfelek egyenlegfeltöltéseinek A táblázat feltüntetett szituációkhoz profit-következményeket mutatja be azon mediánja 3750a forint. Ez egy megkereséstartozó után 3550 forint profitot jelent. Ezeket, illetve a feltételezés mellett, hogy egy levél előállítása és postázása nagyságrendileg 200 forintba továbbiakban használandó összegeket az esettanulmány aktualitásának konzerválása kerül, valamint az adatbázisban ügyfelek egyenlegfeltöltéseinek érdekében a Magyar Nemzetiszereplő, Bank pozitívan 2008. reagáló november 26-án érvényes hivatalos mediánja 3750 forint. Ez egy megkeresés után 3550 forint profitot jelent. Ezeket, illetve devizaárfolyama alapján 260,68 forint/euró ráta alapján váltottuk át euróra (MNB 2008). a továbbiakban használandó összegeket az esettanulmány aktualitásának konzerválása A modellalkotás realitásának megőrzése érdekében a pozitív reakciók a priori érdekében a Magyar Nemzeti Bank 2008. november 26-án érvényes hivatalos 14 valószínűségét 4%-ban, a reakció meg. devizaárfolyama alapján 260,68 elmaradásának forint/euró ráta valószínűségét alapján váltottuk96%-ban át eurórahatároztuk (MNB 2008).

14

Az a priori valószínűségek az adatállományt nyújtó vállalat szakemberei segítségével kerültek

116

Harmati Attila

A modellalkotás realitásának megőrzése érdekében a pozitív reakciók a priori valószínűségét 4%-ban, a reakció elmaradásának valószínűségét 96%-ban határoztuk meg.14 Model mint modellépítés Az adatbázis előkészítése után következhet az adatbányászati projekt egyik leglátványosabb eleme, a modellépítés. Ennek során a feladat az adatok elemzése analitikus eszközökkel, például regressziók, döntési fák, neurális hálók és ezek kombinálása által létrehozott modellek készítése révén, melyek jó becsléseket, illetve előrejelzéseket képesek adni a célváltozó kimenetével kapcsolatban (SAS 2006). Az elkészített modellek teljesítményét két-két ábrával szemléltetjük, melyek a válaszarány és a válaszadók koncentrációs együtthatójának kumulatív mérőszámaira összpontosítják a figyelmet. A válaszarány adott kiválasztási arány mellett az ügyfelek azon hányadát mutatja meg, akik a vizsgált modell alapján – a populáció összetételét változatlannak feltételezve – egy megkeresésre várhatóan pozitívan reagálnának. Ehhez a fogalomhoz kapcsolódóan feltétlenül meg kell említeni a lift-érték mutatót, mely azt mutatja meg, hogy a célközönség adott százalékának a modell alapján történő megkeresésével elérhető válaszarány hányszorosa egy véletlen kiválasztásból eredő válaszaránynak, amit 4%-ban definiáltunk. A modellek teljesítményének teljesebb körű megismerését teszi lehetővé a válaszadók koncentrációs együtthatója, mely az összes potenciálisan jó ügyfél adott kiválasztási arány mellett található százalékos arányát mutatja meg (Coppock 2002).15 A modellek teljesítményét külön-külön bemutató ábrákon a kék színnel jelölt görbék a tanulóállományra, a piros színnel jelölt görbék pedig az érvényesítőállományra vonatkozó adatokat szemléltetik, így a figyelem a piros görbékre kell hogy koncentrálódjon. Logisztikus regressziós modellek A regressziós modellek felállítására alkalmas Regression elnevezésű eszközt az adatokra illesztendő lineáris és logisztikus regressziós modellek készítésére lehet alkalmazni (SAS 2006). A tanulmány első részében már kitértünk rá, hogy logisztikus regressziós modellek segítségével egy adott esemény bekövetkezési valószínűsége becsülhető. Ennek megfelelően az ügyfelek direktmarketing-kampányra adott reakciói bekövetkezésének valószínűségét függő változóként használó logisztikus regressziós modelleket készítettünk. A függő változó intervallumbeli korlátozottságát feloldandóan a logit transzformációt alkalmaztuk, a paraméterek becslésére pedig a megfigyelt esemény valószínűségét maximalizáló maximum likelihood módszert. A modellek felépítésének módjaként a Waldteszt és a likelihood-hányados teszt alkalmazása során szignifikánsnak tűnő változókat a modellbe egyenként bevonó, illetve azokat szignifikánsságuk megkérdőjelezésekor a modellből eltávolító stepwise eljárást használtuk, modellkritériumként pedig azt a módszert, mely a modell elkészítése során a várható profit maximalizálását, illetve az esetleges veszteség minimalizálását tartja szem előtt. A modellek használhatóságát reprezentáló Az a priori valószínűségek az adatállományt nyújtó vállalat szakemberei segítségével kerültek meghatározásra. A definiált mutatók az ábrák ordinátatengelyén – kumulatív értelemben – szerepelnek. Az abszcisszán az ügyfelek megcélozni kívánt százalékos aránya látható oly módon, hogy azok az aktuális modell előrejelzésére alapozva a megkeresésre történő pozitív reagálásuk becsült valószínűsége alapján csökkenő sorrendbe vannak állítva. 14 15


117

mutatók által a magyarázó változók hatásának mértékét a Nagelkerke-féle együtthatóval vettük figyelembe, a modellillesztés jóságát a Hosmer–Lemeshow-teszttel értékeltük. Ezen beállítások elvégzése után a vizsgálat sokszínűségének fenntartása érdekében két módon készítettük el a regressziós modelleket, mely módszerek a felhasznált adatok módosításában különböznek. Az első esetben a szűrés, helyettesítés, transzformálás hármasát alkalmaztuk, mivel a regressziós modellek nem képesek megfelelően kezelni a hiányzó és extrém értékeket, valamint az erősen nem lineáris változókat (SAS 2006).16 A második esetben hasonló okok miatt az Interactive Binnig eszköz segítségével elvégzett csoportokra bontás és szelekció után készítettünk regressziós modellt.17 Az első regressziós modell által felhasznált tényezők fontossági sorrendben az alábbiak: • Az egyik konkurens hálózathoz történő átirányítások számosságának logaritmusa, • Indított hálózaton belüli hívások számának logaritmusa, • Hívószámkijelzés aktivitása, • Másodpercben mért WAP-használat hosszának logaritmusa, • 1000–2000 forint18 egyenlegű napok számának logaritmusa, • 0–500 forint19 egyenlegű napok számának logaritmusa, • Utolsó fogadott SMS óta eltelt idő logaritmusa, • Fogadott hétvégi hívások hosszának logaritmusa, • Indított vezetékes hívások hosszának logaritmusa. Az ezekből a változókból felépített logisztikus regressziós modell teljesítményét a korábban ismertetett, a kumulált válaszarányt és a válaszadók kumulált koncentrációs arányát reprezentáló görbék segítségével szemléltetjük. A 3. ábráról a piros színnel jelölt érvényesítőállományra vonatkozóan leolvasható, hogy az első regressziós modell becslése alapján a legkedvezőbb várható reakciójúnak ítélt ügyfelek első 10%-ának megkeresése esetén 12,036%-os, 20%-uk megkeresésével pedig 8,693%-os pozitív válaszadás érhető el. Ezen adatok segítségével meghatározható a véletlenszerű megkeresés által elérhető válaszarányhoz viszonyított hatékonyságnövekedést bemutató kumulált lift-érték, mely jelen esetben 10% mellett 3,009-szeres, 20% mellett pedig 2,173-szeres javulást jelent.

Az így elkészített modell az érintett ábrákon annak angol megfelelője alapján a Regression nevet viseli. Az így elkészített regressziós modellre az ábrákon a Regression (2) elnevezéssel utalunk. 18 Az egyenlegösszeg 260,68 Ft/euró árfolyamon 3,83–7,67 eurónak felel meg. 19 Az egyenlegösszeg 0–1,92 eurónak felel meg. 16 17

A 3. ábráról a piros színnel jelölt érvényesítőállományra vonatkozóan leolvasható, hogy az első regressziós modell becslése alapján a legkedvezőbb várható reakciójúnak ítélt ügyfelek első 10%-ának megkeresése esetén 12,036%-os, 20%-uk megkeresésével pedig 8,693%-os pozitív válaszadás érhető el. Ezen adatok segítségével meghatározható a véletlenszerű Harmati Attila 118 megkeresés által elérhető válaszarányhoz viszonyított hatékonyságnövekedést bemutató kumulált lift-érték, mely jelen esetben 10% mellett 3,009-szeres, 20% mellett pedig 2,173szeres javulást jelent. 3. ábra 3. ábra Az első regressziós modell kumulált válaszarány-görbéje Az első regressziós modell kumulált válaszarány-görbéje

saját készítés. Forrás: Forrás: saját készítés.

A 4. ábrán látható, hogy a legvalószínűbben várhatóan pozitív választ adó ügyfelek első 10%A 4. ábrán látható, hogy a legvalószínűbben várhatóan pozitív választ adó ügyfelek első ának megkeresése esetén a várhatóan pozitívan reagálók 30,091%-át, az első 20%-uk 10%-ának megkeresése esetén a várhatóan pozitívan reagálók 30,091%-át, az első 20%-uk megkeresése mellett pedig 43,465%-át lehet elérni. megkeresése mellett pedig 43,465%-át lehet elérni.

17

Az első regressziós modell koncentrációs görbéje Az első regressziós modell koncentrációs görbéje

4. ábra 4. ábra

Az így elkészített regressziós modellre az ábrákon a Regression (2) elnevezéssel utalunk. Az egyenlegösszeg 260,68 Ft/euró árfolyamon 3,83–7,67 eurónak felel meg. 19 Az egyenlegösszeg 0–1,92 eurónak felel meg. 18

9

Forrás:saját saját készítés. Forrás: készítés.

A második logisztikus regressziós modell által felhasznált tényezők2020 fontossági sorrendben A második logisztikus regressziós modell által felhasznált tényezők fontossági sorrendben az alábbiak: az alábbiak: • Utolsó indított hívás óta eltelt idő_2, • Utolsó indított hívás óta eltelt idő_2, • Bejövő hívások száma_3, • Bejövő hívások száma_3, • Utolsó indított hívás óta eltelt idő_3, • Utolsó indított hívás óta eltelt idő_3, • Indított hálózaton hívások száma_4, • Indított hálózaton belülibelüli hívások száma_4, • Bejövő hívások száma_4, • elnevezései Utolsó indított hívás számok óta eltelt idő_4, 20 A változók mellett szereplő az adott változóhoz képzett, aktuális dummy változót jelölik. • Indított hálózaton belüli hívások száma_3. A modell teljesítménye az előzőekben bemutatott ábrákkal és értelmezésekkel ismerhető meg. Az 5. ábrán látható, hogy a második regressziós modell becslése alapján a várhatóan pozitívan

A második logisztikus regressziós modell által felhasznált tényezők20 fontossági sorrendben az alábbiak: • Utolsó indított hívás óta eltelt idő_2, Adatbányászat üzleti szemmel II. rész 119 • Bejövő hívások száma_3, • Utolsó indított hívás óta eltelt idő_3, • Indított hálózaton belüli hívások száma_4, • Bejövő hívások száma_4, • Bejövő hívások száma_4, • Utolsó indított hívás óta eltelt idő_4, • Indított hálózaton • Utolsó indítottbelüli híváshívások óta elteltszáma_3. idő_4, • Indított hálózaton belüli hívások száma_3. A modell teljesítménye az előzőekben bemutatott ábrákkal és értelmezésekkel ismerhető Ameg. modell teljesítménye az előzőekben bemutatott ábrákkal és értelmezésekkel ismerhető meg. Az 5. ábrán látható, hogy a második regressziós modell becslése alapján a várhatóan Az 5. ábrán látható, hogy a második regressziós modell becslése alapján a várhatóan pozitívan pozitívan válaszolók legjobb 10%-ának megkeresésével 8,828%-os, 20%-uk megkeresésével válaszolók megkeresésével 8,828%-os, 20%-uk megkeresésével 8,305%-os 8,305%-oslegjobb pozitív 10%-ának válasz érhető el. Az ezekből az adatokból számított kumulált lift értékek pozitív válasz érhető el. Az ezekből az adatokból számított kumulált lift értékek tanúsága tanúsága szerint ez a véletlenszerű megkereséshez képest 2,207-szeres, illetve 2,076-szeres szerint a véletlenszerű megkereséshez képest 2,207-szeres, illetve 2,076-szeres javulást javulástezjelent. jelent. 5. ábra 5. ábra A második regressziós modell kumulált válaszarány-görbéje A második regressziós modell kumulált válaszarány-görbéje

Forrás: saját készítés.

Forrás: saját készítés.

A 20

6. ábráról leolvasható, hogy az ügyfelek első 10%-ának megkeresése esetén a várhatóan A változók elnevezései mellett szereplő számok az adott változóhoz képzett, aktuális dummy változót jelölik. pozitívan reagálók 22,072%-át, 20% esetén 41,526%-át lehet elérni. A 6. ábráról leolvasható, hogy az ügyfelek első 10%-ának megkeresése esetén a várhatóan 10 pozitívan reagálók 22,072%-át, 20% esetén 41,526%-át lehet elérni. 6. ábra 6. ábra A második regressziós modell koncentrációs görbéje A második regressziós modell koncentrációs görbéje

Forrás: saját készítés. Forrás: saját készítés.

Döntési fa A döntési fa Decision Tree elnevezésű eszköz segítségével történő elkészítéséhez az adatok

120

Harmati Attila

Döntési fa A döntési fa Decision Tree elnevezésű eszköz segítségével történő elkészítéséhez az adatok módosítását mellőztük, mivel ezt a módszer nem igényli, a szélsőséges és hiányos adatokat is képes kezelni (SAS 2006). A csomópontok szétvágásához felhasznált attribútumok kiválasztása a tanulmány első részében bemutatott, az információnyereséget az entrópia alapján megítélő módszerrel történt. A csomópontokhoz tartozó ágak maximális számát, azaz az egyes attribútumok lehetséges kimeneteit 2 darabban, a fa maximális mélységét, azaz a fa gyökerének teljes mértékű szétbontására használt attribútumok számát 6 darabban, a levelek, azaz a végső csoportok minimális elemszámát 65 darabban határoztuk meg. Az optimális fa megtalálásához azt a szabályt választottuk, mely végeredményként a legnagyobb átlagos profitot, illetve a legkisebb esetleges veszteséget ígéri.21 Az ezen beállításokkal elkészített döntési fa leegyszerűsített mását a 7. ábrán mutatjuk be. A fa piros színnel jelölt csomópontjai, illetve levelei a kedvezőtlen, a sárga színnel jelöltek a semleges, a zölddel jelöltek pedig a kedvező kimeneteket jelölik, a színátmenetek pedig értelemszerűen minőségi átmenetet reprezentálnak. Az ábráról egyszerűen leolvashatók azok a „Ha-Akkor” szabályok, melyekkel egy újabb, osztályozási címkével nem rendelkező adatállomány kategorizálása is végrehajtható, ezáltal megkönnyítve a direktmarketing-levelek címzettjeinek kiválasztását. Az egyik legígéretesebb levélhez az alábbi módon lehet eljutni: • Ha egy adott ügyfél esetén az utolsó fogadott hívás óta eltelt idő kisebb mint 21,5 nap, • és az elmúlt három hónap alatt a használat összege nagyobb-egyenlő mint 1275 forint22, • és az utolsó feltöltés előtti egyenlege kisebb mint 2983 forint23, • akkor az ügyfél a megkeresésre nagy valószínűséggel pozitívan fog reagálni. A terjedelmi korlátok miatt mellőzendőnek ítélt részletes ábra belső csomópontjai és levelei tartalmazzák az adott részhalmazban lévő elemek számát, azok kedvező, illetve kedvezőtlen kimeneteinek arányát és az egy főre jutó várható átlagos profitot mind a tanuló, mind az érvényesítőállományra. A fa imént bemutatott levelében szereplő adatokból a két állományra vonatkozó eredmények stabilitása mellett az is kiderül, hogy az ilyen tranzakciós jellemzőkkel rendelkező ügyfelek megkeresése esetén átlagosan 0,88 eurós profit realizálható, és a megkeresettek 35%-a reagál pozitívan. A döntési fa teljesítményét bemutató 7. ábráról leolvasható, hogy annak becslése alapján az ügyfelek legjobb 10%-ának megkeresésével 11,471%-os, 20%-uk megkeresésével 9,92%os pozitív válasz érhető el. Az ezekből számított kumulált lift-érték szerint ez a véletlenszerű megkereséshez képest 2,867-szeres, illetve 2,48-szoros hatékonyságjavulást jelent.

A döntési fára az érintett ábrákon Default Tree-ként hivatkozunk. A használat összege 4,89 eurónak felel meg. 23 A feltöltés előtti egyenleg 11,44 eurónak felel meg. 21 22

Utolsó fogadott hívás óta eltelt idő <21,5


>=21,5

121

Háromhavi használat összege

A döntési fa

<1275

A döntési fa

2000 forint feletti egyenlegű napok száma

Utolsó feltöltés előtti egyenleg összege

Utolsó <2983 fogadott hívás óta eltelt idő >=91

<91

7. ábra 7. ábra

>=1275

<21,5

>=2983

>=21,5 Csúcsidőben fogadott hívások hossza

Fogadott hétvégi hívások hossza

<1349,5 Háromhavi használat összege >=3484,5

<3484,5

<1275

>=1349,5

>=1275

2-5 perces hívások számossága <0,5

>=0,5

2000 forint feletti egyenlegű napok száma <91

Forrás: saját készítés

>=91

Utolsó feltöltés előtti egyenleg összege <2983

>=2983

Csúcsidőben fogadott hívások hossza A terjedelmi Fogadott korlátok miatt mellőzendőnek ítélt részletes ábra belső csomópontjai és levelei hétvégi hívások hossza tartalmazzák az adott részhalmazban lévő elemek számát, azok kedvező, illetve kedvezőtlen <1349,5 >=1349,5 <3484,5 >=3484,5 kimeneteinek arányát és az egy főre jutó várható átlagos profitot mind a tanuló, mind az érvényesítőállományra. A fa imént bemutatott levelében szereplő adatokból a két állományra vonatkozó 2-5 perces eredmények hívások számosságastabilitása mellett az is kiderül, hogy az ilyen tranzakciós jellemzőkkel rendelkező ügyfelek megkeresése esetén átlagosan 0,88 eurós profit realizálható, <0,5 >=0,5 és a megkeresettek 35%-a reagál pozitívan. A döntési fa teljesítményét bemutató 7. ábráról leolvasható, hogy annak becslése alapján saját készítés 10%-ának megkeresésével 11,471%-os, 20%-uk megkeresésével 9,92%azForrás: ügyfelek legjobb Forrás: saját készítés os pozitív válasz érhető el. Az ezekből számított kumulált lift-érték szerint ez a véletlenszerű megkereséshez képestmiatt 2,867-szeres, illetve 2,48-szoros hatékonyságjavulást jelent. A terjedelmi korlátok mellőzendőnek ítélt részletes ábra belső csomópontjai levelei 7. és ábra 7. ábra tartalmazzák az adott részhalmazban lévő elemek számát, azok kedvező, illetve kedvezőtlen A döntési fa kumulált válaszarány-görbéje fa kumulált válaszarány-görbéje kimeneteinek arányát és Aazdöntési egy főre jutó várható átlagos profitot mind a tanuló, mind az

érvényesítőállományra. A fa imént bemutatott levelében szereplő adatokból a két állományra vonatkozó eredmények stabilitása mellett az is kiderül, hogy az ilyen tranzakciós jellemzőkkel rendelkező ügyfelek megkeresése esetén átlagosan 0,88 eurós profit realizálható, és a megkeresettek 35%-a reagál pozitívan. A döntési fa teljesítményét bemutató 7. ábráról leolvasható, hogy annak becslése alapján az ügyfelek legjobb 10%-ának megkeresésével 11,471%-os, 20%-uk megkeresésével 9,92%os pozitív válasz érhető el. Az ezekből számított kumulált lift-érték szerint ez a véletlenszerű megkereséshez képest 2,867-szeres, illetve 2,48-szoros hatékonyságjavulást jelent. 7. ábra A döntési fa kumulált válaszarány-görbéje Forrás: saját készítés Forrás: saját készítés

12 A 8. ábra alapján megállapítható, hogy ez esetben az ügyfelek első 10%-ának megcélzása által a várhatóan pozitívan reagálók 28,678%-át, első 20%-uk megcélzásával a 49,604%-át lehet elérni.

122

Harmati Attila A 8. ábra alapján megállapítható, hogy ez esetben az ügyfelek első 10%-ának megcélzása által a várhatóan pozitívan reagálók 28,678%-át, első 20%-uk megcélzásával a 49,604%-át 8. ábra lehet elérni. A döntési fa koncentrációs görbéje 8. ábra A döntési fa koncentrációs görbéje A 8. ábra alapján megállapítható, hogy ez esetben az ügyfelek első 10%-ának megcélzása által a várhatóan pozitívan reagálók 28,678%-át, első 20%-uk megcélzásával a 49,604%-át lehet elérni. 8. ábra A döntési fa koncentrációs görbéje



Neurális háló

Neurális háló

A neurális háló Neural Network elnevezésű eszközzel történő elkészítéséhez a szükséges módosításokat a szűrés és helyettesítés lépéseiben hajtottuk végre,elkészítéséhez ez esetben az adatok A neurális háló Neural Network elnevezésű eszközzel történő a szükséges transzformációjára nincs szükség (SAS 2006). A hálóépítés a tanulmány első részében Forrás: saját készítés módosításokat szűrés és helyettesítés lépéseibeniterációk hajtottuk végre,számát ez esetben az adatok ismertetett amódon történt, mely során a felhasznált maximális 10 darabban transzformációjára A hálóépítés a tanulmány határoztuk meg, nincs a rejtettszükség rétegben 3(SAS elemet2006). definiáltunk, modellépítési kritériumként első pedig részében az Neurális háló előzőekhez hasonlóan a szabályt, a modell a legnagyobb átlagosszámát profitot,10 illetve ismertetett módon történt,aztmely soránmiszerint a felhasznált iterációk maximális darabban a legkisebb veszteséget ígérje. Ennek a kritériumnak eleget téve a végső háló az első határoztuk meg,esetleges a rejtett 3 elemet definiáltunk, modellépítési kritériumként A neurális háló Neural rétegben Network elnevezésű eszközzel történő elkészítéséhez a szükséges iteráció után kapott hálóval egyezik meg, mivel az iterációk számának növelésével a pedig tanulóállomány az előzőekheza esetén hasonlóan azt a szabályt, miszerint modell a legnagyobb módosításokat szűrés és helyettesítés lépéseiben hajtottuk avégre, ez esetben az adatokátlagos az átlagos nyereség ugyan nő, de ez a megállapítás az transzformációjára nincsesetleges szükség (SAS 2006). A hálóépítés a a tanulmány első részében profitot, illetve a legkisebb ígérje. kritériumnak érvényesítőállományon már nem álljaveszteséget meg a helyét, a háló Ennek további finomítását ezért leeleget kellett téve a ismertetett módon történt,után melykapott során ahálóval felhasznált iterációk maximális 10 darabban végső háló az24 első iteráció egyezik meg, mivelszámát az iterációk számának állítani. határoztuk meg, a rejtett rétegben 3 elemet definiáltunk, modellépítési kritériumként pedig az A teljesítményt bemutatóesetén ábrák azaz előzőekhez hasonló elrendezésben növelésével a tanulóállomány átlagos nyereség ugyan átlagos nő,láthatók. deprofitot, ez a megállapítás előzőekhez hasonlóan azt a szabályt, miszerint a modell a legnagyobb illetve 9. ábra az érvényesítőállományon már nem álljaEnnek mega akritériumnak helyét, a háló finomítását a legkisebb esetleges veszteséget ígérje. elegettovábbi téve a végső háló az elsőezért le A neurális háló kumulált válaszarány-görbéje 24 iteráció után kapott hálóval egyezik meg, mivel az iterációk számának növelésével a kellett állítani. tanulóállomány esetén az átlagos nyereség ugyan nő, de ez a megállapítás az A teljesítményt bemutató ábrák az előzőekhez hasonló elrendezésben láthatók. érvényesítőállományon már nem állja meg a helyét, a háló további finomítását ezért le kellett állítani.24 9. ábra A teljesítményt bemutató ábrák az előzőekhez hasonló elrendezésben láthatók. A neurális háló kumulált válaszarány-görbéje 9. ábra A neurális háló kumulált válaszarány-görbéje

Forrás: saját készítés 24

A neurális hálóra az érintett ábrákon annak angol megfelelője alapján Neural Network-ként hivatkozunk.

13 Forrás: saját készítés

Forrás: saját készítés 24



24

13


123

A 9. ábráról leolvasható, hogy a neurális háló becslése alapján a várhatóan pozitívan válaszolók legjobb 10%-ának megkeresésével 9,969%-os, 20%-uk megkeresésével pedig 8,024%-os pozitív válasz érhető A kumulált azt mutatja, hogy a pozitívan modell A 9. ábráról leolvasható, hogy el. a neurális háló lift-érték becslése alapján a várhatóan válaszolók legjobb 10%-ának megkeresésével megkeresésével pedig a véletlenszerű megkereséshez képest 10%-os9,969%-os, megcélzás 20%-uk esetén 2,492-szeres, 20%-os 8,024%-os pozitív válasz érhető el. A kumulált lift-érték azt mutatja, hogy a modell a megcélzásnál pedig 2,006-szeres javulást mutat. véletlenszerű megkereséshez képest 10%-os megcélzás esetén 2,492-szeres, 20%-os A 10. ábrán látható, hogy a legkedvezőbb várható reakciójú ügyfelek első 10%-ának megcélzásnál megkeresése pedig esetén2,006-szeres a várhatóan javulást pozitívanmutat. reagálók 24,924%-át, az első 20%-uk megkeresése A 10. ábrán látható, hogy a legkedvezőbb várható reakciójú ügyfelek első 10%-ának mellett pedig 40,122%-át lehet elérni. megkeresése esetén a várhatóan pozitívan reagálók 24,924%-át, az első 20%-uk megkeresése mellett pedig 40,122%-át lehet elérni. 10. ábra 10. ábra A neurális háló koncentrációs görbéje A neurális háló koncentrációs görbéje



Együttes modell Együttes modell Az Ensemble eszköz segítségével az eddigi modellek kombinálása által létrehozhatóvá válik Az Ensemble eszköz segítségével az eddigi modellek kombinálása által létrehozhatóvá válik egy azoktól különálló, azok erősségét mégis magán viselő modell felállítása (SAS 2006). Ezt egy azoktól különálló, azok erősségét mégis magán viselő modell felállítása (SAS 2006). Ezt az első regressziós modell, a döntési fa és a neurális háló által becsült pozitív válaszadási az első regressziós modell, a döntési fa és a neurális háló által becsült pozitív válaszadási valószínűségek átlagolása révén készítettük el, mely valószínűségek az együttes modell valószínűségek átlagolása révén készítettük el, mely valószínűségek az együttes modell becsült válaszadási valószínűségeivé váltak.2525 becsült válaszadási valószínűségeivé váltak. A modell teljesítményét az eddigi gyakorlatnak megfelelő ábrák mutatják be. A modell teljesítményét az eddigi gyakorlatnak megfelelő ábrák mutatják be. 11. ábra Az együttes modell kumulált válaszarány-görbéje

Az elkészített modellre az érintett ábrákon Ensemble néven hivatkozunk.

25


Az Ensemble eszköz segítségével az eddigi modellek kombinálása által létrehozhatóvá válik egy azoktól különálló, azok erősségét mégis magán viselő modell felállítása (SAS 2006). Ezt az első regressziós modell, a döntési fa és a neurális háló által becsült pozitív válaszadási Harmatiel,Attila 124 valószínűségek átlagolása révén készítettük mely valószínűségek az együttes modell becsült válaszadási valószínűségeivé váltak.25 A modell teljesítményét az eddigi gyakorlatnak megfelelő ábrák mutatják be. 11. ábra 11. ábra Az együttes modell kumulált válaszarány-görbéje Az együttes modell kumulált válaszarány-görbéje



A 11. ábráról leolvasható, hogy az együttes modell becslése alapján az ügyfelek legjobb 10%ának megkeresésével 20%-uk megkeresésével 9,544%-os pozitív válasz érhető Az elkészített modellre az11,793%-os, érintett ábrákon Ensemble néven hivatkozunk. ábráról lift-érték leolvasható, hogy az együttes modellhogy becslése alapján az ügyfelek legjobb el.AA11. kumulált kiszámításából az látható, a véletlenszerű megkereséshez 14 10%-ának megkeresésével 11,793%-os, 20%-uk megkeresésével 9,544%-os pozitív válasz képest ez 2,948-szeres, illetve 2,386-szeres hatékonyságjavulást jelent. érhető A kumulált az látható, hogy a által véletlenszerű megkereséshez A 12.el. ábrán látható,lift-érték hogy az kiszámításából ügyfelek 10%-ának megcélzása a várhatóan pozitívan képest ez 2,948-szeres, illetve 2,386-szeres hatékonyságjavulást jelent. reagálók 29,483%-át, 20%-uk megcélzásával pedig 47,72%-át lehet elérni. A 12. ábrán látható, hogy az ügyfelek 10%-ának megcélzása által a várhatóan pozitívan reagálók 29,483%-át, 20%-uk megcélzásával pedig 47,72%-át lehet elérni. 12. ábra 12. ábra Az együttes modell koncentrációs görbéje Az együttes modell koncentrációs görbéje 25



Assess értékelés Assess mint mint értékelés AAkülönböző különbözőmodellek modellekelkészítése elkészítéseután utánazok azokteljesítményének teljesítményénekösszehasonlítása összehasonlításakövetkezhet következhet a Model Comparison elnevezésű eszközzel (SAS 2006), melyre alapvetően osztályozási, a Model Comparison elnevezésű eszközzel (SAS 2006), melyre alapvetően osztályozási, adatbányászati és statisztikai eszközök alkalmazhatóak. Az esettanulmány szempontjából az adatbányászati és statisztikai eszközök alkalmazhatóak. Az esettanulmány szempontjából osztályozási értékelő eszközökön belül az úgynevezett ROC-ábrára, az adatbányászati értékelő eszközökön belül a már említett kumulatív lift-értékre, valamint az egy főre jutó átlagos nyereségre helyezzük a hangsúlyt. A 13. ábrán látható ROC-ábra a modellek becslése alapján hibásan, illetve helyesen előrejelzett pozitív válaszadások között teremt kapcsolatot (Tan et al. 2005).


Assess mint értékelés Adatbányászat üzleti szemmel II. rész

125

A különböző modellek elkészítése után azok teljesítményének összehasonlítása következhet a Model Comparison elnevezésű eszközzel 2006), melyre alapvetően osztályozási, az osztályozási értékelő eszközökön belül az(SAS úgynevezett ROC-ábrára, az adatbányászati adatbányászati és statisztikai eszközök alkalmazhatóak. Az esettanulmány szempontjából értékelő eszközökön belül a már említett kumulatív lift-értékre, valamint az egy főre jutóaz osztályozási értékelő eszközökön belül az úgynevezett ROC-ábrára, az adatbányászati átlagos nyereségre helyezzük a hangsúlyt. értékelő eszközökön belül a már említett kumulatív lift-értékre, az egy helyesen főre jutó A 13. ábrán látható ROC-ábra a modellek becslése alapján valamint hibásan, illetve átlagos nyereségre helyezzük a hangsúlyt. előrejelzett pozitív válaszadások között teremt kapcsolatot (Tan et al. 2005). A 13. ábrán látható ROC-ábra a modellek becslése alapján hibásan, illetve helyesen előrejelzett pozitív válaszadások között teremt kapcsolatot (Tan et al. 2005). 13. ábra 13. ábra ROC-ábra ROC-ábra

Megjegyzés: Az abszcisszán a modellek alapjánhibásan hibásan besorolt pozitív Megjegyzés: Az abszcisszán a modellekbecslése becslése alapján besorolt pozitív vála- válaszok aránya, az ordinátatengelyen pedig aelőrejelzett helyesen előrejelzett pozitív válaszadások aránya,szok az ordinátatengelyen pedig a helyesen pozitív válaszadások aránya látható a aránya látható a tesztelőállományra vonatkoztatva a különböző határpontoknak megtesztelőállományra vonatkoztatva a különböző határpontoknak megfelelően. Forrás:felelően. saját készítés Forrás: saját készítés

15 Az ábra kék színnel jelölt 45 fokos átlója a véletlenszerű kiválasztás eredményét képviseli, mely esetén a határpont elmozdítása a helyesen besorolt pozitív válaszok arányának növekedésével megegyező arányú növekményt okoz azok helytelen besorolásában (Tan et al. 2005). Az ábrán együtt szerepel valamennyi elkészített modell. Döntési kritériumként megfogalmazható, hogy minél magasabb egy modell ROC-görbéjének homorúsági foka, tehát minél nagyobb terület található alatta, az annál pontosabb, így jobb becslést képes adni a célváltozó kimenetére vonatkozóan (Tan et al. 2005). Ezt a területet a ROC-indexszel lehet mérni (SAS 2008), ami az együttes modell választását indukálja. Az értékelés adatbányászati oldala azt mondja ki, hogy a jövőben azt a modellt kell osztályozásra használni, amely a legmegbízhatóbban és legpontosabban képes megbecsülni a célváltozó pozitív kimeneteit, tehát egy tervezett, előre megadott kiválasztási arány mellett a legmagasabb tesztelőállományra számított kumulált lift-értéket biztosítja (SAS 2006). A mutató különböző kiválasztási arányokhoz számított értékeiből képzett görbéje az egyes modellekre a 14. ábrán látható. Mivel a kumulált liftérték azt mutatja meg, hogy a megcélzottak egy adott arányáig egy adott modell mekkora hatékonyságjavulást képes elérni a véletlenszerű kiválasztáshoz képest (Coppock 2002), ezért azt a modellt kell választani, melynek tesztállományra vonatkoztatott görbéje a kívánt kiválasztási aránynál a legmagasabban helyezkedik el.

mutató különböző kiválasztási arányokhoz számított értékeiből képzett görbéje az egyes modellekre a 14. ábrán látható. Mivel a kumulált liftérték azt mutatja meg, hogy a megcélzottak egy adott arányáig egy adott modell mekkora hatékonyságjavulást képes elérni a Harmati Attila 126 véletlenszerű kiválasztáshoz képest (Coppock 2002), ezért azt a modellt kell választani, melynek tesztállományra vonatkoztatott görbéje a kívánt kiválasztási aránynál a legmagasabban helyezkedik el. 14. ábra 14. ábra A modellek kumulált liftérték görbéi A modellek kumulált liftérték görbéi

Forrás: saját készítés Forrás: saját készítés

AA 14. 14.ábra ábra alapján elkészített, a megcélozni kívántegyügyfelek egy adott arányánál alapján elkészített, a megcélozni kívánt ügyfelek adott arányánál alkalmazandó alkalmazandó leghatékonyabb osztályozási modellt a 2. táblázat mutatja be. leghatékonyabb osztályozási modellt a 2. táblázat mutatja be. 2. táblázat A hatékonyságjavulás szempontjából alkalmazandó modell 2. táblázat Megcélzott ügyfelek A hatékonyságjavulás szempontjából alkalmazandó modell Alkalmazandó modell százalékos aránya 0 – 8,3% Első regressziós modell Megcélzott ügyfelek modell 8,3 – 18% DöntésiAlkalmazandó fa százalékos aránya 18 – 31,6% Együttes modell 031,6 – 8,3% Első regressziós modell – 47,3% Döntési fa 8,347,3 – 18% Döntési – 60% Együttesfamodell 18 –6031,6% Együttes – 100% Másodikmodell regressziós modell Forrás: saját készítés 31,6 – 47,3% Döntési fa 47,3 – 60% Együttes modell Az osztályozási minőséget és az adatbányászati szempontokat érvényesítő értékelési 60 – 100% Második regressziós modell szempontok mellett azonban az üzleti érdekeket is figyelembe kell venni az alkalmazandó Forrás: saját készítés

16

Az osztályozási minőséget és az adatbányászati szempontokat érvényesítő értékelési szempontok mellett azonban az üzleti érdekeket is figyelembe kell venni az alkalmazandó modell kiválasztásánál. Erre a legmegfelelőbb mutató a kumulált teljes profit (SAS 2006), melynek az egyes modellekre vonatkozó görbéit a 15. ábra tartalmazza.

Adatbányászat üzleti szemmel II. rész 127 modell kiválasztásánál. Erre a legmegfelelőbb mutató a kumulált teljes profit (SAS 2006), melynek az egyes modellekre vonatkozó görbéit a 15. ábra tartalmazza. 15. ábra 15. ábra A modellek kumulált teljes profit görbéi A modellek kumulált teljes profit görbéi

Forrás: saját készítés Forrás: saját készítés

Az mellett az az egyes egyesmodellek modellekmás-más más-másprofitot profitot Azügyfelek ügyfelek különböző különböző megkeresési megkeresési arányai arányai mellett ígérnek, így ennek függvényében történhet az alkalmazandó modell kiválasztása. A 15. ábra ígérnek, így ennek függvényében történhet az alkalmazandó modell kiválasztása. A 15. alapján elkészített, a megcélozni kívánt ügyfelek egy adott arányánál alkalmazandó ábra alapján elkészített, a megcélozni kívánt ügyfelek egy adott arányánál alkalmazandó profitmaximalizáló be.be. profitmaximalizálómodellt modellta 3. a 3.táblázat táblázatmutatja mutatja táblázat 3.3.táblázat A profitmaximalizálás szempontjából alkalmazandó modell A profitmaximalizálás szempontjából alkalmazandó modell Megcélzott ügyfelek Alkalmazandó modell százalékos aránya Megcélzott ügyfelek Alkalmazandó modell 0 – aránya 7,6% Első regressziós modell százalékos 7,6 – 17,7% Döntési fa 0 – 7,6% Első regressziós modell 17,7 – 100% Együttes modell 7,6 –készítés 17,7% Döntési fa Forrás: saját 17,7 – 100% Együttes modell Amennyiben a saját vállalat stratégiája egy szélesebb ügyfélkör megcélzását is megköveteli, akkor Forrás: készítés egy modell jóságának az egész tartományon fenn kell állnia.26 Ebben az esetben az egyik lehetséges modellválasztási kritérium egy főre jutó átlagos profit (SAS 2006). Ezeket Amennyiben a vállalat stratégiája egy az szélesebb ügyfélkör megcélzását is megköveteli, akkoraz átlagos profitokat a 4. táblázat tartalmazza, mely alapján megállapítható, hogy ez esetben egy modell jóságának az egész tartományon fenn kell állnia.26 Ebben az esetben az egyikaz együttes modellt kell alkalmazni a nyereség maximalizálása érdekében. lehetséges modellválasztási kritérium az egy főre jutó átlagos profit (SAS 2006). Ezeket az 4. táblázat átlagos profitokat a 4. táblázat tartalmazza, mely alapján megállapítható, hogy ez esetben az A modellek által ígért átlagos nyereségek együttes modellt kell alkalmazni a nyereség maximalizálása érdekében. Modell által ígért Modell neve egy főre jutó profit Neurális háló 0,05592 euró/fő Első regressziós modell 0,07388 euró/fő Második regressziós modell 0,07492 euró/fő Döntési fa 0,09577 euró/fő Együttes modell 0,10301 euró/fő 26 Erre példa egy többkategóriás kampány, Forrás: saját készítésmely során a legesélyesebb ügyfeleket költségesebb, de hatékonyabb csatornákon – például papíralapú levél útján – keresik meg, míg a közepesen ígéretes ügyfeleket költségkímélőbb eszközök – például elektronikus levél – által.

26

Erre példa egy többkategóriás kampány, mely során a legesélyesebb ügyfeleket költségesebb, de hatékonyabb csatornákon – például papíralapú levél útján – keresik meg, míg a közepesen ígéretes ügyfeleket költségkímélőbb eszközök – például elektronikus levél – által.

17

128

Harmati Attila

A modellek által ígért átlagos nyereségek Modell neve Neurális háló Első regressziós modell Második regressziós modell Döntési fa Együttes modell

4. táblázat

Modell által ígért egy főre jutó profit 0,05592 euró/fő 0,07388 euró/fő 0,07492 euró/fő 0,09577 euró/fő 0,10301 euró/fő


Összegzésként elmondható, hogy mind az osztályozás minősége, mind az üzleti szempontok érvényesülése szempontjából az együttes modell választandó.27 A modellek értékelése után következhet az adatbányászati projekt záró lépése, az úgynevezett pontozás. Ez egy olyan folyamatot takar, mely eredményeként az eljárás új, célváltozóval nem rendelkező adatállományokra is alkalmazhatóvá és más alkalmazási környezetben is használhatóvá válik. A pontozás során az egyes inputváltozók és azok különféle transzformációi jelentőségük alapján pontozásra kerülnek, mely segítségével minden egyes ügyfélre létrehozhatóvá válik annak becsült válaszadási valószínűsége. Ezen valószínűségek meghatározásával könnyen definiálhatóvá válnak azok az ügyfelek, akiket egy direktmarketing-kampány során ajánlott megkeresni, mivel ők azok, akik bizonyíthatóan a legvalószínűbben fognak válaszolni (SAS 2008). A pontozás eredményét egy újabb adatállomány hiányában az eredeti 7500 megfigyelésből álló adatállományra alkalmaztuk oly módon, hogy abból eltávolítottuk a célváltozó oszlopát. Az eljárás eredményeként meghatározásra kerültek az egyes ügyfelek pozitív válaszadásának becsült valószínűségei, melyek alapstatisztikáit az 5. táblázat tartalmazza. Az ügyfelek becsült válaszadási valószínűségei Átlag Szórás Minimum Első kvartilis Medián Harmadik kvartilis Maximum

5. táblázat

Becsült valószínűség 0,05 0,05 0,01 0,01 0,03 0,06 0,54


27 Előző szempontok mellett azonban a modellek realitásának megőrzése érdekében ügyelni kell az azok pontosságát jellemző statisztikákra is, például a téves osztályozási rátára.

Minimum 0,01 Első kvartilis 0,01 Medián 0,03 Harmadik kvartilis 0,06 Adatbányászat üzleti szemmel II. rész Maximum 0,54

129


Az egyes ügyfelek pozitív válaszadásának becsült valószínűségeiből készített hisztogramot Az egyes pozitív válaszadásának becsült valószínűségeiből készített hisztogramot a a 16. ábra ügyfelek tartalmazza. 16. ábra tartalmazza. 16. ábra 16. ábra A pozitív reakciók valószínűségének hisztogramja A pozitív reakciók valószínűségének hisztogramja

Forrás:saját saját készítés Forrás: készítés

Az ábráról leolvasható, hogy az egyes becsült valószínűségekhez az ügyfelek mekkora tartozik. Az ábraazonban jobb oldalán szerepelnek legjobb ügyfelek, ha például a Előző szempontok mellett a modellek realitásánaka megőrzése érdekében így ügyelni kell az azok legígéretesebb 25%-ot kívánjuk megcélozni, akkor azokat pontosságát jellemző statisztikákra is, például a téves osztályozási rátára.az ügyfeleket kell kiválasztani, melyek pozitív válaszadásának becsült valószínűsége legalább 0,06. Ezen információ 18 birtokában már könnyen elkészíthető egy olyan jelentés, mely az eredeti adatbázist a gyakorlatban használható tudássá alakítva tartalmazza a megkeresésre kijelölt címzettek listáját. 27 hányada

Következtetések A tanulmány első részében áttekintett módszertani ismereteknek a második részben bemutatott gyakorlati alkalmazása egyértelműen alátámasztja azt a tényt, mely szerint az adatbányászat üzleti keretek között történő felhasználása több szempontból is előnyös lehet a vállalatok számára. Ezt igazolja a felépített modellek által feltárt tudásban rejlő lehetőségek sokasága is. Elég itt csupán arra gondolni, hogy az elemzés során megszerzett információk a hatékonyságnövekedés elérése mellett időmegtakarítást, illetve az előzőekből következően a bevételek növelését és a költségek racionalizálását teszik lehetővé. Ezek a pozitív következmények pedig nem korlátozódnak a direktmarketing területére, hanem számos egyéb alkalmazási területen is realizálhatóak. Ráadásul jellemzően oly mértékben valósíthatóak meg, hogy hatásuk releváns módon képes megnyilvánulni a vállalat eredményességében is. Az eredmények általánosításával megállapítható, hogy az adatbányászat reális körülmények között történő felhasználása a profitorientált piaci szereplők hatékonyságának és eredményességének növelését teszi lehetővé. Így annak figyelembevételével, hogy az alkalmazásához szükséges szoftverberuházás és szakértői gárda – kiszervezés esetén pedig az igénybevett szolgáltatás – óriási összegeket emészthet fel, a bevezetés egy kellően

130

Harmati Attila

nagyméretű, megfelelő pénzügyi háttérrel rendelkező és innovatív vállalat számára többszörösen megtérülő beruházást jelenthet. A megtérülés itt nem csupán pénzügyi értelemben értendő, hiszen a feladatok és az azokkal szemben támasztott követelmények átláthatóbbá, elvégzésük tudatosabbá, eredményük látványosabbá válik. Az említett hatások hosszú távon a munkavállalók motivációjában és lojalitásában is tetten érhetők, azonban ezek már túlmutatnak a tanulmány eredeti témáján, így elemzésüket az érintett szakterület kutatóira hagyjuk. Hivatkozások Ary Bálint Dávid – Dr. Imre Sándor [2006]: Számlázás újgenerációs telekommunikációs hálózatokban. Híradástechnika, LXI. évfolyam, 10. szám, 40–45. o. Berry, M. J. A. – Linoff, G. [1997]: Data Mining Techniques: For Marketing, Sales, and Customer Support. John Wiley and Sons, Inc., New York. Coppock, D. S. [2002]: Data Modeling and Mining: Why Lift? In: http://www.information-management. com/news/5329-1.html (Letöltve: 2009. február 21.) Fisher, R. A. [1915]: Frequency Distribution of the Values of the Correlation Coefficient in Samples of an Indefinitely Large Population. Biometrika, vol. 10. no. 4. 507–521. o. Hunyadi László – Vita László [2004]: Statisztika közgazdászoknak (Harmadik átdolgozott kiadás). KSH, Budapest. Lucas, A. [2004]: The Gini Coefficient. In: http://www.rhinorisk.com/Publications/Gini%20Coefficients. pdf (Letöltve: 2009. március 09.) Márkus Béla [1994]: Térinformatika (Főiskolai jegyzet). Erdészeti és Faipari Egyetem, Földmérési és Földrendezői Főiskolai Kar, Székesfehérvár. 23. o. MNB [2008]: Lekérdezhető árfolyamok. In: http://www.mnb.hu/engine.aspx?page=arfolyamtablazat&quer y =2008.11.26.,2008.11.26.,1,EUR (Letöltve: 2008. december 12.) SAS [2006]: Introduction to SAS® Enterprise MinerTM Course Notes. SAS Institute INC., Cary, NC. SAS [2008]: Getting Started with SAS® Enterprise MinerTM 5.3. SAS Institute Inc., Cary, NC. In: http:// support.sas.com/documentation/onlinedoc/miner/getstarted53.pdf (Letöltve: 2009. február 12.) Tan, P. N. – Steinbach, M. – Kumar, V. [2005]: Introduction to Data Mining. Addison-Wesley, Richmond, TX.

Adatbányászat üzleti szemmel II. rész

Recommend Documents