Modelowanie dla biznesu. Regresja logistyczna, regresja Poissona, survival data mining, CRM, credit scoring

-15%

Modelowanie dla biznesu. Regresja logistyczna, regresja Poissona, survival data mining, CRM, credit scoring

1 opinia

Redakcja:

Ewa Frątczak

Format:

pdf, ibuk

DODAJ DO ABONAMENTU

WYBIERZ RODZAJ DOSTĘPU

42,84  50,40

Format: pdf

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em.
Brak wydruku.

42,8450,40

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

"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.


"


Liczba stron419
WydawcaSzkoła Główna Handlowa
ISBN-13978-83-8030-307-2
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN 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
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia