顧客に提案を行う（自己学習）

サンプルプロジェクトには、いくつかのデータセットとサンプルモデラーフローが含まれています。 サンプルプロジェクトをまだお持ちでない場合は、 チュートリアルのトピックを参照してサンプルプロジェクトを作成してください。 次に、サンプルプロジェクトを開くには以下の手順に従ってください：

1. ナビゲーションメニュー から、 watsonx[プロジェクト] > [すべてのプロジェクト] を選択します。
2. SPSS Modeler プロジェクトをクリックしてください。
3. タブをクリック 資産 すると、データセットとモデラーフローが表示されます。

進捗を確認してください

次の画像は資産のアセットタブを示しています。 これで、このチュートリアルに関連するサンプルモデラーフローを使用する準備が整いました。

トップへ戻る

顧客への提案作成 - 自己学習モデラーフローには複数のノードが含まれます。 以下の手順に従って、および フィラー ノード データ資産 を検査してください：

1. タブ 資産 から 顧客への提案 - 自己学習 モデラーフローを開き、キャンバスが読み込まれるまで待ちます。
2. ノード pm_customer_train1.csv をダブルクリックします。 このノードは、プロジェクト内のファイル pm_customer_train1.csv を指すノード データ資産 です。
3. ファイル形式のプロパティを確認してください。
4. オプション: データ全体を確認するには 「データプレビュー」 をクリックしてください。
5. フィラー ノードをダブルクリックします。
   フィラー ノードはフィールド値の置換やストレージの変更に使用されます。 @BLANK(FIELD) のような、CLEM 条件に基づいて値を置換することができます。 また、すべての空白値やヌル値を特定の値に置換することもできます。 フィラーノードは、 欠損値を置き換えるためにタイプノードと組み合わせて使用されることが多い。
   「フィールドの入力 」セクションでは、データセット内のどのフィールドの値を検査および置換するか指定できます。 この場合、 置換セクション内の「 常に 」選択 campaign と共に列が指定されます。
6. キャンセルをクリックしてください。

進捗を確認してください

以下の画像はフィラー ノードを示しています。 これで、タイプノードと再分類ノードを検証する準備が整いました。

トップへ戻る

以下の手順に従って、ノードのタイプを確認し再分類してください：

1. Type ノードをダブルクリックして、そのプロパティを表示します。
   タイプノードを使用すると、使用するフィールドの種類と、それらのフィールドが結果を予測するためにどのように使用されるかを指定できます。 注意：および responsecampaign フィールドの役割はターゲットに設定されています。 指定されたターゲットは、予測の基盤とするフィールドです。 フィールド response に対してフラグが設定されています。
2. 値を読み取るをクリックしてください。

   

3. 保存をクリックしてください。

   キャンペーン・フィールドのデータが数字のリスト (1、2、3、4) として表示されるため、フィールドを再分類してより分かりやすいタイトルにすることができます。

4. 再分類ノードをダブルクリックして、そのプロパティを表示します。
5. 「再分類先」 セクションで、 「既存のフィールド」 を選択します。
6. 次に、 「フィールドの再分類」 セクションで、 キャンペーンを選択します。
7. 「値を取得 (Get values)」をクリックします。 キャンペーンの値は列 ORIGINAL VALUE に追加されます。
8. 値のセクションの NEW VALUE 列には、4行あることに注意してください：
   • Mortgage
   • Car loan
   • Savings
   • Pension
9. 保存をクリックしてください。

進捗を確認してください

次の画像は再分類ノードを示しています。 SLRM ノードの探索準備が整いました。

トップへ戻る

SLRM ノードを探索するには、次の手順に従ってください：

1. キャンペーン（SLRM） ノードをダブルクリックして、そのプロパティを表示します。
2. ターゲットフィールドには campaign を選択し、 ターゲット応答フィールドには response を選択します。
3. モデルオプションの「 レコードごとの最大予測数 」で、数を 2 に減らしてください。 これは、各顧客に対して、受け入れられる可能性が最も高い2つのオファーが特定されることを意味します。
4. モデル信頼性の考慮が選択されていることを確認してください。
5. 保存をクリックしてください。

進捗を確認してください

以下の図は流れを示しています。 モデルを生成する準備が整いました。

トップへ戻る

モデルを生成するには、次の手順に従ってください：

1. キャンペーン（SLRM） ノードにカーソルを合わせ、 実行アイコン をクリックします。
2. 出力とモデル ペインで、 キャンペーン モデルをクリックして結果を表示します。

   最初のビューには、各提案の予測の推定精度が表示されます。 「予測値の重要度」をクリックしてモデルの推定における各予測値の相対重要度を表示したり、「応答との関連付け (Association With Response)」をクリックして各予測値と対象変数の相関を表示したりすることもできます。

   

3. 予測対象の4つのオファーを切り替えるには、 [表示 ]メニューを使用してください。
4. フローに戻ります。

進捗を確認してください

以下の図は流れを示しています。 これで データ資産 他のノードを試す準備が整いました。

トップへ戻る

他の データ資産 ノードを試すには、次の手順に従ってください：

1. ノード pm_customer_train1.csv をフィラー ノードから切断してください。
2. ノード pm_customer_train2.csv をフィラー ノードに接続します。
3. キャンペーン（SLRM） ノードをダブルクリックし、 ビルドオプションで 「既存モデルのトレーニングを継続」 が選択されていることを確認してください。
4. 保存をクリックしてください。
5. フローを実行して、モデル・ナゲットを再生成します。 キャンペーン（SLRM） ノードにカーソルを合わせ、 実行アイコン をクリックします。
6. 出力とモデル ペインで、 キャンペーン モデルをクリックして結果を表示します。 これで、モデルには、各提案の予測の精度の、改訂済み推定値が表示されます。

   

7. ノード pm_customer_train2.csv をフィラー ノードから切り離す。
8. ノード pm_customer_train3.csv をフィラー ノードに接続します。
9. フローを実行して、モデル・ナゲットを再生成します。 キャンペーン（SLRM） ノードにカーソルを合わせ、 実行アイコン をクリックします。
10. 出力とモデル ペインで、 キャンペーン モデルをクリックして結果を表示します。

    

    これで、モデルには、各提案の予測の最終推定精度が表示されます。 表示されているように、平均精度は、データ・ソースを追加すると若干減少します。 しかしながら、この変動はごくわずかなものであり、入手可能なデータ内のわずかな異常によるものと見なされる可能性がある。

11. テーブルノードにカーソルを合わせ、 実行アイコン をクリックします。
12. 出力とモデル ペインで、 テーブル モデルをクリックして結果を表示します。

    

表の予測は、各顧客の詳細に基づいて、顧客が最も受け入れやすいオファーと、そのオファーを受け入れる確信度を示しています。 例えば、最初の行では、以前に自動車ローンを組んだ顧客が、もし提示されれば年金を受け入れるという確率は、 13.2 ％の信頼度評価（列 $SC-campaign-1 の 0.132 値 で示される）しかありません。 しかし、2行目と3行目にはさらに2人の顧客が自動車ローンを組んだことが示されている。彼らのケースでは、同様の履歴を持つ他の顧客と同様に、預金口座が提供されれば開設する確率が 95.7 %の信頼度で予測され、年金を受け入れる確率は80%を超える信頼度で予測される。

SPSS Modeler アルゴリズムガイドでは、本製品で使用されるモデリング手法の数学的 SPSS Modeler 基礎について解説しています。

これらの結果は、トレーニングデータのみに基づいています。 モデルが実世界の他のデータに対してどの程度一般化できるかを評価するには、 パーティションノードを使用して、テストおよび検証の目的でレコードのサブセットを保持します。

進捗を確認してください

以下の図は流れを示しています。

トップへ戻る