Le noeud Liste de décision identifie les sous-groupes, ou les segments, qui présentent une probabilité plus élevée ou plus faible d'un résultat binaire (oui ou non) par rapport à l'échantillon global.
Par exemple, vous pouvez rechercher les clients qui présentent la plus faible probabilité d'attrition ou qui sont les plus susceptibles de répondre favorablement à une offre ou une campagne spécifique. L'Afficheur de liste de décision offre un contrôle complet sur le modèle : vous avez ainsi la possibilité d'éditer des segments, d'ajouter vos propres règles métier, de spécifier les modalités de détermination du score de chaque segment et de personnaliser le modèle de plusieurs façons afin d'optimiser la proportion des correspondances dans tous les segments. Ainsi, il est particulièrement adapté à la génération de fichiers d'adresses ou à l'identification d'enregistrements à cibler pour une campagne spécifique. Vous pouvez également utiliser plusieurs tâches d'exploration pour combiner diverses approches de modélisation, par exemple, en identifiant les segments performants et moins performants au sein du même modèle, et en les incluant ou en les excluant à l'étape de scoring selon les besoins.
Segments, règles et conditions
RFM_SCORE > 10 and
MONTHS_CURRENT <= 9Les règles sont appliquées dans l'ordre indiqué, la première règle correspondante déterminant le résultat pour un enregistrement donné. Prises individuellement, les règles ou les conditions peuvent se recouper, mais l'ordre des règles résout toute ambiguïté. Si aucune règle ne correspond, l'enregistrement est attribué à la règle restante.
Maîtrise totale du scoring
L'Afficheur de liste de décision permet de visualiser, de modifier et de réorganiser les segments, mais également de choisir les segments à inclure ou à exclure à des fins de scoring. Vous pouvez par exemple choisir d'exclure un groupe de clients des offres à venir, en inclure d'autres et visualiser immédiatement la façon dont cette modification affecte votre taux de correspondance global. Les modèles de Liste de décision renvoient le score Yes (oui) pour les segments inclus et $null$ pour tous les autres éléments, y compris le reste. Ce contrôle direct sur le scoring fait des modèles Liste de décision une solution idéale pour la génération de fichiers d'adresses ; ils sont largement utilisés dans la gestion de la relation client, notamment dans les applications marketing ou de centre d'appels.
Tâches d'exploration, mesures et sélections
Le processus de modélisation est géré par les tâches d'exploration. Chaque tâche d'exploration lance efficacement une nouvelle exécution de modélisation et renvoie un nouvel ensemble d'autres modèles parmi lesquels vous pouvez effectuer votre choix. La tâche par défaut est fondée sur vos spécifications initiales dans le noeud Liste de décision, mais vous pouvez définir autant de tâches personnalisées que vous le souhaitez. Vous pouvez appliquer des tâches à plusieurs reprises. Par exemple, vous pouvez lancer une recherche de forte probabilité sur la totalité de l'ensemble d'apprentissage, puis une recherche de faible probabilité sur le reste pour éliminer les segments les moins performants.
Sélection de données
Vous pouvez définir les sélections de données et les mesures de modèle personnalisées pour la génération et l'évaluation de modèles. Vous pouvez par exemple indiquer une sélection de données dans une tâche d'exploration pour adapter le modèle à une région spécifique et créer une mesure personnalisée pour évaluer les performances du modèle sur l'ensemble du pays. Contrairement aux tâches d'exploration, les mesures ne modifient pas le modèle sous-jacent mais offrent une autre vision qui permet d'évaluer ses performances.
Ajout de vos connaissances métier
En affinant ou en étendant les segments identifiés par l'algorithme, le visualiseur de liste de décisions vous permet d'incorporer vos connaissances métier dans le modèle. Vous pouvez éditer les segments générés par le modèle ou ajouter des segments en fonction de règles que vous indiquez. Vous pouvez ensuite appliquer les modifications et obtenir un aperçu des résultats.
Pour vous faire une idée plus précise, un lien dynamique à Excel permet d'exporter des données vers Excel, où vous pouvez les utiliser pour créer des graphiques de présentation et calculer des mesures personnalisées (par exemple, des mesures de profit et de retour sur investissement complexes). Vous pouvez visualiser ces éléments dans l'Afficheur de liste de décision pendant la création du modèle.
Exemple. Le service marketing d'une institution financière souhaite obtenir des résultats plus rentables dans les campagnes futures en faisant correspondre l'offre appropriée à chaque client. Vous pouvez utiliser un modèle de liste de décision pour identifier les caractéristiques des clients les plus susceptibles de répondre favorablement en fonction des promotions précédentes et de générer une liste de diffusion basée sur les résultats.
Conditions requises. Champ cible catégoriel unique avec un niveau de mesure de type Flag ou Nominal qui indique le résultat binaire que vous souhaitez prévoir (oui/non) et au moins un champ d'entrée. Lorsque le type du champ cible est Nominal, vous devez choisir manuellement une valeur unique à traiter en tant que correspondance ou réponse ; toutes les autres valeurs sont regroupées en tant qu'absence de correspondance. Il est également possible de spécifier un champ de fréquence facultatif. Les champs date/heure continus sont ignorés. Les entrées d'intervalle numériques continues sont automatiquement mises en intervalles par l'algorithme, comme indiqué dans l'onglet Expert du noeud modélisation. Pour un contrôle plus précis de la création d'intervalles, ajoutez un noeud Discrétiser en amont et utilisez le champ mis en intervalles en tant qu'entrée avec un niveau de mesure Ordinal.