Was sagen Lift and Gain Charts im Kontext eines Mitarbeiterfluktuationsmodells?

Daher versuche ich, die Lift and Gain-Diagramme für mein Mitarbeiterfluktuationsmodell (dh CHAID in SPSS Modeler) besser zu verstehen. Für meine Daten bedeutet dies, die Anzahl der Personen vorherzusagen, die das Unternehmen freiwillig verlassen.

Ich habe die folgenden Referenzen überprüft und die Grundlagen bezüglich der Interpretation festgelegt: Was ist auf der x- und y-Achse aufgetragen und welche ideale Kurve suchen Sie? Ich habe sogar geübt, meine eigenen Gewinn- und Hebediagramme in Excel zu erstellen.

Aber alle Beispiele, die ich bisher gesehen habe, sind für eine Direktwerbungskampagne. Jetzt möchte ich wissen, was dies für meine Daten bedeutet. Bedeutet dies im Fall des Gewinndiagramms lediglich, dass ich bei einer Stichprobe von 10% meiner Daten 40% der Begriffe erwarten kann, während bei einer Stichprobe von 60% der Daten 80% der Begriffe ermittelt werden? (Bitte nehmen Sie an, dass 40% und 60% die Werte sind). Wenn ja, welche Bedeutung sollte ich daraus ziehen, weil ich es im Kontext meines Umsatzmodells wirklich nicht verstehe?

Verweise:

Lift-Measure-in-Data-Mining

Was ist ein Lift-Chart?

http://www2.cs.uregina.ca/~dbd/cs831/notes/lift_chart/lift_chart.html

Manchmal hilft es, sich das Ziel einer solchen Analyse vorzustellen und was ein Unternehmen ohne eine tun kann. Angenommen, das Unternehmen, zu dem die Umsatzdaten gehören, möchte etwas gegen eine (möglicherweise) hohe Fluktuationsrate unternehmen. Ich kann mir zwei mögliche Aktionen vorstellen

1. Finden Sie heraus, was die Menschen dazu bringt, das Unternehmen zu verlassen, und beheben Sie dies (nicht genügend Gesundheitsversorgung? Kein Teamgeist?) Im Allgemeinen
2. Finden Sie die Mitarbeiter, die in Betracht ziehen zu gehen, und sprechen Sie mit ihnen. Finden Sie heraus, was sie dazu bringt, die Probleme speziell für sie zu beheben .

Warum ist das so wichtig?

Liftdiagramme sind in erster Linie für den zweiten Anwendungsfall wichtig. Stellen Sie sich vor, was ein Unternehmen tun kann, wenn es sich entschlossen hat, im Gespräch mit den Mitarbeitern 1 zu 1 Geld zu investieren, aber kein Modell hat? Die einzige Möglichkeit besteht darin, mit jedem oder mit jedem in einer Zufallsstichprobe fester Größe zu sprechen . Es ist viel zu teuer, mit allen zu sprechen, obwohl es möglich ist, alle potenziellen Abteiler zu identifizieren. Wenn jedoch nur eine Zufallsstichprobe ausgewählt wird, mit der gesprochen werden soll, wird nur ein Bruchteil aller potenziellen Abteiler identifiziert, die inzwischen noch viel Geld ausgeben. In beiden Fällen ist das Verhältnis der Kosten pro Urlaubsprävention recht hoch.

Wenn es jedoch ein gutes Modell gibt, kann das Unternehmen entscheiden, nur mit denjenigen zu sprechen, die die höchste Wahrscheinlichkeit haben, das Unternehmen zu verlassen (diejenigen mit den Topscores gemäß dem Modell), sodass mehr potenzielle Abteiler identifiziert werden, wodurch die Kosten pro Person optimiert werden -Leave-Prävention .

Schauen Sie sich die ersten beiden Tabellen hier noch einmal an: http://www2.cs.uregina.ca/~dbd/cs831/notes/lift_chart/lift_chart.html . Nehmen wir an, "Kunden" = "Mitarbeiter" und "positive Befragte" = "potenzielle Abteiler" (siehe Daten unten).

Wenn das Unternehmen beschließt, nur genug Geld auszugeben, um mit 10000 Mitarbeitern zu sprechen, wird es sich identifizieren

• $\frac{20000}{100000}*10000=2000$
• $\frac{6000}{10000}*10000=6000$

was bedeutet

• $\frac{6000}{2000}=3$
• $\frac{10000 * (20000/100000)}{20000}=\frac{10000}{100000}=0.1$

Die x-Achse zeigt in beiden Fällen den Prozentsatz der kontaktierten Mitarbeiter, in diesem speziellen Beispiel 10%.

Blinddarm

Daten, die verwendet wurden, um diese Frage unabhängig von Link Rot zu machen.

Gesamtpreis

Gesamtzahl der kontaktierten Mitarbeiter Identifizierte Mitarbeiter
100000 20000

Wirksamkeit des Modells, wenn Mitarbeiter in Stücken von 10000 kontaktiert werden

Gesamtzahl der kontaktierten Mitarbeiter Identifizierte Mitarbeiter
10000 6000
20000 10000
30000 13000
40000 15800
50000 17000
60000 18000
70000 18800
80000 19400
90000 19800
100000 20000