Fazer ofertas aos clientes (autoaprendizagem)

O projeto de amostra contém vários conjuntos de dados e fluxos de modelador de amostra. Se você ainda não tiver o projeto de amostra, consulte o tópico Tutoriais para criar o projeto de amostra. Em seguida, siga estas etapas para abrir o projeto de amostra:

1. Em Cloud Pak for Data no menu de navegação , escolha Projetos > Exibir todos os projetos.
2. Clique em SPSS Modeler Project.
3. Clique na guia Assets (Ativos ) para ver os conjuntos de dados e os fluxos do modelador.

Verifique seu progresso

A imagem a seguir mostra a guia Assets (Ativos) do projeto. Agora você está pronto para trabalhar com o fluxo do modelador de amostra associado a este tutorial.

de volta para a parte superior

o fluxo do modelador Fazendo ofertas aos clientes - Auto-aprendizagem inclui vários nós. Siga estas etapas para examinar os nós Data Asset e Filler:

1. Na guia Ativos, abra o fluxo do modelador Making Offers to Customers - Self-Learning e aguarde o carregamento da tela.
2. Clique duas vezes no nó pm_customer_train1.csv. Esse nó é um nó de ativo de dados que aponta para o arquivo pm_customer_train1.csv no projeto.
3. Revise as propriedades do formato do arquivo.
4. Opcional: Clique em Preview data (Visualizar dados) para ver o conjunto completo de dados.
5. Clique duas vezes no nó Filler.
   Os nós de preenchimento são usados para substituir valores de campo e alterar o armazenamento. É possível optar por substituir os valores com base em uma condição do CLEM especificada, como @BLANK(FIELD). Como alternativa, é possível optar por substituir todos os valores em branco ou nulos por um valor específico. Os nós de preenchimento são frequentemente usados com o nó Type para substituir valores ausentes.
   Na seção Preencher campos, é possível especificar os campos do conjunto de dados cujos valores você deseja examinar e substituir. Nesse caso, a coluna " campaign é especificada junto com uma seleção Always na seção Replace (Substituir ).
6. Clique em Cancel.

Verifique seu progresso

A imagem a seguir mostra o nó Filler. Agora você está pronto para examinar os nós Type e Reclassify.

de volta para a parte superior

Siga estas etapas para examinar os nós Type e Reclassify:

1. Clique duas vezes no nó Type para ver suas propriedades.
   Com o nó Type, você pode indicar os tipos de campos que está usando e como eles são usados para prever os resultados. Observe que a função dos campos " campaign e " response está definida como Target. Os alvos especificados são os campos nos quais você deseja basear suas previsões. A medida é definida como sinalizador para o campo " response.
2. Clique em Ler valores.

   

3. Clique em Salvar.

   Como os dados do campo da campanha são exibidos como uma lista de números (1, 2, 3 e 4), é possível reclassificar os campos para ter títulos mais significativos.

4. Clique duas vezes no nó Reclassify para ver suas propriedades.
5. Na seção Reclassificar em, selecione o campo Existente.
6. Em seguida, na seção Reclassify Field (Reclassificar campo ), selecione campaign (campanha).
7. Clique em Obter valores. Os valores da campanha são adicionados à coluna " ORIGINAL VALUE.
8. Observe que na seção Valores, na coluna " NEW VALUE, há quatro linhas:
   • Mortgage
   • Car loan
   • Savings
   • Pension
9. Clique em Salvar.

Verifique seu progresso

A imagem a seguir mostra o nó Reclassify. Agora você está pronto para explorar o nó SLRM.

de volta para a parte superior

Siga estas etapas para explorar o nó SLRM:

1. Clique duas vezes no nó da campanha (SLRM) para visualizar suas propriedades.
2. Selecione " campaign para o campo Target e " response para o campo Target response.
3. Em Model Options (Opções de modelo), para Maximum number of predictions per record (Número máximo de previsões por registro), reduza o número para 2. Isso significa que, para cada cliente, há duas ofertas identificadas que têm a maior probabilidade de serem aceitas.
4. Certifique-se de que a opção Levar em conta a confiabilidade do modelo esteja selecionada.
5. Clique em Salvar.

Verifique seu progresso

A imagem a seguir mostra o fluxo. Agora você está pronto para gerar o modelo.

de volta para a parte superior

Siga estas etapas para gerar o modelo:

1. Passe o mouse sobre o nó da campanha (SLRM) e clique no ícone Executar .
2. No painel Outputs and models (Saídas e modelos ), clique no modelo de campanha para visualizar os resultados.

   A visualização inicial mostra a precisão estimada das previsões para cada oferta. Também é possível clicar em Importância do preditor para ver a importância relativa de cada preditor na estimativa do modelo ou clicar em Associação com a resposta para mostrar a correlação de cada preditor com a variável de destino.

   

3. Para alternar entre cada uma das quatro ofertas para as quais há previsões, use o menu Exibir.
4. Retorne ao fluxo.

Verifique seu progresso

A imagem a seguir mostra o fluxo. Agora você está pronto para fazer experiências com outros nós de Data Asset.

de volta para a parte superior

Siga estas etapas para fazer experiências com outros nós de Data Asset:

1. Desconecte o nó pm_customer_train1.csv do nó Filler.
2. Conecte o nó pm_customer_train2.csv ao nó Filler.
3. Clique duas vezes no nó da campanha (SLRM) e, em Opções de construção, certifique-se de que Continuar treinando o modelo existente esteja selecionado.
4. Clique em Salvar.
5. Execute o fluxo para gerar novamente o nugget do modelo. Passe o mouse sobre o nó da campanha (SLRM) e clique no ícone Executar .
6. No painel Outputs and models (Saídas e modelos ), clique no modelo de campanha para visualizar os resultados. O modelo agora mostra as estimativas revisadas de precisão das previsões para cada oferta.

   

7. Desconecte o nó pm_customer_train2.csv do nó Filler.
8. Conecte o nó pm_customer_train3.csv ao nó Filler.
9. Execute o fluxo para gerar novamente o nugget do modelo. Passe o mouse sobre o nó da campanha (SLRM) e clique no ícone Executar .
10. No painel Outputs and models (Saídas e modelos ), clique no modelo de campanha para visualizar os resultados.

    

    O modelo agora mostra a precisão final estimada das previsões para cada oferta. Como você pode ver, a precisão média caiu ligeiramente à medida que você adicionou as fontes de dados adicionais. Entretanto, essa flutuação é mínima e pode ser atribuída a pequenas anomalias nos dados disponíveis.

11. Passe o mouse sobre o nó Table e clique no ícone Run (Executar ) .
12. No painel Outputs and models (Saídas e modelos ), clique no modelo Table (Tabela ) para visualizar os resultados.

    

As previsões na tabela mostram quais ofertas um cliente tem maior probabilidade de aceitar e a confiança de que ele aceitará essa oferta, dependendo dos detalhes de cada cliente. Por exemplo, na primeira linha, há apenas um índice de confiança 13.2(denotado pelo valor ' 0.132 na coluna ' $SC-campaign-1 ) de que um cliente que anteriormente fez um empréstimo de carro aceite uma pensão se lhe for oferecida. No entanto, a segunda e a terceira linhas mostram mais dois clientes que também fizeram um empréstimo de carro; em seus casos, há 95.7 de confiança de que eles, e outros clientes com históricos semelhantes, abrem uma conta poupança se lhes for oferecida uma, e mais de 80% de confiança de que aceitam uma pensão.

As explicações sobre os fundamentos matemáticos dos métodos de modelagem usados no SPSS Modeler estão disponíveis no SPSS Modeler Algorithms Guide.

Esses resultados são baseados apenas nos dados de treinamento. Para avaliar o grau de generalização do modelo para outros dados no mundo real, use um nó Partition para manter um subconjunto de registros para fins de teste e validação.

Verifique seu progresso

A imagem a seguir mostra o fluxo.

de volta para a parte superior