POLECAMY
-24%
Redakcja:
Wydawca:
Format:
pdf, ibuk
"We wstępie do swojej książki"" Czwarta rewolucja przemysłowa"" profesor Klaus Schwab pisze m.in.:
""Znajdujemy się na początku przewrotu, który w sposób fundamentalny zmienia sposób, w jaki żyjemy, pracujemy i utrzymujemy kontakty. Spośród różnorakich i fascynujących wyzwań, które w związku z tym stoją dzisiaj przed nami, największym i najważniejszym zadaniem jest zrozumieć nową rewolucję technologiczną i odpowiednio ukierunkować jej przebieg. (...) Jesteśmy świadkami ogromnych zmian we wszystkich branżach; wyłaniają się nowe technologie biznesowe, pojawiają się przełomowe zakłócenia w istniejącym porządku, które rewolucjonizują systemy produkcji, konsumpcji, transportu i dostaw. Na froncie społecznym zachodzi zmiana paradygmatu określającego, jak pracujemy i komunikujemy się, a także jak się wyrażamy, jak przekazujemy informacje i jakich szukamy rozrywek"". Zmiany te charakteryzują się dużą szybkością, szerokością i głębią oraz wpływem na transformację wszystkich systemów. Obecnie modele są podstawą większości, jeśli nie wszystkich, decyzji biznesowych. Coraz częściej firmy poszukują analityki jako kluczowego, strategicznego wyróżnika, który umożliwia kierowanie ogromną liczbą decyzji operacyjnych każdego dnia. Jednocześnie firmy identyfikują zagrożenia. Według SAS White Paper 2018 jednym z istotniejszych czynników hamujących sukces analizy jest opóźnienie między tworzeniem a wdrażaniem modeli. Głównym powodem opóźnień we wdrożeniu modeli jest to, że firmy produkują i wdrażają je w dwóch oddzielnych środowiskach: biznesowym i informatycznym (IT). Analitycy z różnych jednostek biznesowych budują modele, a działy IT je wdrażają. Obie grupy polegają innym zestawom procesów, kodów programowania i języków, które utrudniają szybką reakcję na zmieniające się warunki biznesowe. Jeśli firmy chcą usprawnić produkcję modeli, lepszym pomysłem jest automatyzacja powtarzalnych aspektów pracy i migracja modeli do procesu ciągłego podejmowania decyzji. Odpowiedzią jest fabryka analityczna, czyli połączone dwa środowiska i automatyzacja procesów oraz decyzji. Znaczącą część analityki dla biznesu stanowią modele predykcyjne. Ocena dokładności predykcyjnej jest ważnym aspektem oceny i porównywania modeli, algorytmów lub technologii, które generują prognozy. Prognozy i projekcje stały się istotną częścią każdego przedsięwzięcia biznesowego i naukowego. Monografia ""Modelowanie dla biznesu"" przedstawia istotę i modelowanie z zakresu analityki biznesowej w wybranych obszarach zastosowań. Monografia rozpoczyna cykl publikacji ""Modelowanie dla biznesu"", serii, która będzie prezentować różnorodne przykłady modelowania biznesowego z wykorzystaniem różnych metod analizy, włączając za każdym razem modelowanie predykcyjne.
"
Rok wydania | 2019 |
---|---|
Liczba stron | 419 |
Kategoria | Inne |
Wydawca | Szkoła Główna Handlowa |
ISBN-13 | 978-83-8030-307-2 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Spis treści
Spis treści | |
Ewa Frątcząk | |
Przedmowa | |
Ewa Frątcząk | |
Rozdział 1. Regresja logistyczna - podstawy teorii i modelowania | |
Wprowadzenie | |
1.1. Regresja logistyczna - początki | |
1.2. Regresja logistyczna - podstawy teorii | |
1.3. Model regresji logistycznej a model regresji liniowej | |
1.4. Estymacja parametrów modelu regresji logistycznej (na przykładzie regresji binarnej) | |
1.5. Interpretacja wyników estymacji | |
1.6. Model uporządkowany i model o postaci wielomianu | |
1.6.1. Regresja logistyczna - model uporządkowany | |
1.6.2. Regresja logistyczna o postaci wielomianu - uogólnione logity | |
1.7. Znaczenie kodowania zmiennych jakościowych w modelach regresji logistycznej | |
1.8. Istota wnioskowania statystycznego w modelach regresji logistycznej | |
1.8.1. Ocena istotności oszacowanych parametrów | |
1.8.2. Ocena dobroci modelu | |
1.9. Predykcja i modelowanie predykcyjne z wykorzystaniem regresji logistycznej | |
1.10. Modele predykcyjne - diagnostyka - wybrane miary | |
1.10.1. Macierz pomyłek | |
1.10.2. Krzywa ROC i AUC (pole pod krzywą ROC) | |
1.10.3. Krzywa wzrostu lift | |
1.10.4. Współczynnik Giniego | |
1.10.5. Statystyki wpływu (DFBETAS, DIFDEV, DIFCHISQ, LEVERAGE) | |
Podsumowanie | |
Bibliografia | |
Aleksandra Iwanicka | |
Rozdział 2. Analiza tablic kontyngencji - ocena zależności cech jakościowych | |
Wprowadzenie | |
2.1. Testowanie niezależności na podstawie tablic dwudzielczych | |
2.1.1. Testy chi-kwadrat: Pearsona i ilorazu wiarygodności | |
2.1.2. Testy skorygowane i dokładne | |
2.1.3. Miary zależności oparte na statystyce chi-kwadrat Pearsona | |
2.2. Testowanie niezależności na podstawie zbioru tablic dwudzielczych | |
2.2.1. Statystyka ogólnej asocjacji | |
2.2.2. Statystyka różnicy średnich w wierszach | |
2.2.3. Statystyka korelacji | |
2.3. Pomiar siły asocjacji | |
2.3.1. Miary asocjacji dla cech dychotomicznych | |
2.3.2. Miary asocjacji dla cech porządkowych | |
2.3.3. Miary asocjacji dla cech nominalnych | |
2.4. Przykłady zastosowań | |
2.4.1. Badanie związku pomiędzy cechami dychotomicznymi | |
2.4.2. Badanie zależności pomiędzy cechami nominalnymi | |
2.4.3. Badanie zależności pomiędzy cechami porządkowymi | |
2.4.4. Badanie zależności w przypadku stratyfikacji | |
Podsumowanie | |
Bibliografia | |
Barbara Szewczak, Wojciech Skwirz | |
Rozdział 3. Regresja logistyczna - model deskryptywny i model predykcyjny | |
Wprowadzenie | |
3.1. Opis procedur SAS | |
3.1.1. Procedury SAS | |
3.1.2. Autorskie makra SAS | |
3.2. Model deskryptywny | |
3.2.1. Metodyka budowy modelu | |
3.2.2. Analiza braków danych występujących w zmiennych objaśniających | |
3.2.3. Analiza korelacji oraz wstępna ocena predykcyjności zmiennych objaśniających | |
3.2.4. Analiza współliniowości zmiennych objaśniających | |
3.2.5. Selekcja zmiennych objaśniających | |
3.2.6. Analiza obserwacji wpływowych i odstających | |
3.2.7. Finalny model - postać i interpretacja | |
3.2.8. Interpretacja parametrów modelu | |
3.2.9. Istotność zmiennych w modelu | |
3.2.10. Ilorazy szans z modelu | |
3.2.11. Istotność czynników w modelu | |
3.2.12. Globalny test na istotność modelu | |
3.2.13. Kryteria informacyjne modelu | |
3.2.14. Analiza współliniowości zmiennych w modelu | |
3.2.15. Statystyki mocy dyskryminacyjnej modelu oraz analizy graficzne | |
3.2.16. Finalny model - podsumowanie | |
3.3. Model predykcyjny | |
3.3.1. Motywacja do budowy modelu predykcyjnego | |
3.3.2. Etapy budowy modelu | |
3.3.3. Finalny model - postać i interpretacja | |
3.3.4. Porównanie modelu deskryptywnego i modelu predykcyjnego | |
Bibliografia | |
Załącznik | |
Mikołaj Tchorzewski | |
Rozdział 4. Modelowanie wyników ligi piłkarskiej z wykorzystaniem regresji binarnej i regresji uporządkowanej | |
Wprowadzenie | |
4.1. Charakterystyka rozgrywek Premier League | |
4.2. Opis danych | |
4.3. Zmienne do modelowania | |
4.3.1. Zmienne zależne dla modeli ligi angielskiej | |
4.3.2. Wybrane zmienne objaśniające dla modeli ligi angielskiej | |
4.3.3. Wybrane kody z etapu przetwarzania danych | |
4.4. Model regresji binarnej - estymacja i interpretacja wyników | |
4.4.1. Estymacja modelu regresji binarnej | |
4.4.2. Kod finalnego modelu regresji binarnej | |
4.4.3. Model regresji binarnej dla Premier League | |
4.5. Model regresji uporządkowanej - estymacja i interpretacja wyników | |
4.5.1. Estymacja modelu regresji uporządkowanej | |
4.5.2. Kod finalnego modelu regresji uporządkowanej | |
4.5.3. Model regresji uporządkowanej dla Premier League | |
Podsumowanie | |
Bibliografia | |
Piotr Rozenbajgier | |
Rozdział 5. Model regresji Poissona | |
Wprowadzenie | |
5.1. Estymacja regresji Poissona w SAS | |
5.2. Problem nadmiernej dyspersji (overdispersion) | |
5.3. Rozkład ujemny dwumianowy | |
Bibliografia | |
Justyna Czaja | |
Rozdział 6. Modelowanie na użytek kampanii marketingu bezpośredniego | |
Wprowadzenie | |
6.1. Marketing bezpośredni - definicje i podstawowe pojęcia | |
6.2. Rola modeli predykcyjnych w marketingu | |
6.3. Znaczenie wskaźnika otwarcia dla sukcesu kampanii marketingu bezpośredniego | |
6.4. Podstawy teoretyczne zastosowanych metod | |
6.4.1. Model regresji logistycznej - metoda karty scoringowej | |
6.4.2. Model sztucznej sieci neuronowej | |
6.4.3. Model drzewa decyzyjnego | |
6.5. Opis zbioru danych | |
6.6. Selekcja zmiennych objaśniających do ostatecznych modeli | |
6.7. Model regresji logistycznej - analiza praktyczna | |
6.8. Model sztucznej sieci neuronowej - analiza praktyczna | |
6.9. Model drzewa decyzyjnego - analiza praktyczna | |
6.10. Porównanie modeli na zbiorze walidacyjnym | |
6.11. Praktyczne zastosowanie wybranego modelu | |
Podsumowanie | |
Bibliografia | |
Adrianna Wołowiec | |
Rozdział 7. Modelowanie churnu. Regresja logistyczna i survival data mining | |
7.1. Wprowadzenie do modelowania churnu | |
7.1.1. Podstawy teoretyczne zagadnienia churnu | |
7.1.2. Podejścia stosowane w analizie churnu | |
7.2. Opis zbioru danych | |
7.3. Model regresji logistycznej | |
7.3.1. Wstępna analiza i ocena zmiennych objaśniających | |
7.3.2. Wyniki modelu regresji logistycznej | |
7.4. Model survival data mining | |
7.4.1. Podstawy teoretyczne | |
7.4.2. Wyniki analizy | |
7.4.3. Ocena jakości modelu | |
7.5. Podsumowanie wyników | |
Podsumowanie | |
Bibliografia | |
Marta Jasiewicz-Badowska, Karol Przanowski, Bartosz Staniów, Krystyna Rup | |
Rozdział 8. Dynamiczne segmentacje klientów korporacyjnych i zespołów sprzedażowych metodami credit scoringu | |
Wprowadzenie | |
8.1. Wprowadzenie do credit scoringu | |
8.1.1. Początki credit scoringu | |
8.1.2. Etapy budowy modelu scoringowego | |
8.1.3. Definicja default | |
8.1.4. Struktura danych - ABT i próby modelowe | |
8.1.5. Podział zmiennych na kategorie | |
8.1.6. Selekcja zmiennych i ich raporty | |
8.1.7. Ocena kandydatów i wybór finalnego modelu | |
8.1.8. Wdrożenie modelu i monitorowanie poprawności jego działania | |
8.2. Segmentacja sieci aptecznych metodami credit scoringu | |
8.2.1. Zarys specyfiki rynku farmaceutycznego | |
8.2.2. Wzbogacenie procesu zarządzania sieciami z wykorzystaniem klasycznych modeli scoringowych | |
8.2.3. Obszar aplikacji modelu | |
8.2.4. Modelowanie rankingu efektywności per apteka | |
8.2.5. Interpretacja wybranych zmiennych w modelu | |
8.2.6. Budowa komplementarnego procesu analitycznego - BI i modelowanie predykcyjne | |
8.2.7. Szkolenie z podstaw teoretycznych, prezentacja narzędzia oraz obszary do zastosowania jako newralgiczny punkt we wdrożeniach innowacyjnych rozwiązań | |
8.2.8. Dywersyfikacja strategii biznesowych i komunikacja oparta na porządkowaniu rzeczywistości | |
8.3. Credit scoring dla przedstawicieli medycznych | |
8.3.1. Wprowadzenie do uwarunkowań biznesowych w zarządzaniu zespołem sprzedażowym dedykowanym do rynku faramaceutycznego | |
8.3.2. Credit scoring dla przedstawicieli medycznych - przybliżenie business case | |
8.3.3. Testy pierwszych modeli - wybór właściwego momentu startu | |
8.3.4. Aktualizacja modelu dla przedstawicieli medycznych | |
8.3.5. Interpretacja wybranych zmiennych | |
8.3.6. Segmentacja PM - rola w zarządzaniu zespołami konsultantów medycznych | |
Bibliografia | |
Biogramy | |