Predictive analytics example

1. ‫ויזל‬ ‫יוסי‬
1
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
PREDICTIVE
ANALYTICS
"‫ניבוי‬‫מאוד‬ ‫מסובך‬ ‫עסק‬ ‫הוא‬,‫לעתיד‬ ‫בנוגע‬ ‫במיוחד‬"
)‫בוהר‬ ‫נילס‬(
‫ויזל‬ ‫יוסי‬
wiesel@idc.ac.il
062-3881855
1
The Power to Predict Who Will
Click, Buy, Lie, or Die
‫בעית‬‫הניבוי‬-‫הרעיון‬‫הבסיסי‬
‫ידועים‬ ‫פרמטרים‬ ‫של‬ ‫ערכים‬ ‫בהינתן‬,
‫של‬ ‫ערכו‬ ‫את‬ ‫לנבא‬ ‫נוכל‬ ‫האם‬"‫מטרה‬ ‫פרמטר‬"?
‫לדוגמה‬:
‫ההלוואה‬ ‫את‬ ‫יחזיר‬ ‫לווה‬ ‫אם‬ ‫לנבא‬ ‫נוכל‬ ‫האם‬?
‫לקמפיין‬ ‫ייענה‬ ‫פוטנציאלי‬ ‫לקוח‬ ‫אם‬ ‫לנבא‬ ‫נוכל‬ ‫האם‬?
‫לחולה‬ ‫תעזור‬ ‫מסוימת‬ ‫תרופה‬ ‫אם‬ ‫לנבא‬ ‫נוכל‬ ‫האם‬?
‫קניה‬ ‫יבצע‬ ‫שלנו‬ ‫באתר‬ ‫מבקר‬ ‫איזה‬ ‫לנבא‬ ‫נוכל‬ ‫האם‬?
2

2. ‫ויזל‬ ‫יוסי‬
2
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
‫דוגמאות‬‫נוספות‬
 1. Identifying people who don’t pay their taxes.
 2. Calculating the probability of having a stroke in the next 10 years.
 3. Spotting which credit card transactions are fraudulent.
 4. Selecting suspects in criminal cases.
 5. Deciding which candidate to offer a job to.
 6. Predicting how likely it is that a customer will become bankrupt.
 7. Establishing which customers are likely to defect to a rival phone plan
 when their current contract is up.
 8. Producing lists of people who would enjoy going on a date with you.
 9. Determining what books, music and films you are likely to purchase next.
 10. Predicting how much you are likely to spend at your local supermarket
 next week.
 11. Forecasting life expectancy.
 12. Estimating how much someone will spend on their credit card this year.
 13. Inferring when someone is likely to be at home (so best time to call them).
3
‫החביבה‬ ‫והדוגמה‬–‫האחרונה‬ ‫הדקה‬
)‫טיסות‬,‫מלונות‬,‫הצגות‬(
4
‫של‬ ‫כפונקציה‬ ‫נרד‬ ‫מחיר‬ ‫לאיזה‬:
‫הטיסה‬ ‫לפני‬ ‫זמן‬
‫האוויר‬ ‫מזג‬
‫בשנה‬ ‫תקופה‬
‫ביעד‬ ‫חריג‬ ‫אירוע‬
‫נשארו‬ ‫מקומות‬ ‫כמה‬
‫כלכלי‬ ‫רוח‬ ‫מצב‬
‫מס‬'‫שנשארו‬ ‫מקומות‬
‫ועוד‬...

3. ‫ויזל‬ ‫יוסי‬
3
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
Airbnb and Big data: “Price Tips”
5
 Price Tips is a guide that tells hosts, for each day of the
year, how likely it is for them to get a booking at their
current price.
 Hosts can see what dates are likely to be booked at their
current price (green) and which aren’t (red).
 When price is within 5% of the suggested price, the
chances are nearly four times to get a booking.
Linear Model
‫דוגמה‬:‫הלוואות‬
‫אשראי‬ ‫לתת‬ ‫למי‬ ‫החלטה‬
6

4. ‫ויזל‬ ‫יוסי‬
4
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
Credit scoring
‫לקוח‬ ‫כל‬‫מדורג‬"‫דירוג‬"
‫בסיס‬ ‫על‬8‫פרמטרים‬
7
‫היסטורי‬ ‫ניתוח‬-‫סיכויי‬‫הדירוג‬ ‫מול‬ ‫ההלוואה‬ ‫החזר‬
8

5. ‫ויזל‬ ‫יוסי‬
5
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
‫רווחיות‬‫מול‬‫הפסד‬
9
‫שנתון‬ ‫נניח‬:
‫שמוחזרת‬ ‫הלוואה‬ ‫מכל‬ ‫הרווח‬–500$
‫אבודה‬ ‫הלוואה‬ ‫מכל‬ ‫ההפסד‬–8,000$
‫היא‬ ‫הקריטי‬ ‫היחס‬ ‫ולכן‬1:16
‫דירוג‬ ‫לבעלי‬ ‫רק‬ ‫יינתנו‬ ‫הלוואות‬<580
Regression Model
10
‫היעד‬:
‫עוד‬ ‫השגת‬25,000‫יינות‬ ‫שיקנו‬ ‫לקוחות‬
‫התקציב‬:
$1.2‫מיליון‬
‫נתון‬:
‫הוא‬ ‫מארז‬ ‫ממכירת‬ ‫רווח‬75$
‫היא‬ ‫ישיר‬ ‫קמפיין‬ ‫עלות‬2$
‫מידע‬:
‫של‬ ‫רשימה‬ ‫יש‬ ‫השיווק‬ ‫למחלקת‬5.1‫הכנסות‬ ‫אודות‬ ‫מידע‬ ‫עם‬ ‫תושבים‬ ‫מיליון‬,‫גיל‬,
‫עיסוק‬,‫ועוד‬ ‫רכב‬ ‫על‬ ‫בעלות‬
‫אבל‬–‫בעבר‬ ‫יין‬ ‫צריכת‬ ‫על‬ ‫מידע‬ ‫ללא‬

6. ‫ויזל‬ ‫יוסי‬
6
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
11
‫נאיבית‬ ‫גישה‬:
‫של‬ ‫קמפיין‬600,000‫פניות‬)1.2$‫מיליון‬(
‫גישה‬predictive:
‫של‬ ‫קמפיין‬100,000‫פניות‬)200,000$(
‫ניבויי‬ ‫מודל‬ ‫בנית‬
‫ממוקד‬ ‫קמפיין‬
Predictive Analytics
12
Predictor variable:
‫הכנסה‬
‫עיסוק‬
‫גיל‬
‫רכב‬ ‫על‬ ‫בעלות‬
...
Behavioral data:
‫לא‬ ‫או‬ ‫יין‬ ‫יקנה‬

7. ‫ויזל‬ ‫יוסי‬
7
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
‫מתוך‬100,000‫פניות‬‫רק‬1,600‫קנו‬
13
‫הרווח‬‫הגדול‬–‫עץ‬‫החלטה‬
14

8. ‫ויזל‬ ‫יוסי‬
8
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
‫ניתוח‬‫הנתונים‬
15
‫קמפיין‬‫רק‬‫ל‬3‫המקטעים‬9-11
16

9. ‫ויזל‬ ‫יוסי‬
9
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
‫הרווח‬‫הגדול‬–‫עץ‬‫החלטה‬
17
‫שלב‬‫ב‬
18
‫היעד‬:
‫של‬ ‫נוסף‬ ‫רווח‬500,000$

10. ‫ויזל‬ ‫יוסי‬
10
‫מידע‬ ‫למערכות‬ ‫אסטרטגי‬ ‫יעוץ‬
Regression Model
19
‫הוא‬ ‫הממוצע‬ ‫הרווח‬75$
‫ל‬ ‫עידון‬3‫רווח‬ ‫קבוצות‬:
‫עידון‬‫של‬‫מקטעים‬1-8
20