Kollektive Intelligenz analysieren, programmieren und nutzen

Kapitel 7 Modellieren mit Entscheidungsbäumen (S. 158-159)

Sie haben nun ein paar verschiedene automatische Klassifizierer kennengelernt. Dieses Kapitel wird darauf aufbauen und eine sehr nützliche Methode namens Entscheidungsbaum- Lernen vorstellen. Anders als die meisten anderen Klassifizierer lassen sich die Modelle, die durch Entscheidungsbäume erstellt werden, leicht interpretieren – die Liste mit Zahlen bei einem Bayes-Klassifizierer teilt Ihnen zwar mit, wie wichtig jedes Wort ist, aber Sie müssen trotzdem erst Berechnungen durchführen, um zu erfahren, wie das Ergebnis sein wird. Ein neuronales Netz ist noch schwieriger zu interpretieren, da die Gewichtung der Verbindung zwischen zwei Neuronen für sich allein nur sehr wenig Bedeutung hat. Aber Sie können den Begründungsprozess eines Entscheidungsbaums durch schlichtes Betrachten verstehen, und Sie können ihn sogar in eine einfache Abfolge von if-then-Anweisungen umwandeln.

Dieses Kapitel wird drei verschiedene Beispiele vorstellen, bei denen Entscheidungsbäume eine Rolle spielen. Das erste zeigt, wie man voraussagt, welche Benutzer einer Site sehr wahrscheinlich für einen Premium-Zugriff zahlen werden. Viele Onlineanwendungen, die durch ein Abonnement oder abhängig von der Benutzung finanziert werden, geben den Anwendern die Möglichkeit, sie auszutesten, bevor sie etwas bezahlen müssen. Bei einem Abo-Modell bietet die Site meist einen zeitlich begrenzten, kostenlosen Zugang oder eine freie Version, die weniger Features besitzt. Sites, die abhängig von der Benutzung zu bezahlen sind, stellen stattdessen eventuell eine kostenlose Session oder etwas Ähnliches bereit. Die anderen Beispiele, die danach im Kapitel behandelt werden, nutzen Entscheidungsbäume, um Immobilienpreise und eine »Hotness« zu modellieren.

Anmeldungen vorhersagen

Wenn eine Site mit hohen Benutzerzahlen auf eine neue Anwendung verlinkt, die kostenlose, aber auch kostenpflichtige Konten anbietet, kann es passieren, dass diese Anwendung Tausende neuer Benutzer gewinnt. Viele dieser Benutzer sind einfach neugierig und eigentlich gar nicht auf der Suche nach genau so einer Art von Anwendung, daher ist es sehr unwahrscheinlich, dass sie bezahlende Benutzer werden. Das erschwert es, die echten potenziellen Kunden zu erkennen und zu betreuen, daher tendieren viele Sites dazu, Massen-E-Mails an alle zu verschicken, die sich angemeldet haben, anstatt zielgerichteter vorzugehen.

Für eine planvollere Vorgehensweise wäre es hilfreich, die Wahrscheinlichkeit vorhersagen zu können, dass ein Benutzer auch ein zahlender Benutzer wird. Sie wissen bisher, dass Sie einen Bayes-Klassifizierer oder ein neuronales Netz dafür nutzen können. Aber in diesem Fall ist Klarheit sehr wichtig – wenn Sie die Faktoren kennen, die dafür sorgen, dass ein Benutzer auch ein Kunde wird, können Sie diese Informationen nutzen, um eine Werbestrategie zu unterstützen, bestimmte Aspekte der Site besser zugänglich zu machen oder um andere Strategien anzuwenden, die die Anzahl der zahlenden Kunden erhöhen. Stellen Sie sich für dieses Beispiel eine Onlineanwendung vor, die einen kostenlosen Testzugang anbietet. Benutzer melden sich für den Testzugang an und verwenden die Site eine gewisse Zeit, nach der sie sich entscheiden können, zu einem Basicoder Premium-Service zu wechseln. Wenn sich Benutzer für den Testzugang anmelden, werden Informationen über sie gesammelt, und am Ende des Testzeitraums vermerken die Sitebesitzer, welche Benutzer sich dazu entschieden haben, zahlende Anwender zu werden.