Angebote an Kunden machen (selbstlernend)
In diesem Tutorial wird der Knotenpunkt Self-Learning Response Model (SLRM) verwendet, der ein Modell erstellt und dessen Aktualisierung ermöglicht, um vorherzusagen, welche Angebote für Kunden am besten geeignet sind und wie hoch die Wahrscheinlichkeit ist, dass die Angebote angenommen werden. Modelle dieser Art sind am nützlichsten für Customer Relationship Management, beispielsweise in Marketinganwendungen oder im Callcenter.
Dieses Beispiel beruht auf einem fiktiven Kreditinstitut. Die Marketingabteilung möchte in zukünftigen Kampagnen profitablere Ergebnisse erzielen, indem sie jedem Kunden das passende Angebot an Finanzdienstleistungen anpasst. Insbesondere wird in dem Beispiel ein lernfähiges Antwortmodell verwendet, mit dem auf der Grundlage früherer Angebote und Reaktionen die Eigenschaften der Kunden ermittelt werden, die mit der größten Wahrscheinlichkeit positiv reagieren werden, und mit dem auf der Grundlage der Ergebnisse das beste aktuelle Angebot beworben wird.
Vorschau des Lernprogramms anzeigen
Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Die Benutzeroberfläche, die im Video gezeigt wird, kann geringfügig abweichen. Das Video ist als Ergänzung zum schriftlichen Tutorial gedacht. Dieses Video bietet eine visuelle Methode, um die Konzepte und Aufgaben in dieser Dokumentation zu erlernen.
Versuchen Sie das Tutorial
In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:
- Aufgabe 1: Öffnen Sie das Beispielprojekt
- Aufgabe 2: Untersuchen Sie den Knoten Daten-Asset und Füller
- Aufgabe 3: Untersuchen Sie den Typ und reklassifizieren Sie die Knoten
- Aufgabe 4: Erkunden Sie den SLRM-Knoten
- Aufgabe 5: Erzeugen des Modells
- Aufgabe 6: Experimentieren Sie mit anderen Daten-Asset-Knoten
Beispielhafter Modellierungsablauf und Datensatz
In diesem Lernprogramm wird der Ablauf "Angebote an Kunden - Selbstlernen " im Beispielprojekt verwendet. Die verwendeten Datendateien sind pm_customer_train1.csv, pm_customer_train2.csv und pm_customer_train3.csv. Das folgende Bild zeigt ein Beispiel für den Ablauf der Modellierung.
Aufgabe 1: Öffnen Sie das Beispielprojekt
Das Beispielprojekt enthält mehrere Datensätze und Modellierungsabläufe. Wenn Sie das Beispielprojekt noch nicht haben, finden Sie unter Tutorials eine Anleitung zum Erstellen des Beispielprojekts. Gehen Sie dann wie folgt vor, um das Beispielprojekt zu öffnen:
- In Cloud Pak for Data wählen Sie im Navigationsmenü
Projekte > Alle Projekte anzeigen aus. - Klicken Sie auf SPSS Modeler.
- Klicken Sie auf die Registerkarte Assets, um die Datensätze und Modellierungsabläufe zu sehen.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt die Registerkarte Assets des Projekts. Sie sind nun bereit, mit dem zu diesem Lehrgang gehörenden Beispielmodellierungsablauf zu arbeiten.
Aufgabe 2: Untersuchen Sie den Knoten Daten-Asset und Füller
Angebote an Kunden machen - Der Self-Learning Modeler Flow umfasst mehrere Knotenpunkte. Gehen Sie wie folgt vor, um die Knoten Data Asset und Filler zu untersuchen:
- Öffnen Sie auf der Registerkarte Assets den Modellierungsablauf Angebote für Kunden - Selbstlernen und warten Sie, bis die Leinwand geladen ist.
- Doppelklicken Sie auf den Knoten pm_customer_train1.csv. Dieser Knoten ist ein Data Asset-Knoten, der auf die Datei pm_customer_train1.csv im Projekt verweist.
- Überprüfen Sie die Eigenschaften des Dateiformats.
- Optional: Klicken Sie auf Datenvorschau, um den vollständigen Datensatz zu sehen.
- Doppelklicken Sie auf den Knoten Füller.Füllknoten werden verwendet, um Feldwerte zu ersetzen und die Speicherung zu ändern. Sie können auswählen, dass die Werte auf der Grundlage einer angegebenen CLEM-Bedingung ersetzt werden sollen, beispielsweise
@BLANK(FIELD)campaign - Klicken Sie auf Abbrechen.
Überprüfen Sie Ihren Fortschritt
Das folgende Bild zeigt den Filler-Knoten. Sie können nun die Knoten "Typ" und " Reklassifizieren" untersuchen.
Aufgabe 3: Untersuchen Sie den Typ und reklassifizieren Sie die Knoten
Führen Sie die folgenden Schritte aus, um die Knoten " Typ" und " Neu klassifizieren" zu untersuchen:
- Doppelklicken Sie auf den Knoten Typ, um seine Eigenschaften anzuzeigen.Mit dem Knoten Typ können Sie angeben, welche Arten von Feldern Sie verwenden und wie diese zur Vorhersage der Ergebnisse verwendet werden. Beachten Sie, dass die Rolle für die Felder "
campaignresponseresponse - Klicken Sie auf Werte lesen.
Abb. 3 Messniveaus 
- Klicken Sie auf Speichern.
Da die Daten des Kampagnenfelds eine Liste mit Zahlen (1, 2, 3 und 4) enthalten, können Sie die Felder umcodieren, um ihnen aussagekräftigere Titel zu geben.
- Doppelklicken Sie auf den Knoten Reclassify, um seine Eigenschaften anzuzeigen.
- Wählen Sie im Abschnitt Umgliedern in das Feld Vorhanden aus.
- Wählen Sie dann im Abschnitt Feld neu klassifizieren die Option Kampagne.
- Klicken Sie auf Abrufen. Die Werte der Kampagne werden der Spalte "
ORIGINAL VALUE - Beachten Sie, dass es im Abschnitt Werte in der Spalte "
NEW VALUE- Mortgage
- Car loan
- Savings
- Pension
- Klicken Sie auf Speichern.
Überprüfen Sie Ihren Fortschritt
Das folgende Bild zeigt den Knoten Reclassify. Sie sind nun bereit, den SLRM-Knoten zu erkunden.
Aufgabe 4: Erkunden Sie den SLRM-Knoten
Folgen Sie diesen Schritten, um den SLRM-Knoten zu erkunden:
- Doppelklicken Sie auf den Knoten Kampagne (SLRM), um seine Eigenschaften anzuzeigen.
- Wählen Sie
campaignresponse - Reduzieren Sie unter Modelloptionen für Maximale Anzahl von Vorhersagen pro Datensatz die Zahl auf 2. Das bedeutet, dass für jeden Kunden zwei Angebote ermittelt werden, die die höchste Wahrscheinlichkeit haben, angenommen zu werden.
- Stellen Sie sicher, dass die Option Modellzuverlässigkeit berücksichtigen ausgewählt ist.
- Klicken Sie auf Speichern.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt den Ablauf. Sie sind nun bereit, das Modell zu erstellen.
Aufgabe 5: Erzeugen des Modells
Folgen Sie diesen Schritten, um das Modell zu erstellen:
- Bewegen Sie den Mauszeiger über den Kampagnenknoten (SLRM) und klicken Sie auf das Symbol "Ausführen"
. - Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen.
Die Eingangsanzeige enthält die geschätzte Genauigkeit der Vorhersagen für jedes Angebot. Sie können auch auf Prädiktoreinfluss klicken, um die relative Wichtigkeit jedes Prädiktors für die Schätzung des Modells anzuzeigen, oder klicken Sie auf Assoziation mit Antwort, um die Korrelation der einzelnen Prädiktoren mit der Zielvariablen anzuzeigen.
Abbildung 4. Leistung des Kampagnenmodells 
- Um zwischen den vier Angeboten zu wechseln, für die es Vorhersagen gibt, verwenden Sie das Menü Ansicht.
- Kehren Sie zum Ablauf zurück.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt den Ablauf. Sie können nun mit anderen Daten-Asset-Knoten experimentieren.
Aufgabe 6: Experimentieren Sie mit anderen Daten-Asset-Knoten
Folgen Sie diesen Schritten, um mit anderen Daten-Asset-Knoten zu experimentieren:
- Trennen Sie den Knoten pm_customer_train1.csv vom Knoten Filler.
- Verbinden Sie den Knoten pm_customer_train2.csv mit dem Knoten Filler.
- Doppelklicken Sie auf den Knoten Kampagne (SLRM) und vergewissern Sie sich, dass unter den Build Options die Option Continue training existing model ausgewählt ist.
- Klicken Sie auf Speichern.
- Führen Sie den Ablauf aus, um das Modellnugget erneut zu erstellen. Bewegen Sie den Mauszeiger über den Kampagnenknoten (SLRM) und klicken Sie auf das Symbol "Ausführen" .
- Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen. Das Modell weist nun die revidierten Schätzungen für die Genauigkeit der Vorhersagen für die einzelnen Angebote auf.
Abbildung 5. Leistung des Kampagnenmodells 
- Trennen Sie den Knoten pm_customer_train2.csv vom Knoten Filler.
- Verbinden Sie den Knoten pm_customer_train3.csv mit dem Knoten Filler.
- Führen Sie den Ablauf aus, um das Modellnugget erneut zu erstellen. Bewegen Sie den Mauszeiger über den Kampagnenknoten (SLRM) und klicken Sie auf das Symbol "Ausführen" .
- Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen.
Abbildung 6. Leistung des Kampagnenmodells 
Das Modell zeigt nun die endgültige geschätzte Genauigkeit der Vorhersagen für die einzelnen Angebote an. Wie Sie sehen können, nahm die durchschnittliche Genauigkeit geringfügig ab, als Sie die zusätzlichen Datenquellen hinzufügten. Diese Schwankung ist jedoch minimal und könnte auf leichte Anomalien in den verfügbaren Daten zurückzuführen sein.
- Fahren Sie mit der Maus über den Tabellenknoten und klicken Sie auf das Symbol "Ausführen" .
- Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Tabellenmodell, um die Ergebnisse anzuzeigen.
Abbildung 7. Leistung des Kampagnenmodells
Die Vorhersagen in der Tabelle zeigen, welche Angebote ein Kunde am ehesten annehmen wird und wie hoch die Wahrscheinlichkeit ist, dass er dieses Angebot annimmt, je nach den Angaben des Kunden. In der ersten Zeile gibt es zum Beispiel nur ein 13.2 Konfidenzniveau (gekennzeichnet durch den Wert " 0.132$SC-campaign-1
Erläuterungen zu den mathematischen Grundlagen der Modellierungsmethoden, die in SPSS Modeler verwendet werden, sind im SPSS Modeler Algorithms Guide verfügbar.
Diese Ergebnisse beruhen nur auf den Trainingsdaten. Um zu beurteilen, wie gut das Modell auf andere Daten in der realen Welt verallgemeinert werden kann, verwenden Sie einen Partitionsknoten, um eine Untergruppe von Datensätzen zu Test- und Validierungszwecken herauszuhalten.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt den Ablauf.
Zusammenfassung
In diesem Beispiel wurde gezeigt, wie der Knotenpunkt Self-Learning Response Model (SLRM) verwendet werden kann, um vorherzusagen, welche Angebote ein Kunde mit hoher Wahrscheinlichkeit annehmen wird und wie hoch die Wahrscheinlichkeit ist, dass er das Angebot annimmt, je nach den Angaben des Kunden.
Nächste Schritte
Sie können jetzt weitere Tutorials von SPSS® Modeler ausprobieren.