MODELOWANIE DLA BIZNESU. REGRESJA LOGISTYCZNA, REGRESJA POISSONA, SURVIVAL DATA MINING, CRM, CREDIT SCORING

ISBN: 978-83-8030-307-2

419 stron
format: B5
oprawa: MIĘKKA
Rok wydania: 2019

Obecnie modele są podstawą większości, jeśli nie wszystkich, decyzji biznesowych. Coraz częściej firmy poszukują analityki jako kluczowego, strategicznego wyróżnika, który umożliwia kierowanie ogromną liczbą decyzji operacyjnych każdego dnia. Jednocześnie firmy identyfikują zagrożenia. Według SAS White Paper 2018 jednym z istotniejszych czynników hamujących sukces analizy jest opóźnienie między tworzeniem a wdrażaniem modeli. Głównym powodem opóźnień we wdrożeniu modeli jest to, że firmy produkują i wdrażają je w dwóch oddzielnych środowiskach: biznesowym i informatycznym (IT). Analitycy z różnych jednostek biznesowych budują modele, a działy IT je wdrażają. Obie grupy polegają innym zestawom procesów, kodów programowania i języków, które utrudniają szybką reakcję na zmieniające się warunki biznesowe. Jeśli firmy chcą usprawnić produkcję modeli, lepszym pomysłem jest automatyzacja powtarzalnych aspektów pracy i migracja modeli do procesu ciągłego podejmowania decyzji. Odpowiedzią jest fabryka analityczna, czyli połączone dwa środowiska i automatyzacja procesów oraz decyzji.Znaczącą część analityki dla biznesu stanowią modele predykcyjne. Ocena dokładności predykcyjnej jest ważnym aspektem oceny i porównywania modeli, algorytmów lub technologii, które generują prognozy. Prognozy i projekcje stały się istotną częścią każdego przedsięwzięcia biznesowego i naukowego.

SPIS TREŚCI

Przedmowa

Ewa Frątcząk

Rozdział 1. Regresja logistyczna - podstawy teorii i modelowaniaWprowadzenie1.1. Regresja logistyczna - początki1.2. Regresja logistyczna - podstawy teorii1.3. Model regresji logistycznej a model regresji liniowej1.4. Estymacja parametrów modelu regresji logistycznej (na przykładzie regresji binarnej)1.5. Interpretacja wyników estymacji1.6. Model uporządkowany i model o postaci wielomianu1.6.1. Regresja logistyczna - model uporządkowany1.6.2. Regresja logistyczna o postaci wielomianu - uogólnione logity1.7. Znaczenie kodowania zmiennych jakościowych w modelach regresji logistycznej1.8. Istota wnioskowania statystycznego w modelach regresji logistycznej1.8.1. Ocena istotności oszacowanych parametrów1.8.2. Ocena dobroci modelu1.9. Predykcja i modelowanie predykcyjne z wykorzystaniem regresji logistycznej1.10. Modele predykcyjne - diagnostyka - wybrane miary1.10.1. Macierz pomyłek1.10.2. Krzywa ROC i AUC (pole pod krzywą ROC)1.10.3. Krzywa wzrostu lift1.10.4. Współczynnik Giniego1.10.5. Statystyki wpływu (DFBETAS, DIFDEV, DIFCHISQ, LEVERAGE)PodsumowanieBibliografiaAleksandra IwanickaRozdział 2. Analiza tablic kontyngencji - ocena zależności cech jakościowychWprowadzenie2.1. Testowanie niezależności na podstawie tablic dwudzielczych2.1.1. Testy chi-kwadrat: Pearsona i ilorazu wiarygodności2.1.2. Testy skorygowane i dokładne2.1.3. Miary zależności oparte na statystyce chi-kwadrat Pearsona2.2. Testowanie niezależności na podstawie zbioru tablic dwudzielczych2.2.1. Statystyka ogólnej asocjacji2.2.2. Statystyka różnicy średnich w wierszach2.2.3. Statystyka korelacji2.3. Pomiar siły asocjacji2.3.1. Miary asocjacji dla cech dychotomicznych2.3.2. Miary asocjacji dla cech porządkowych2.3.3. Miary asocjacji dla cech nominalnych2.4. Przykłady zastosowań2.4.1. Badanie związku pomiędzy cechami dychotomicznymi2.4.2. Badanie zależności pomiędzy cechami nominalnymi2.4.3. Badanie zależności pomiędzy cechami porządkowymi2.4.4. Badanie zależności w przypadku stratyfikacjiPodsumowanieBibliografiaBarbara Szewczak, Wojciech SkwirzRozdział 3. Regresja logistyczna - model deskryptywny i model predykcyjnyWprowadzenie3.1. Opis procedur SAS3.1.1. Procedury SAS3.1.2. Autorskie makra SAS3.2. Model deskryptywny3.2.1. Metodyka budowy modelu3.2.2. Analiza braków danych występujących w zmiennych objaśniających3.2.3. Analiza korelacji oraz wstępna ocena predykcyjności zmiennych objaśniających3.2.4. Analiza współliniowości zmiennych objaśniających3.2.5. Selekcja zmiennych objaśniających3.2.6. Analiza obserwacji wpływowych i odstających3.2.7. Finalny model - postać i interpretacja3.2.8. Interpretacja parametrów modelu3.2.9. Istotność zmiennych w modelu3.2.10. Ilorazy szans z modelu3.2.11. Istotność czynników w modelu3.2.12. Globalny test na istotność modelu3.2.13. Kryteria informacyjne modelu3.2.14. Analiza współliniowości zmiennych w modelu3.2.15. Statystyki mocy dyskryminacyjnej modelu oraz analizy graficzne3.2.16. Finalny model - podsumowanie3.3. Model predykcyjny3.3.1. Motywacja do budowy modelu predykcyjnego3.3.2. Etapy budowy modelu3.3.3. Finalny model - postać i interpretacja3.3.4. Porównanie modelu deskryptywnego i modelu predykcyjnegoBibliografiaZałącznikMikołaj TchorzewskiRozdział 4. Modelowanie wyników ligi piłkarskiej z wykorzystaniem regresji binarnej i regresji uporządkowanejWprowadzenie4.1. Charakterystyka rozgrywek Premier League4.2. Opis danych4.3. Zmienne do modelowania4.3.1. Zmienne zależne dla modeli ligi angielskiej4.3.2. Wybrane zmienne objaśniające dla modeli ligi angielskiej4.3.3. Wybrane kody z etapu przetwarzania danych4.4. Model regresji binarnej - estymacja i interpretacja wyników4.4.1. Estymacja modelu regresji binarnej4.4.2. Kod finalnego modelu regresji binarnej4.4.3. Model regresji binarnej dla Premier League4.5. Model regresji uporządkowanej - estymacja i interpretacja wyników4.5.1. Estymacja modelu regresji uporządkowanej4.5.2. Kod finalnego modelu regresji uporządkowanej4.5.3. Model regresji uporządkowanej dla Premier LeaguePodsumowanieBibliografiaPiotr RozenbajgierRozdział 5. Model regresji PoissonaWprowadzenie5.1. Estymacja regresji Poissona w SAS5.2. Problem nadmiernej dyspersji (overdispersion)5.3. Rozkład ujemny dwumianowyBibliografiaJustyna CzajaRozdział 6. Modelowanie na użytek kampanii marketingu bezpośredniegoWprowadzenie6.1. Marketing bezpośredni - definicje i podstawowe pojęcia6.2. Rola modeli predykcyjnych w marketingu6.3. Znaczenie wskaźnika otwarcia dla sukcesu kampanii marketingu bezpośredniego6.4. Podstawy teoretyczne zastosowanych metod6.4.1. Model regresji logistycznej - metoda karty scoringowej6.4.2. Model sztucznej sieci neuronowej6.4.3. Model drzewa decyzyjnego6.5. Opis zbioru danych6.6. Selekcja zmiennych objaśniających do ostatecznych modeli6.7. Model regresji logistycznej - analiza praktyczna6.8. Model sztucznej sieci neuronowej - analiza praktyczna6.9. Model drzewa decyzyjnego - analiza praktyczna6.10. Porównanie modeli na zbiorze walidacyjnym6.11. Praktyczne zastosowanie wybranego modeluPodsumowanieBibliografiaAdrianna WołowiecRozdział 7. Modelowanie churnu. Regresja logistyczna i survival data mining7.1. Wprowadzenie do modelowania churnu7.1.1. Podstawy teoretyczne zagadnienia churnu7.1.2. Podejścia stosowane w analizie churnu7.2. Opis zbioru danych7.3. Model regresji logistycznej7.3.1. Wstępna analiza i ocena zmiennych objaśniających7.3.2. Wyniki modelu regresji logistycznej7.4. Model survival data mining7.4.1. Podstawy teoretyczne7.4.2. Wyniki analizy7.4.3. Ocena jakości modelu7.5. Podsumowanie wynikówPodsumowanieBibliografiaMarta Jasiewicz-Badowska, Karol Przanowski, Bartosz Staniów, Krystyna RupRozdział 8. Dynamiczne segmentacje klientów korporacyjnych i zespołów sprzedażowych metodami credit scoringuWprowadzenie8.1. Wprowadzenie do credit scoringu8.1.1. Początki credit scoringu8.1.2. Etapy budowy modelu scoringowego8.1.3. Definicja default8.1.4. Struktura danych - ABT i próby modelowe8.1.5. Podział zmiennych na kategorie8.1.6. Selekcja zmiennych i ich raporty8.1.7. Ocena kandydatów i wybór finalnego modelu8.1.8. Wdrożenie modelu i monitorowanie poprawności jego działania8.2. Segmentacja sieci aptecznych metodami credit scoringu8.2.1. Zarys specyfiki rynku farmaceutycznego8.2.2. Wzbogacenie procesu zarządzania sieciami z wykorzystaniem klasycznych modeli scoringowych8.2.3. Obszar aplikacji modelu8.2.4. Modelowanie rankingu efektywności per apteka8.2.5. Interpretacja wybranych zmiennych w modelu8.2.6. Budowa komplementarnego procesu analitycznego - BI i modelowanie predykcyjne8.2.7. Szkolenie z podstaw teoretycznych, prezentacja narzędzia oraz obszary do zastosowania jako newralgiczny punkt we wdrożeniach innowacyjnych rozwiązań8.2.8. Dywersyfikacja strategii biznesowych i komunikacja oparta na porządkowaniu rzeczywistości8.3. Credit scoring dla przedstawicieli medycznych8.3.1. Wprowadzenie do uwarunkowań biznesowych w zarządzaniu zespołem sprzedażowym dedykowanym do rynku faramaceutycznego8.3.2. Credit scoring dla przedstawicieli medycznych - przybliżenie business case8.3.3. Testy pierwszych modeli - wybór właściwego momentu startu8.3.4. Aktualizacja modelu dla przedstawicieli medycznych8.3.5. Interpretacja wybranych zmiennych8.3.6. Segmentacja PM - rola w zarządzaniu zespołami konsultantów medycznychBibliografiaBiogramy