Haal meer uit IBM SPSS Statistics 11.11.14 Profileren met beslissingsbomen Analytics@Work

© Analytics@Work 2014 | Statistics

Segmenteren en profileren met beslissingsbomen

11 November 2014

Jan Schuurman


Introductie: Analytics@Work

• Analytics@Work is business partner voor IBM SPSS en verzorgt workshops

en consultancy in de hele product range van SPSS analyse technologie.

• Freelance inhuur Jan Schuurman:

– Gecertificeerd expert in het gebruik van de IBM SPSS Statistics & Modeler

(datamining, textmining)

– Analyse oplossingen in Retail, Marketing Intelligence en Fraude

• Projectbasis

– Analytics@Work is netwerkorganisatie van specialisten in Market & Customer

Intelligence

Trainingen en workshops op eigen data

Trainingen

• Introduction to IBM SPSS Modeler and Data Mining

• Predictive Modeling with IBM SPSS Modeler

• Clustering and Association Models with IBM SPSS Modeler

• Advanced Data Preparation Using IBM SPSS Modeler

• Introduction to IBM SPSS Text Analytics for IBM SPSS Modeler

• Introduction to IBM SPSS Statistics

• Introduction to Statistical Analysis Using IBM SPSS Statistics

• Advanced Statistical Analysis Using IBM SPSS Statistics

• Data Management and Manipulation with IBM SPSS Statistics

Workshops

• SPSS Advanced Statistics op eigen data

• Introductie in datamining op eigen data

• Advanced datamining op eigen data

• Segmentatie & market basket technieken op eigen data

• Introductie in textmining op eigen data

3


Agenda

• Segmentatie, gezien vanuit het perspectief van de organisatie

• Welke soorten segmentaties zijn er?

• Uitleg en demonstratie van operationele segmentaties met Decision Trees

• Andere segmentatie toepassingen

• Vragen

4


5

Segmentatie, bijvoorbeeld gezien vanuit het

marketing perspectief van een organisatie

• Het gaat om het optimaal afstemmen van middelen voor

groepen vergelijkbare klanten

• Segmentatie: Het opsplitsen van (potentiele) klanten in

een bepaalde markt in verschillende groepen (segmenten),

waarbinnen de klanten dezelfde of vergelijkbare eisen

hebben die ingewilligd worden door een onderscheidende

marketing mix.

• Bijvoorbeeld de marketing mix; de beschikbare middelen

van een organisatie om de match te verbeteren tussen de

voordelen die klanten zoeken en de voordelen die de

organisatie aanbiedt.


6

Segmenteren doe je dus …

1. Voor het kiezen van de doelgroep

2. Om een propositie te ontwikkelen die je onderscheidend

maakt van de concurrent

3. Om goed aangesloten te blijven met de propositie aan de

behoefte van de doelgroep

• Dit voorbeeld is gezien vanuit het marketing perspectief

• Bij fraude gaat het bijvoorbeeld over

– het kiezen van risico groepen

– Ontwikkelen van bestrijdingsconcepten

– goed aangesloten blijven op veranderend fraudegedrag


7

Welke soorten segmentaties zijn er?

• Er zijn grofweg twee soorten segmentaties:

• Strategische segmentaties zijn gericht op een fundamenteel andere behoefte.

Marktsegmentaties.

• Operationele segmentaties zijn gericht op een organisatie doel. Bijvoorbeeld omzet

verhoging, verhoging winstgevendheid etcetera. Vaak ook gericht op het verbeteren van de

efficiency. Klantsegmentaties.

– Hier wordt vaak predictive modelling toegepast om segmenten beter te kunnen targetten

– Bijvoorbeeld voor het beter benutten van de inkomende en uitgaande klantcontacten


Segmentatie technieken in de praktijk

• In beschrijvende segmentaties wordt vaak gebruik gemaakt van clustering technieken

– Er worden homogene groepen gevonden, waarbinnen mensen sterk op elkaar lijken en

sterk verschillen van mensen in andere groepen

– In de praktijk zijn deze groepen weinig onderscheidend op een of meerdere externe

doelvariabelen

• In voorspellende segmentaties wordt vaak gebruik gemaakt van decision tree technieken

– De doelvariabele is leidend om segmenten te vormen.

– De segmenten zijn specifieke aftakkingen of groepen van geneste aftakkingen

– Ook op deze manier worden homogene groepen gevonden, waarbinnen mensen sterk op

elkaar lijken en sterk verschillen van mensen in andere groepen. Echter ze verschillen

het meeste op de doelvariabele.

8


9

Activiteiten die volgen na het segmenteren

• Belangrijke voorwaarde om segmentatie toe te passen is het kunnen bereiken van de

segmenten

• Hiervoor is een gedetailleerd beeld nodig van

– wie is de klant?

– hoe en waar kan ik ze vinden?

• Andere belangrijke voorwaarde is weten welke promotionele content je moet gebruiken.

• Daarvoor is begrip nodig over

– hoe de keuzes van klanten tot stand komen

– motivaties, psychografie en gedrag

HOE KUNT U UIT AL UW DATA INFORMATIE HALEN OM

UW KLANTEN ZO GOED MOGELIJK IN TE DELEN?

EN EEN ZO HELDER MOGELIJK PROFIEL TE GEVEN?

10


11

Welke variabelen van belang bij operationele segmentatie?

• Selectie variabelen

– Zakelijk-particulier, branche

• Organisatiedoel variabelen

– Satisfactie, defectie, rendement, efficiency, kredietrisico

• Predictie en profileringsvariabelen

– Gedragsvariabelen

– Leeftijd, inkomen, life cycle

– Dynamisch, statisch

• Stuurvariabelen

– Marketing en beleidsinstrumenten

• Controle variabelen

– Satisfactie, defectie, rendement, efficiency, et cetera


12

Operationele segmentaties

• De doelvariabele in de data set is ondersteunend aan de

organisatie doelstellingen Bijvoorbeeld

– Behalen van meer omzet

– Opsporen van fraude, et cetera

• Segmenten zijn onderscheidend op zowel het doel als de ‘drivers’

naar het doel

• Organisatie brede inzet

– Segment is voor elke klant berekend

– Segmentatie variabelen opgenomen in data en rapportage

systemen

– Geïntegreerd in werkprocessen

– Segmenten ingezet bij uitgaande en inkomende

klantcontacten


13

2 tips bij segmentatie

• Segmenteren is in wezen het maken van een model. Het verband tussen doel (vertoond

gedrag) en segmentatievariabelen moet voldoende sterk zijn

– Geslacht als indicator van het niet afbetalen werkt niet als het onderlinge verband erg

zwak is

• De keuze van de input variabelen:

– Die variabelen die samenhangen met de doelvariabele van het model

– Die variabelen die bruikbaar zijn voor de bewerking van de doelgroep

UITLEG EN DEMONSTRATIE VAN

DECISION TREES

SEGMENTEREN VAN CREDIT RISK BIJ EEN BANK

14


De casus

• Een bank heeft informatie over haar klanten

vastgelegd

• Met deze kenmerken wil zij regels achterhalen

over klanten met een hoge kans op het niet

afbetalen van een lening

• Deze regels wil de organisatie toepassen op

nieuwe klanten die een lening aangevraagd

hebben

• Kredietinformatie

– Debt to income ratio (x100)

– Credit card debt in thousands

– Other debt in thousands

– Previously defaulted = doelvariabele

• Klantinformatie

– Age in years

– Level of education

– Years with current employer

– Years at current address

– Household income in thousands


Basisbegrippen

• Target variabele

• Predictor variabelen (splitvariabelen)

• Beslisboom = vertakkingen van de target

variabele m.b.v. predictorvariabelen

• Root = de totaal verdeling van de target

variabele, i.c. het gemiddelde

• Branche = een vertakking

• Level = het aantal lagen onder de root

• Nodes = opsplitsingen binnen een predictor

variabele

– Intermediate nodes

– Terminal nodes

• De resultaten worden getoond in een

beslisboom

• De regels worden weggeschreven naar een

scoringsbestand


1 2

3

4

Decision trees werkt als volgt

Bereken de totaal gemiddelde kans op niet afbetalen

Bepaal welk klantkenmerk het meeste differentieert in deze kans

Het meest differentiërende kenmerk wordt in klassen ingedeeld

Waarna gekeken wordt in combinatie met welke andere klantkenmerken

een nog hogere kans op niet afbetalen te vinden is

Elk eindblok is een aparte beslisregel.

1

2

3

4

5

5


3 algoritmen, waarom?

• Chaid en C&RT zijn al zeer lang in gebruik en performen

verschillend op een data set

• Quest is ontwikkeld in aanvulling op C&RT:

– predictors met veel categorieen tenderen in C&RT eerder

gekozen te worden

• De praktijk:

– Verken de verschillende technieken op een data set

– Vergelijk de inhoudelijke en technische performance

(classificatietabel, stabiliteit etcetera)


Perspectief binnen Decision Trees

Chaid met een categorische target

Chaid met een metrische target


Perspectief binnen Decision Trees

C&RT met een categorische target

C&RT met een metrische target


Perspectief binnen Decision Trees Quest met een

categorische target

DEMONSTRATIE IBM SPSS DECISION TREES

22


Andere technische toepassingen van

Decision trees

• Classificatie & segmentatie: cases toekennen aan een groep

• Voorspellen: regels maken en en deze inzetten om toekomstige events te voorspellen

• Data reductie & variabel screening: selecteren van een subset van predictor variabelen.

Deze kunnen indien gewenst in een formeel statistisch model opgenomen worden

• Indentificatie van interacties: het identificeren van relaties binnen specifieke subgroepen.

Ook deze kunnen indien gewenst in een formeel statistisch model opgenomen worden

• Indikken van categorische en metrische variabelen met een minimaal verlies aan

informatie in relatie tot de targetvariabele


Voorbeelden van andere segmentatie

toepassingen

• Vinden van groepen in een klantdatabase met een hoge

respons op een marketingactie

• Vinden van klantgroepen die boven gemiddeld opzeggen

• Vinden van groepen mensen die bovengemiddeld frauderen

(bijvoorbeeld bij verzekeringen, uitkeringen etcetera)

• Vinden van ouderen met een hoge kans op een bepaalde

ouderdomsverschijnsel (bijv. vallen)

• Vinden van de juiste profielen voor het aannemen van

personeel

• Vinden van klantsegmenten met een hoge versus lage

loyaliteit

• Etcetera

Haal meer uit IBM SPSS Statistics 11.11.14 Profileren met beslissingsbomen Analytics@Work

Data & Analytics

Transcript of Haal meer uit IBM SPSS Statistics 11.11.14 Profileren met beslissingsbomen Analytics@Work