Nâng và tăng biểu đồ làm gì trong bối cảnh mô hình doanh thu nhân viên

Vì vậy, tôi đang cố gắng hiểu thêm về biểu đồ Nâng và Tăng vì nó áp dụng cho mô hình doanh thu nhân viên của tôi (tức là đã sử dụng CHAID trong SPSS Modeler). Đối với dữ liệu của tôi, điều này có nghĩa là dự đoán số người tự nguyện rời khỏi công ty.

Tôi đã xem xét các tài liệu tham khảo dưới đây và có những điều cơ bản về giải thích: những gì được vẽ trên trục x và y và đường cong lý tưởng mà bạn đang tìm kiếm. Tôi thậm chí đã thực hành xây dựng lợi ích của riêng mình và nâng biểu đồ trong Excel.

Nhưng tất cả các ví dụ tôi đã thấy cho đến nay là cho một chiến dịch thư trực tiếp. Bây giờ tôi muốn biết điều này có nghĩa gì cho dữ liệu của tôi. Có phải điều đó chỉ có nghĩa, trong trường hợp biểu đồ lợi ích mà nếu tôi lấy mẫu 10% dữ liệu hàng đầu của mình, tôi có thể mong đợi 40% thuật ngữ so với lấy mẫu 60% dữ liệu hàng đầu của tôi nhận được 80% thuật ngữ? (vui lòng giả sử 40% và 60% là các giá trị). Nếu vậy thì tôi nên lấy đi ý nghĩa gì vì tôi thực sự không hiểu nó trong bối cảnh mô hình doanh thu của mình?

Người giới thiệu:

nâng-đo-trong-dữ liệu khai thác

biểu đồ là gì

http://www2.cs.uregina.ca/~dbd/cs831/notes/lift_chart/lift_chart.html

modeling predictive-models

— daniellopez46
nguồn

Tại sao bạn sử dụng CHAID? Theo hiểu biết của tôi, đó là một phương pháp phân loại cây cũ có trước GIỎ HÀNG và thiếu nhiều thuộc tính thống kê tốt của GIỎI.

— Michael R. Chernick

(+1) để thể hiện nỗ lực nghiên cứu

— steffen

@Michael: Tôi đồng ý, đó là một phương pháp cũ hơn. Nhưng tôi đang ở một vị trí mà tôi đang nhặt những mảnh của một nhà phân tích trước đây đang sử dụng kể từ khi anh ấy rời công ty. Để bây giờ tôi chỉ chọn từ nơi anh rời đi. Cuối cùng, tôi muốn phân nhánh để sử dụng các phương pháp khác và thậm chí cả các bản hòa tấu. @ steffen - cảm ơn.

— daniellopez46

Đôi khi nó giúp hình dung mục tiêu của một phân tích như vậy và những gì một công ty có thể làm mà không cần một. Giả sử công ty dữ liệu doanh thu thuộc về muốn làm một cái gì đó chống lại tỷ lệ doanh thu cao (có thể). Tôi có thể tưởng tượng hai hành động có thể

Tìm hiểu những gì đang khiến mọi người rời đi và khắc phục điều này (không đủ sức khỏe? Không có teamsprite?) Nói chung
Tìm những nhân viên đang cân nhắc rời đi và nói chuyện với họ, tìm hiểu điều gì thúc đẩy họ khắc phục các vấn đề cụ thể cho họ.

Vậy tại sao điều này lại quan trọng?

Biểu đồ nâng là chủ yếu quan trọng cho usecase thứ hai. Hãy tưởng tượng những gì một công ty có thể làm khi họ quyết định đầu tư tiền nói chuyện với nhân viên 1-1 nhưng không có một mô hình? Tùy chọn duy nhất là nói chuyện với mọi người hoặc với mọi người trong một mẫu ngẫu nhiên có kích thước cố định. Nói chuyện với tất cả mọi người, mặc dù đạt được việc xác định tất cả các bộ phận tiềm năng là quá đắt. Nhưng khi chỉ có một mẫu ngẫu nhiên được chọn để nói chuyện, chỉ một phần nhỏ của tất cả các bộ phận tiềm năng được xác định trong khi vẫn tiêu tốn rất nhiều tiền. Trong cả hai trường hợp, chi phí cho mỗi lần nghỉ phép -ratio là khá cao.

Nhưng khi một mô hình tốt tồn tại, công ty có thể quyết định chỉ nói chuyện với những người có xác suất rời đi cao nhất (những người có đỉnh đầu theo mô hình), để xác định được nhiều yếu tố tiềm năng hơn, do đó tối ưu hóa chi phí cho mỗi phòng chống bệnh .

Hãy xem lại hai bảng đầu tiên ở đây: http://www2.cs.uregina.ca/~dbd/cs831/notes/lift_chart/lift_chart.html . Hãy nói rằng "khách hàng" = "nhân viên" và "người trả lời tích cực" = "người phụ thuộc tiềm năng" (xem dữ liệu bên dưới).

Nếu công ty quyết định họ chỉ có thể chi đủ tiền để nói chuyện với 10000 nhân viên, họ sẽ xác định

$\frac{20000}{100000}*10000=2000$ phận được xác định mà không có mô hình
$\frac{6000}{10000}*10000=6000$ phận được xác định với mô hình (chỉ chọn 10000 đầu theo điểm số của mô hình)

nghĩa là

sự cải thiện của yếu tố được mô tả là điểm (10%, 3) trong biểu đồ thang máy . $\frac{6000}{2000}=3$
rằng 6000 trong tổng số 20000 tổng số đã được xác định, tức là 30%, được mô tả là (10%, 30%) trong biểu đồ tăng . Đường cơ sở ở đây chỉ là 10%, bởi vì lấy một mẫu ngẫu nhiên 10000 nhân viên, chỉ có của tất cả các bộ phận tiềm năng được xác định . $\frac{10000 * (20000/100000)}{20000}=\frac{10000}{100000}=0.1$

Trục x trong cả hai trường hợp cho thấy tỷ lệ phần trăm nhân viên được liên hệ, trong ví dụ cụ thể này là 10%.

ruột thừa

Dữ liệu được sử dụng để làm cho câu hỏi này độc lập với thối liên kết.

Tỷ lệ chung

Tổng số nhân viên liên hệ với bộ phận xác định
100000 20000

Hiệu quả của mô hình khi nhân viên được liên lạc trong khối 10000

Tổng số nhân viên liên hệ với bộ phận xác định
10000 6000
20000 10000
30000 13000
40000 15800
50000 17000
60000 18000
70000 18800
80000 19400
90000 19800
100000 20000

— steffen
nguồn

Tiếng Anh không phải là ngôn ngữ mẹ đẻ của tôi và tôi không thích sử dụng "máy chủ". Thuật ngữ chính xác ở đây là gì?

— steffen

Steffen, "người bỏ cuộc" là điều dễ hiểu nhưng "người phụ nữ" có thể thông thường hơn. Tuy nhiên, việc sử dụng "bị bắt" là một chút chói tai, bởi vì từ này có ý nghĩa của một người bị bắt vì sự bất hợp lý: một tên tội phạm bị "bắt" nhưng đối tượng của một nghiên cứu được "xác định".

— whuber

Steffen, thuật ngữ chung được sử dụng khi mô tả mô hình khuấy đảo trong phân tích tiếp thị / quản lý quan hệ khách hàng là "Attriter". Điều này liên quan đến khái niệm tiêu hao. Tôi nghi ngờ thuật ngữ đó phù hợp trong thế giới phân tích nguồn nhân lực, nhưng không thể nói chắc chắn.

— B_Miner

@Whuber, vâng nó là một thuật ngữ chuyên ngành. Người ta cũng đề cập đến sự tiêu hao "cứng" và "mềm". Cái trước thường là sự lựa chọn chủ động của khách hàng và cái sau là một lựa chọn ít hơn mà công ty có thể tác động / can thiệp để sửa chữa. Ví dụ, một số khách hàng là những người phục vụ mềm vì họ di chuyển, hoặc chết hoặc bị công ty xóa do không thanh toán. Trong một số mô hình khuấy đảo sử dụng phân tích tỷ lệ sống (thường là thời gian rời rạc), rủi ro cạnh tranh được sử dụng để phân biệt các nguyên nhân gây tiêu hao này.

— B_Miner

Đôi khi, tiêu hao mềm cũng được sử dụng để mô tả mối quan hệ vẫn "hoạt động" về mặt kỹ thuật nhưng khách hàng không còn tham gia (ví dụ: vẫn có tài khoản thẻ tín dụng nhưng không tính phí bất kỳ điều gì trong một khoảng thời gian nhất định).

— B_Miner