Wydane publikacje


Tworzenie skutecznych modeli Data Mining
na przykładzie prognozowania migracji klientów
drukpdfepubmobi

Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów

 

nowość

Grzegorz Migut

Promotor pracy doktorskiej: dr hab Mariusz Łapczyński, prof. UEK

Recenzenci pracy doktorskiej: dr hab. Marcin Pełka, prof. UE we Wrocławiu; dr hab. Łukasz Skowron, prof. PL; dr hab. Jerzy Surma, prof. SGH

Publikacje elektroniczne

PDF6,5 MB
ISBN: 978-83-66395-80-0
ePUB17,7 MB
ISBN: 978-83-66395-81-
MOBI 30,7 MB
ISBN: 978-83-66395-82-4

gdzie kupić/przeczytać
Publikacja drukowana

99.00 PLN



format: B5
liczba stron : 252
wydana: grudzień 2024
ISBN: 978-83-66395-79-4

gdzie kupić/przeczytać
    opis    
spis treści
W książce przedstawiono kompletny proces budowy modelu data mining od zrozumienia i przygotowania danych po ocenę modelu i jego wdrożenie. Z jednej strony zawiera dogłębny przegląd metod i technik analizy danych, z drugiej nie brak jej odniesienia do praktycznych aspektów związanych z budową oraz walidacją modeli.

W części empirycznej Autor mierzy się z zagadnieniem sposobu budowy skutecznego modelu data mining oraz identyfikacji czynników wpływających na tę skuteczność, zarówno w odniesieniu do modeli ekonometrycznych, jak i modeli uczenia maszynowego.

Jako obszar biznesowy książki przyjęto modele lojalności klientów, jednakże książka może być przydatna w modelowaniu kompletnego cyklu życia klientów, a także w obszarach pokrewnych takich jak scoring kredytowy czy modelowanie nadużyć.
  • Wstęp
  • 1. Retencja klientów jako obszar modelowania marketingowego
    • 1.1. Rola modelowania w badaniach marketingowych
    • 1.2. Koncepcja marketingu relacji w budowie modeli lojalności klientów
    • 1.3. Lojalność nabywców – definicje i determinanty
    • 1.4. Rodzaje i poziomy lojalności konsumentów
    • 1.5. Sposoby pomiaru i modelowania lojalności – wybrane podejścia
    • 1.6. Metodyki budowy modeli data mining na potrzeby retencji klientów
    • 1.7. Podsumowanie
  • 2. Przygotowanie danych podczas budowy modeli retencji klientów
    • 2.1. Określanie kluczowych parametrów projektu analitycznego
    • 2.2. Wiarygodność danych, identyfikacja i uzupełnianie braków danych
    • 2.3. Sposoby łagodzenia problemów związanych z niejednorodnym zbiorem danych
    • 2.4. Transformacje zmiennych oraz przygotowanie zmiennych pochodnych
    • 2.5. Niezbilansowany rozkład zmiennej zależnej jako problem w prognozowaniu zjawisk o charakterze rzadkim
    • 2.6. Podsumowanie
  • 3. Budowa modelu klasyfikacyjnego
    • 3.1. Wybór zmiennych podczas budowy modelu
      • 3.1.1. Filtry ukierunkowane i nieukierunkowane
      • 3.1.2. Metody opakowujące
      • 3.1.3. Metody wbudowane
      • 3.1.4. Podsumowanie
    • 3.2. Wybór techniki modelowania
      • 3.2.1. Regresja logistyczna
      • 3.2.2. Sieci neuronowe
      • 3.2.3. Metoda wektorów nośnych
      • 3.2.4. Drzewa klasyfikacyjne i regresyjne
      • 3.2.5. Podejście wielomodelowe
    • 3.3. Optymalizacja hiperparametrów
    • 3.4. Podsumowanie
    • 4. Walidacja i wdrażanie modeli retencji klientów
      • 4.1. Miary dobroci dopasowania modeli retencji klientów
        • 4.1.1. Miary obliczone na podstawie macierzy błędnych klasyfikacji
        • 4.1.2. Miary jakości a prawdopodobieństwo a posteriori
        • 4.1.3. Miary oparte na probabilistycznej interpretacji odpowiedzi modelu
      • 4.2. Strategie walidacji modeli retencji klientów
        • 4.2.1. Metody oparte na podziale zbioru danych
        • 4.2.2. Metody oparte na wielokrotnym próbkowaniu
      • 4.3 Określanie optymalnego punktu odcięcia (cut-off)
      • 4.4. Wybór klientów do strategii sprzedażowych i retencyjnych (uplift modeling)
        • 4.4.1. Budowa modeli uplift
        • 4.4.2. Ocena modeli uplift
      • 4.5. Podsumowanie
    • 5. Identyfikacja modelu migracji klientów krok po kroku
      • 5.1. Zrozumienie i przygotowanie danych
        • 5.1.1. Ocena jakości danych
        • 5.1.2. Przygotowanie danych – kolejne kroki
        • 5.1.3. Segmentacja zbioru danych
        • 5.1.4. Podział zbioru danych
        • 5.1.5. Uzupełnienie braków danych
        • 5.1.6. Dodatkowa kategoryzacja zmiennych jakościowych
        • 5.1.7. Zmienne pochodne w modelu
        • 5.1.8. Wstępna selekcja zmiennych
        • 5.1.9. Budowa modeli za pomocą wybranych narzędzi analitycznych
      • 5.2. Model regresji logistycznej
      • 5.3. Model drzew klasyfikacyjnych i regresyjnych CART
      • 5.4. Model drzew wzmacnianych
      • 5.5. Model sieci neuronowych (perceptron wielowarstwowy)
      • 5.6. Wnioski końcowe
    • Zakończenie
    • Załącznik 1. Opis zmiennych wykorzystywanych w modelowaniu
    • Bibliografia

do góry ⇑

© edu-Libri s.c. | wykonanie: edu-Libri s.c.