Approccio pratico al miglioramento con modelli basati sugli alberi
L’analisi predittiva è da tempo una pietra miliare del processo decisionale, ma cosa succederebbe se ti dicessimo che esiste un’alternativa oltre la previsione? E se invece potessi influenzare strategicamente i risultati?
Il modello di sollevamento mantiene questa promessa. Aggiunge un interessante livello dinamico alle previsioni tradizionali identificando gli individui il cui comportamento può essere influenzato positivamente se ricevono trattamenti speciali.
I casi d’uso delle applicazioni sono infiniti. In medicina, aiuterebbe a identificare i pazienti per i quali un trattamento medico potrebbe migliorare la loro salute. Nel commercio al dettaglio, un modello di questo tipo consente di individuare meglio i clienti per i quali una promozione o un’offerta personalizzata sarebbero efficaci nella fidelizzazione.
Questo articolo è la prima parte di una serie che esplora il potenziale di trasformazione del modello di uplift, facendo luce su come può rimodellare le strategie nel marketing, nella sanità e altro ancora. Si concentra su modelli di uplift basati su alberi decisionali e utilizza, come caso di studio, la previsione della conversione dei clienti con l’applicazione di offerte promozionali
Dopo aver letto questo articolo, capirai:
- Cos’è esattamente la modellazione del sollevamento?
- In che modo è possibile adattare gli alberi decisionali per la modellazione del miglioramento?
- Come valutare la performance dei modelli di uplift?
Non è richiesta alcuna conoscenza preliminare per comprendere l’articolo.
Le sperimentazioni descritte nell’articolo sono state effettuate utilizzando le librerie scikit-uplift, causalml E trama. Puoi trovare il codice Qui su GitHub.
1.1. Perché modelli uplift?
Il modo migliore per comprendere i vantaggi derivanti dall’utilizzo dei modelli di incremento è attraverso un esempio. Immagina uno scenario in cui un’azienda di telecomunicazioni mira a ridurre il tasso di abbandono dei clienti.
Un approccio “tradizionale” basato sul machine learning consisterebbe nell’utilizzare un modello addestrato su dati storici per prevedere la probabilità di abbandono dei clienti attuali. Ciò aiuterebbe a identificare i clienti a rischio…
Fonte: towardsdatascience.com
