Proyek ini memprediksi pelanggan yang akan merespons kampanye promosi memakai regresi logistik dan validasi silang 10 lipatan. Hasilnya dibaca lewat lift dan kurva tangkapan sehingga manajer dapat menentukan berapa persen pelanggan teratas yang layak dihubungi.
Tujuan Bisnis
Pilih siapa yang layak dihubungi agar anggaran kampanye menghasilkan respons terbanyak. Bidang penerapan: Pemasaran. Tingkat proyek: dasar.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- Read CSV
- Remap Binominals
- Nominal to Numerical
- Normalize
- Cross Validation
- Logistic Regression
- Apply Model
- Performance (Binominal Classification)
- Performance to Data
- Write CSV
Yang Akan Anda Pelajari
- Memahami regresi logistik sebagai model peluang untuk keputusan pemasaran
- Membaca lift dan kurva tangkapan untuk menentukan ukuran target kampanye
- Menghitung laba kampanye dari skor model dan asumsi biaya
Langkah Pengerjaan
- Baca data kampanye — Read CSV memuat data_kampanye.csv (4.000 pelanggan). id_pelanggan menjadi id dan respons menjadi label binominal (ya/tidak).
- Tetapkan kelas positif — Remap Binominals menjadikan "ya" (merespons) sebagai kelas positif.
- Ubah atribut kategori menjadi angka — Nominal to Numerical (dummy coding) mengubah kanal pilihan dan status member menjadi kolom 0/1 agar dapat dipakai regresi logistik.
- Samakan skala — Normalize (Z-transformation) membuat bobot model dapat dibandingkan antaratribut, misalnya persentase email dibuka dengan hari sejak belanja terakhir.
- Latih Logistic Regression dalam Cross Validation — Cross Validation 10 lipatan (stratified). Bagian Training berisi Logistic Regression dengan kernel dot (linear) dan C = 30.
- Uji model — Apply Model menghasilkan confidence(ya) bagi setiap pelanggan uji; Performance (Binominal Classification) menghitung akurasi, AUC, precision, dan recall.
- Simpan skor tiap pelanggan — Write CSV menyimpan ukuran kinerja dan prediksi per pelanggan. Model akhir dikirim ke port hasil sehingga bobot atribut dapat dibaca di tab Description.



