Los modelos de listas de decisiones identifican subgrupos o segmentos que muestran una mayor o menor posibilidad de proporcionar un resultado binario (sí o no) relacionado con la muestra global.
Por ejemplo, puede buscar clientes con menos posibilidades de abandono o con más posibilidades de decir sí a una campaña u oferta determinada. El visor de listas de decisiones proporciona control total sobre el modelo, ya que le permite editar segmentos, añadir sus propias reglas de negocio, especificar la forma de puntuación de cada segmento y personalizar el modelo de distintas maneras para optimizar la proporción de aciertos en todos los segmentos. Gracias a ello, se adapta especialmente bien a la generación de listas de mailing y a cualquier otro tipo de identificación de los registros a los que hay que dirigir una determinada campaña. También puede utilizar varias tareas de minería para combinar enfoques de modelado, por ejemplo identificando segmentos de alto y bajo rendimiento en el mismo modelo e incluyendo o excluyendo cada uno en la etapa de puntuación como corresponda.
Segmentos, reglas y condiciones
RFM_SCORE > 10 and
MONTHS_CURRENT <= 9Las reglas se aplican en el orden indicado; la primera regla coincidente determina el resultado de un registro dado. Si se toman de forma independiente, las reglas o condiciones se pueden solapar, pero el orden de las reglas resuelve la ambigüedad. Si ninguna regla coincide, el registro se asigna a la regla restante.
Control total sobre la puntuación
El visor de listas de decisiones permite
ver, modificar y reorganizar segmentos, así como seleccionar lo que se va
a incluir o excluir para la puntuación. Por ejemplo, puede optar por excluir un grupo de clientes de futuras ofertas e incluir otros y ver inmediatamente cómo afecta a su tasa de aciertos global. Los modelos de lista de decisiones devuelven una puntuación de Yes para los segmentos incluidos y $null$ para todo lo demás, incluido el resto. Este control directo sobre la puntuación hace que los modelos de listas de decisiones sean ideales para generar listas de mailing, por lo que se utilizan con frecuencia en la gestión de relaciones con los clientes, incluidos los centros de llamadas y las aplicaciones de marketing.
Tareas de minería, medidas y selecciones
El proceso de modelado se lleva a cabo mediante las tareas de minería. Cada tarea de minería inicia eficazmente una nueva ejecución de modelado y devuelve un nuevo conjunto de modelos alternativos para escoger. La tarea predeterminada se basa en las especificaciones iniciales del nodo Lista de decisiones, pero puede definir cualquier número de tareas personalizadas. También puede aplicar tareas de forma iterativa; por ejemplo, puede ejecutar una búsqueda de alta probabilidad en todo el conjunto de entrenamiento y, a continuación, ejecutar una búsqueda de baja probabilidad en el resto para eliminar los segmentos de bajo rendimiento.
Selecciones de datos
Puede definir selecciones de datos y medidas de modelo personalizadas para generar y evaluar modelos. Por ejemplo, puede especificar una selección de datos en una tarea de minería para adaptar el modelo a una región determinada y crear una medida personalizada para evaluar cómo funciona ese modelo en todo el país. Al contrario que las tareas de minería, las medidas no cambian el modelo subyacente, sino que proporcionan otra perspectiva para evaluar su funcionamiento.
Adición de su conocimiento empresarial
Al ajustar o ampliar los segmentos identificados por el algoritmo, el visor de listas de decisiones le permite incorporar sus conocimientos empresariales en el modelo. Puede editar los segmentos generados por el modelo o añadir otros segmentos según las reglas especificadas. A continuación, puede aplicar los cambios y previsualizar los resultados.
Para obtener una mejor comprensión, un enlace dinámico con Excel permite exportar datos a Excel, donde se pueden utilizar para crear gráficos para presentaciones y calcular medidas personalizadas, como medidas de beneficio complejo y rendimiento de la inversión, que se pueden ver en el visor de listas de decisiones mientras se genera el modelo.
Ejemplo. El departamento de marketing de una institución financiera quiere conseguir resultados más rentables en futuras campañas haciendo coincidir la oferta adecuada a cada cliente. Puede utilizar un modelo de lista de decisiones para identificar las características de los clientes con mayor probabilidad de responder favorablemente en función de las promociones anteriores y generar una lista de correo basada en los resultados.
Requisitos. Un único campo objetivo categórico con un nivel de medición de tipo Flag o Nominal que indica el resultado binario que desea predecir (sí/no) y al menos un campo de entrada. Cuando el tipo de campo objetivo es Nominal, deberá elegir manualmente un único valor para tratarlo como acierto o respuesta. Todos los demás valores se agruparán como no acierto. También se puede especificar un campo de frecuencia opcional. Los campos de fecha/hora continuos se ignorarán. El algoritmo agrupa automáticamente las entradas de rango numérico continuo según se haya especificado en el separador Experto del nodo de modelado. Para disponer de un mayor control sobre los intervalos, puede añadir un nodo Intervalos en un punto anterior de la ruta y utilizar el campo agrupado como entrada con un nivel de medición de Ordinal.