Diplomová práce si klade za cíl představit metodu logistické regrese v kontextu propenzitního modelování a různé přístupy k výstavbě modelu s ohledem na problematiku vysokého množství vysvětlujících proměnných. Jako možná řešení tohoto problému je představena kroková regrese, regularizovaná regrese a metoda BMA (Bayesian model averaging). Jednotlivé přístupy jsou aplikovány na reálnou úlohu „propensity to buy“ z telekomunikačního odvětví, jejíž cílem je oskórovat zákaznickou bázi a vybrat zákazn... show full abstractDiplomová práce si klade za cíl představit metodu logistické regrese v kontextu propenzitního modelování a různé přístupy k výstavbě modelu s ohledem na problematiku vysokého množství vysvětlujících proměnných. Jako možná řešení tohoto problému je představena kroková regrese, regularizovaná regrese a metoda BMA (Bayesian model averaging). Jednotlivé přístupy jsou aplikovány na reálnou úlohu „propensity to buy“ z telekomunikačního odvětví, jejíž cílem je oskórovat zákaznickou bázi a vybrat zákazníky, kteří jsou nejvíce náchylní ke koupi televizního tarifu. Tento výběr probíhá za účelem oslovení marketingovou kampaní a podpoření prodeje produktu. V rámci jednotlivých přístupů byly testovány různé modifikace a na základě statistických a businessových kritérií byl vyhodnocen optimální model pro danou úlohu. Modely byly vyhodnoceny především pomocí hodnoty lift, která reprezentuje míru úspěšnosti kampaně. Jako nejúspěšnější byl zvolen model BMA s binomickým apriorním rozdělením pro počet proměnných v modelu a hodnotou Zellnerova g rovnou N, pro kterou model vykazoval nejvyšší hodnoty lift na prvním decilu. Rozdíl ve výkonostech jednotlivých přístupů však nebyl velký, protože hodnoty lift u ostatních metod dosahovaly hodnoty 3,50 oproti hodnotě 3,69 získané pomocí BMA. |