1. Real-time prediktivní
analytika na webu
Jiří Brázda
13. 6. 2012

2. Data mining
Logistická regrese
Principal component analysis
# PREDICTION
d.te$predProb <- predict(cs.m3bf, newdata=d.te, type="response"); #predict on testing set
tapply(d.te$predProb, d.te$yPurchase, mean, na.rm=T); #probability mean by response group
# CROSSVALIDATION
d.te$predYPurchase <- ifelse(
d.te$predProb < val.prob(d.te$predProb, as.numeric(d.te$yPurchase),cex=.5)[2], #ROC
0,1);

3. Případová studie

4.  4. největší pojišťovna dle předepsaného pojistného v
neživotním pojištění v ČR
 Naše case study [PDF]
2011: http://j.mp/csobpoj-redesign
2010: http://j.mp/csobpoj-omniture
Real-time prediktivní analytika na webu | Optimics 4

5. Real-time prediktivní analytika na webu | Optimics 5

6. 1 2 3 4 5 6
Real-time prediktivní analytika na webu | Optimics 6

7. V momentě výpočtu ceny se pokoušíme o predikci, zda
tato návštěva skončí sjednáním pojistky či nikoliv
Real-time prediktivní analytika na webu | Optimics 7

8. Postup vytvoření prediktivního modelu
 Definice zadání a výběr proměnných
 Příprava dat z Adobe SiteCatalyst
 Rozdělení dat na training / test
 Vytvoření modelu na training datech (logistická
regrese)
 Ověření modelu na test datech
 Návrh aplikace modelu do praxe na webu
– zvýšení konverzního poměru
– zvýšení průměrného pojistného
Real-time prediktivní analytika na webu | Optimics 8

9. Predikce x skutečnost
Real-time prediktivní analytika na webu | Optimics 9

10. Prediktivní analytika je jako popelka…
… snaží se oddělit hrách a čočku do dvou ošatek
hrách
čočka
Real-time prediktivní analytika na webu | Optimics 10

11. Jaký faktor zdaleka nejvíce
zvyšuje pravděpodobnost
sjednání pojistky?
A. Cena (čím nižší cena, tím větší
pravděpodobnost)
B. Předchozí nákup (tj. zákazník v minulosti již
sjednal cestovní pojištění)
C. Počet dětí na pojistce (čím více dětí, tím
větší pravděpodobnost)

12. Sjednání pojistky v minulosti
Real-time prediktivní analytika na webu | Optimics 12

13. Hodnocení modelu

14. ROC
Real-time prediktivní analytika na webu | Optimics 14

15. Konzervativní model
Real-time prediktivní analytika na webu | Optimics 15

16. Liberální model
Real-time prediktivní analytika na webu | Optimics 16

17. Volba modelu závisí na aplikaci!!!
 Volba modelu závisí na jeho aplikaci v reálném
světě (a typicky nákladech spojených s false
positives):
– Ve zdravotnictví mohou mít false positives vážné
následky
– Na webu lze (relativně) beztrestně A/B testovat
 Kritériem úspěšnosti modelu může být accuracy
 Kritériem úspěšnosti prediktivní analytiky by měly
být metriky související s prodeji / náklady /
spokojeností zákazníků
Real-time prediktivní analytika na webu | Optimics 17

18. Co bude teď dalším krokem pro
ČSOB Pojišťovnu?
A. Ladit model k dokonalosti. Zvyšovat
kvalitativní parametry a přesnost modelu.
B. Aplikovat model do praxe v rámci svého
programu A/B testování na webu.

19. Na dlouhé večery…
 R http://www.r-project.org/
 RapidMiner http://rapid-i.com/
 Intro to ROC http://j.mp/introROC
 Intro to DM http://j.mp/introDM
 Data Mining http://j.mp/DMtechniques
Techniques
Real-time prediktivní analytika na webu | Optimics 19

20. Děkuji za pozornost!
+420 602345620
jiri.brazda@optimics.cz