La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Analisi esplorativa con Weka Esercitazione Data Mining 08/10/2008.

Presentazioni simili


Presentazione sul tema: "Analisi esplorativa con Weka Esercitazione Data Mining 08/10/2008."— Transcript della presentazione:

1 Analisi esplorativa con Weka Esercitazione Data Mining 08/10/2008

2 Obiettivi Introduzione del tool Weka Analisi di un caso studio: Churn

3 Weka Dataset Rappresentazione: Su file: formato ARFF In Weka: Instances Il formato arff ha due distinte sezioni Intestazione (Metadati) @relation (nome della relazione) @attribute (lista degli attributi) Corpo @data (le istanze)

4 ARFF: tipi di dati Numeric, Real @attribute numeric @attribute real Nominal Specification, lista di valori: @attribute {,,…} String: @attribute string Date: @attribute date [ ] Relational @attribute relational @end

5 Esempio di file ARFF

6 Weka Sono disponibili quattro modalità Simple CLI Linea di comando Explorer Versione grafica di base Experimenter Parte sperimentale con collegamento a JDBC KnowledgeFlow Versione drag and drop

7 Weka

8 Explorer Nella sezione in alto sono visibili le operazioni disponibili

9 Preprocessing Distribuzioni in funzione della classe selezionata Apertura Dataset Attributi del dataset Tipo di Filtro da applicare

10 Caso studio: Churn E un dataset disponibile presso lUCI Repository Contiene 20 attributi e 3333 tuple Le informazioni sono relative al fenomeno dellattrition di una compagnia telefonica

11 Dettagli (1/3) State: categorico, codici relativi ai 50 stati USA più quello del distretto della Columbia Account length: integer, tempo di vita totale dellaccount Area code: categorico Phone number: essenzialmente si comporta alla stregua di un ID International Plan: binario dicotomico, yes o no VoiceMail Plan: binario dicotomico, yes o no Number of voice mail messages: integer

12 Dettagli (2/3) Total day minutes: continuo, minuti usati dal cliente durante il giorno Total day calls: integer Total day charge: continuo, probabilmente basato su due precedenti variabili Total evening minutes: continuo, minuti usati dal cliente durante la sera Total evening calls: integer Total evening charge: continuo, probabilmente basato su due precedenti variabili

13 Dettagli (3/3) Total night minutes: continuo, minuti usati dal cliente durante la notte Total night calls: integer Total night charge: continuo, probabilmente basato su due precedenti variabili Total international minutes: minuti usati dal cliente per fare chiamate internazionali Total international calls: integer Total international charge: continuo, probabilmente basato su due precedenti variabili Number of calls to customer service: integer

14 Correlazione tra variabili (1/3) Il dataset contiene 3 variabili potenzialmente correlate: minutes, calls, and charge. La descrizione dei dati indica che la variabile charge può essere funzione di minutes e call. Per valutare possibili correlazioni possiamo utilizzare lo scatter plot.

15 Correlazione tra variabili (2/3) Esempio: day charge e day mins

16 Correlazione tra variabili (3/3) In weka è disponibile il Matrix Plot rispetto alle diverse combinazioni tra variabili

17 Analisi Esplorativa degli Attributi Categorici In questa fase è interessante indagare come questi attributi si distribuiscano rispetto alla variabile obiettivo

18 Analisi Esplorativa degli Attributi Categorici International Plan

19 Analisi Esplorativa degli Attributi Categorici In figura è mostrato un confronto tra la percentuale di churners (rosso) e nonchurners (blu) tra i clienti che avevano scelto il piano internazionale (sì, 9,69% dei clienti) o no (no, 90,31% dei clienti). Il grafico sembra indicare che una buona percentuale di coloro i quali hanno un piano internazionale sono churning, ma è difficile esserne sicuri.

20 Cross Tabulation su International Plan International Plan ChurnNoYes False.2664186 True.346137 Nella tabella è mostrato il risultato della cross-tabulazione.

21 Analisi (1/2) Si noti che la somma dei valori contenuti nella prima colonna coincide col numero totale di coloro i quali non erano titolari del piano internazionale, 3010 (2664 + 346) ; viceversa dicasi per la seconda colonna. La prima riga nella tabella mostra il numero di coloro i quali non abbandonano la loro compagnia, mentre la seconda riga mostra viceversa i rinunciatari. Il dataset contiene un totale di 483 (346 + 137) churners rispetto ai 2850 (2664 + 186) non- churners; ossia il 14,5% (483 / (483 + 2.850)) dei clienti totali sono churners.

22 Analisi (2/2) Si noti che il 42,4% (137 / (137 + 186)) di coloro i quali che sono titolari di un piano internazionale sono anche churned, rispetto al solo 11.5% (346 / (346 + 2.664)) di coloro che non ne sono titolari. I clienti che hanno selezionato il piano internazionale e che abbandonano la loro compagnia sono percentualmente il triplo rispetto a quelli che non lo hanno selezionato. Questa analisi sul piano internazionale indica che: Forse dovremmo indagare sulle cause che inducono i clienti con un piano internazionale a lasciare la loro compagnia! Quello che ci aspettiamo è che utilizzando un algoritmo di data mining per prevedere labbandono del servizio, il modello utilizzerà la presenza o meno del piano internazionale nel profilo del cliente per prevedere labbandono.

23 Analisi Esplorativa degli Attributi Categorici VoiceMail Plan

24 Cross Tabulation su VoiceMail Plan Nella tabella è mostrato il risultato della cross-tabulazione. VoiceMail Plan ChurnNoYes False.2008842 True.40380

25 Analisi (1/2) Prima di tutto, possiamo notare che 922 (842 + 80) clienti hanno il piano VoiceMail, mentre il 2411 (2008 + 403) non lo hanno. Possiamo quindi individuare che il 16.7% (403/2411) di coloro i quali non possiedono il piano VoiceMail sono churners, rispetto allo 8,7% (80/922) dei clienti che hanno il piano VoiceMail. In prima istanza possiamo dire che i churners senza la tariffa VoiceMail sono percentualmente il doppio rispetto ai churners con questo piano.

26 Analisi (2/2) Questa analisi del piano VoiceMail ha indicato che: Forse dovremmo diffondere maggiormente questa tariffa al fine di migliorare la fidelizzazione. Ci aspettiamo che un qualsiasi algoritmo di data mining, per predire churn, tenga in considerazione lattributo che indica la presenza del piano tariffario VoiceMail

27 Dati Anomali Area code Numerico nella rappresentazione, ma in realtà è un valore nominale (codice di un area geografica) Presenta solo tre possibili valori (408, 415 e 510)

28 Dati Anomali I codici corrispondono ad aree geografiche presenti in california Problema: La cross tabulation con state ci indica che quei codici sono sparsi su tutti gli stati membri degli USA

29 Dati Anomali

30 E possibile che un esperto di dominio sia in grado di spiegare questa situazione o che effettivamente che il campo contenga dati errati. In prima analisi decidiamo di omettere lattributo

31 Analisi Esplorativa degli Attributi Numerici Per lanalisi ovvero la valutazione degli attributi numerici saranno utilizzate alcune misure come: Il massimo, il minimo, la media, la deviazione standard, e la mediana.

32 Analisi Esplorativa degli Attributi Numerici MassimoMinimoMediaDev. St.Mediana Account Length2431101,064839,81613101 VMail Message5108,0990113,686310 Day Mins350,80179,775154,45922179,4 Day Calls1650100,435620,06607101 Day Charge59,64030,562319,25804530,5 Eve Mins363,70200,980350,70624201,4 Eve Calls1700100,114319,91964100 Eve Charge30,91017,083544,31002117,12 Night Mins39523,2200,87250,56626201,2 Night Calls17533100,107719,56567100 Night Charge17,771,049,0393252,2755319,05 Intl Mins20010,237292,79142110,3 Intl Calls2004,4794482,4608454 Intl Charge5,402,7645810,753662,78 CustServ Calls901,5628561,3152941

33 Analisi Esplorativa degli Attributi Numerici In prima istanza possiamo osservare che il campo Account Length ha come valore minimo 1, come valore massimo 243, mentre media e mediana assumono valori allincirca uguali (101) Tale valori ci indicano una simmetria nei dati Le stesse osservazioni si possono effettuare su diversi campi, tra cui tutti i minutes, charge, e call.

34 Analisi Esplorativa degli Attributi Numerici Gli altri campi voice mail messages e customer service calls non sembrano mostrare alcuna simmetria. In particolare: La mediana per voice mail messages è zero, ciò sta ad indicare che almeno metà dei cliente non hanno messaggi voicemail. Questo risultato, naturalmente, indica che meno della metà dei clienti scelgono il piano VoiceMail, come visto sopra.

35 Analisi Esplorativa degli Attributi Numerici La media di chiamate al servizio clienti (1.563) è superiore alla mediana (1.0), mostrando una certa simmetria destra, come anche indicato dal numero massimo di chiamate il servizio clienti ossia 9.

36 Analisi Esplorativa degli Attributi Numerici

37 I clienti che hanno chiamato il servizio clienti meno di tre volte hanno un tasso marcatamente inferiore a quello dei clienti che hanno chiamato il servizio clienti di quattro o più volte. Queste analisi sulle chiamate al servizio clienti hanno indicato che: Dobbiamo monitorare attentamente il numero di chiamate al servizio clienti per ciascun cliente. Alla terza chiamata, dovrebbero essere offerti forti incentivi per conservare fidelizzazione dei clienti. Ci dobbiamo aspettare che qualunque algoritmo di data mining che usiamo per prevedere se il cliente è churn, probabilmente utilizzera il numero di chiamate al servizio clienti per effettuare la predizione.

38 Riassunto dei risultati dellanalisi condotta Account lengthNessuna ovvia relazione con churn, ma mantenuto Area codeAnomalo. Omesso dal modello. Phone numberSi comporta come un ID. Omesso dal modello. International PlanPredittivo di Churn. Mantenuto. VoiceMail PlanPredittivo di Churn. Mantenuto. Number of voice mail messagesNessuna ovvia relazione con churn, ma mantenuto Total day minutesPredittivo di Churn. Mantenuto. Total day callsNessuna ovvia relazione con churn, ma mantenuto Total day chargeFunzione di minutes. Omesso dal modello. Total evening minutesPredittivo di Churn. Mantenuto. Total evening callsNessuna ovvia relazione con churn, ma mantenuto Total evening chargeFunzione di minutes. Omesso dal modello. Total night minutesNessuna ovvia relazione con churn, ma mantenuto Total night callsNessuna ovvia relazione con churn, ma mantenuto Total night chargeFunzione di minutes. Omesso dal modello. Total international minutesNessuna ovvia relazione con churn, ma mantenuto. Total international callsNessuna ovvia relazione con churn, ma mantenuto Total international chargeFunzione di minutes. Omesso dal modello. Customer service callsPredittivo di Churn. Mantenuto.

39 Binning Il binning è un insieme di tecniche volte alla categorizzazione dei dati: Discretizzazione di dati numerici in classi Esempio 1: possiamo suddividere lattributo day minutes in tre classi: low, medium, high Esempio 2: possiamo suddividere le età di una popolazione nelle classi: bambino, adulto, anziano Raggruppamento di dati categorici in classi Esempio: possiamo decidere di raggruppare i valori dellattributo state in macro regioni, e di sostiuire questultimo con un nuovo attributo che chimeremo region. Quindi i valori California, Oregon, Washington, Alaska e Hawai verranno convertiti nel singolo valore Pacific, ad indicare che per la nostra analisi serve solo sapere la regione territoriale di interesse e non il singolo stato di appartenenza (stiamo aumentando la granularità)

40 Binning Il binning è un insieme di tecniche a cavallo tra lanalisi ed il pre – processamento dei dati. Esistono tante strategie per il binning di dati numerici: Creare classi di uguale estensione, così come abbiamo visto per gli istogrammi di uguale estensione (equal-width histograms). Provare a creare classi che contengano lo stesso numero di tuple. Provare a suddividere in range i valori degli attributi in funzione della variabile target. In questo modo cerchiamo di identificare comportamenti comuni allinterno dei dati che riferiscono ad uno stesso valore di attributo target

41 Binning sullesempio proposto Come presentato prima i clienti, che hanno effettuato meno di 4 chiamate al servizio clienti, hanno un tasso di abbandono più basso di quelli che hanno chiamato il servizio clienti 4 o più volte. Potremmo decidere di raggruppare I valore di customer service calls in due classi: low e high.

42 Binning sullesempio proposto Questa figura mostra che il tasso di abbandono degli utenti con un basso numero di chiamate al servizio utenti è di 11.25%, mentre il tasso di abbandono degli altri utenti è del 51.69%, 4 volte più grande.


Scaricare ppt "Analisi esplorativa con Weka Esercitazione Data Mining 08/10/2008."

Presentazioni simili


Annunci Google