Memuat
Memuat
Pilih siapa yang layak dihubungi agar anggaran kampanye menghasilkan respons terbanyak.
2 kali dilihat
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.

Read CSV memuat data_kampanye.csv (4.000 pelanggan). id_pelanggan menjadi id dan respons menjadi label binominal (ya/tidak).
Remap Binominals menjadikan "ya" (merespons) sebagai kelas positif.
Nominal to Numerical (dummy coding) mengubah kanal pilihan dan status member menjadi kolom 0/1 agar dapat dipakai regresi logistik.
Normalize (Z-transformation) membuat bobot model dapat dibandingkan antaratribut, misalnya persentase email dibuka dengan hari sejak belanja terakhir.
Cross Validation 10 lipatan (stratified). Bagian Training berisi Logistic Regression dengan kernel dot (linear) dan C = 30.
Apply Model menghasilkan confidence(ya) bagi setiap pelanggan uji; Performance (Binominal Classification) menghitung akurasi, AUC, precision, dan recall.
Write CSV menyimpan ukuran kinerja dan prediksi per pelanggan. Model akhir dikirim ke port hasil sehingga bobot atribut dapat dibaca di tab Description.
Urutkan pelanggan menurut confidence(ya), bagi menjadi sepuluh kelompok sama besar (desil), lalu hitung lift tiap desil: tingkat respons desil dibagi tingkat respons rata-rata.
data_kampanye.csv
4.000 baris · 12 kolom
Data 4.000 pelanggan fiktif: usia, pendapatan, frekuensi belanja, hari sejak belanja terakhir, kampanye sebelumnya, riwayat respons, persentase email dibuka, kanal pilihan, status member, diskon yang ditawarkan, dan respons terhadap kampanye.
Proses RapidMiner (.rmp) siap jalan; Dataset CSV beserta kamus data; Panduan praktik dan pertanyaan latihan (PDF/MD); Video tutorial langkah demi langkah.
Tidak harus. Proyek ini bertingkat "dasar", dan setiap langkah prosesnya dijelaskan sehingga Anda bisa mengikuti bagaimana data menjadi hasil.
Bisa. Ganti dataset di langkah pertama dan sesuaikan peran atributnya; sisa prosesnya tetap sama. Bila ingin kami yang menyesuaikan, hubungi kami lewat WhatsApp.
Proyek ini seharga Rp 249.000. Gunakan tombol "Beli via WhatsApp" di halaman ini; berkas proyek dikirim setelah pembayaran dikonfirmasi.
Menemukan kendala atau punya saran untuk proyek ini? Beri tahu kami lewat WhatsApp
Kembali ke portofolio RapidMiner