INDICE DELL

1
INDICE DELLINCONTRO

• Analisi di segmentazione per Obiettivi
• La segmentazione ad Albero Chaid
• Cenni alle Reti Neurali

2
SEGMENTAZIONE PER OBIETTIVI CHAID
perché la Segmentazione ad Albero?...
Consideriamo per esempio le domande d4-13 tot
del file dati caffarel.sav, vale a dire la spesa
che ciascun intervistato sarebbe disposto a
sostenere per acquistare il gianduiotto. Relativa
mente alle variabili socio demo possiamo
evidenziare delle differenze significative? Se
consideriamo il gradimento per il prodotto (dom
4_6) e/o per la confezione (dom 4_7) e/o il
percepito per la marca Caffarel (dom 4_10) e/o
per il giunduitto stesso (dom 4_14), quali
conclusioni possiamo trarre relativamente al
gradimento complessivo? Proviamo in base a
quanto visto sino ad ora a procedere (analisi
bivariate, multivariate regressione-.)
3
SEGMENTAZIONE PER OBIETTIVI CHAID

• Il metodo CHAID permette di analizzare TUTTI gli
  incroci possibili evidenziandone solo quelli
  significativi
• Si basa su una procedura iterativa
• nella prima fase, la popolazione viene divisa in
  due o più gruppi sulla base della variabile
  esplicativa più significativamente legata alla
  variabile dipendente prescelta
• ciascuno di questi gruppi ottenuti nella prima
  fase viene ulteriormente diviso in sottogruppi
  più piccoli sulla base delle rimanenti variabili
  esplicative. Il processo di divisione termina
  quando non possono più essere individuati
  predittori statisticamente significativi i
  sottogruppi finali (segmenti) vengono quindi
  rappresentati in un diagramma ad albero.

4
SEGMENTAZIONE PER OBIETTIVI CHAID
I segmenti individuati sono mutuamente esclusivi
ed esaustivi. In altre parole, i segmenti non
si sovrappongono e ciascuna unità della
popolazione è contenuta in un unico segmento.
Dal momento che ogni segmento è definito da
combinazioni delle variabili esplicative, è
possibile riclassificare ogni osservazione
(azienda/clienti/prospect) nel segmento
appropriato semplicemente conoscendo tali
variabili
5
SEGMENTAZIONE PER OBIETTIVI CHAID
I segmenti individuati sono mutuamente esclusivi
ed esaustivi. In altre parole, i segmenti non si
sovrappongono e ciascuna unità della popolazione
è contenuta in un unico segmento. Dal momento
che ogni segmento è definito da combinazioni
delle variabili esplicative, è possibile
riclassificare ogni osservazione
(azienda/clienti/prospect) nel segmento
appropriato semplicemente conoscendo tali
variabili Da un punto di vista marketing
limpiego di tale tecnica risulta molto
interessante per studiare/individuare
sottoinsiemi di clienti nellaccezione più
ampia del termine latenti, ossia rappresentati
come risultato dellanalisi congiunta di più
variabili. Esempio sempre con riferimento al
gianduiotto Caffarel analizziamo il prezzo che
gli intervistati sarebbero disposti a
spendere file dati Caffarel questionario
Caffarel sintassi CHAID_DESCRITTIVA.sps
6
SEGMENTAZIONE PER OBIETTIVI CHAID
Esempio proviamo quindi a rispondere alle
domande precedenti file caffarel.sav,
variabili d4_13tot d4_6_1- d4_6_7,
d4_7_1-d4_7_2, d4_10_1-d4_10_9,
d4_14_1-d4_14_7, UOMO, SIGLE, BAMBINI, LAUREA,
MEDIE, età. Come e perchè ricodificate le
variabili socio-demo.
7
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali
Le reti neurali traggono ispirazione dalle
scienze biologiche. Si tratta infatti di
uninsieme connesso di unità che agiscono in modo
equivalente ad un insieme di neuroni biologici.
Lorigine dello studio delle reti neurali si
può far risalire alla fine degli anni 40, quando
D.O. Hebb propose una legge di apprendimento che
sta alla base delle modello di analisi delle
reti neurali. Durante gli anni 50 e 60 si
assistette ad una vera e propria esplosione di
studi relativi alle reti neurali, studi che
portarono al Perceptron, che sembrò rappresentare
la risposta ottimale alla domanda che
maggiormente stava a cuore dei ricercatori
dellepoca come poter riprodurre artificialmente
lintelligenza umana. In realtà si trattò di
una pura illusione infatti tale modello, il
Perceptron, era in grado solo di riprodurre
alcune capacità del cervello umano. Per esempio
risultò particolarmente efficacie nelle
previsioni meteorologiche. Per circa un
ventennio le reti neurali restarono un dominio
per pochi studiosi almeno fino alla metà degli
anni 80 quando grazie ai nuovi algoritmi
(Back-propagation, 1986), ma soprattutto allo
sviluppo delle capacità di calcolo degli
elaboratori, si tornò a parlare delle possibili
applicazioni delle reti neurali. Le reti
neurali sono state originariamente create con
lintento di studiare il comportamento del
sistema nervoso. Come è noto, tale sistema è
costituito da un numero elevatissimo di cellule
nervose (neuroni), collegati da connessioni dette
sinapsi. Ogni neurone è in grado di eccitarsi e
di trasmettere uno stimolo elettrico in risposta
alle combinazioni di stimoli che riceve dagli
altri neuroni. La trasmissione degli stimoli
dipende dalla natura delle sinapsi e tale natura
si modifica durante la crescita per effetto
dellapprendimento.
8
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali
La struttura generale La struttura generale di
una rete neurale è costituita da una serie di
nodi di entrata (unità di input), una o più serie
di nodi intermedi (livelli e unità nascoste) e
una serie di nodi di uscita (unità di uscita).
Qualora non esistano livelli nascosti si parlerà
di percettroni, altrimenti di reti multistrato.
9
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali

• Un modello di rete neurale viene specificato
  attraverso 5 caratteristiche
•  
• il modello generale del neurone
• larchitettura della rete
• la modalità di attivazione dei neuroni
• il paradigma di apprendimento
• la legge di apprendimento
•  
• 1) Il modello generale del neurone il neurone
  viene specificato attraverso
• canali di ingresso sono le fonti di informazioni
  del neurone
• pesi delle connessioni riproducono le sinapsi
  del cervello umano e hanno il compito di mediare
  il segnale trasmesso da un neurone ad un altro
  w(ij)
• funzione di attivazione associa attraverso una
  funzione (solitamente una somma) i pesi e i
  segnali in arrivo al neurone NETj
• funzione di uscita rappresenta il reale valore
  di uscita dal neurone verso il neurone successivo
  (può essere una funzione lineare o no e può
  contenere un valore di soglia per cui il neurone
  trasmette linformazione solo se tale valore
  viene superato). OUT f(NET)

10
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali
2) Larchitettura della rete è definita in
funzione del tipo di neuroni e di connessioni
esistenti fra gli stessi. Si parla di reti
stratificate quando i neuroni sono connessi solo
con quelli dello stato adiacente viceversa si ha
una rete cosiddetta completamente connessa quando
ogni neurone è connesso con qualunque altro
neurone della rete. Le più usate in ambito di
previsionale sono quelle stratificate. RETI
MULTISTRATO In relazione al numero ottimale di
strati nascosti in generale 1o 2 strati risultano
più che sufficienti per quanto riguarda il
numero dei nodi per ciascun strato in letteratura
vengono forniti diversi proposte - Media tra
il numero di nodi di input e nodi di output -
Radice quadrata della somma del numero dei nodi
di input e di output - Metà del numero dei nodi
di input -.... esperienza e soprattutto tante
prove! In generale il secondo livello nascosto
ha un numero di nodi superiori al primo.
11
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali
3) La modalità di attivazione dei neuroni
stabilisce il modo in cui i neuroni vengono
attivati. Esistono due tipologie di attivazione
dei neuroni, il modo parallelo (sincrono) in cui
ad ogni istante t i neuroni si attivano e al
tempo t1 modificano il loro stato il modo
sequenziale (asincrono) in cui i neuroni vengono
aggiornati uno alla volta. In generale la
funzione di attivazione è quella funzione
attraverso la quale i neuroni trasmettono le
informazioni ricevute dai neuroni precedenti
(NET )ai neuroni successivi (OUT
f(NET)). Le principali funzioni di attivazione
impiegate sono quella lineare, quella a soglia,
quella logistica (in assoluto la più usata) la
gaussiana e la tangente iperbolica.  
12
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali

• 4) Il paradigma di apprendimento caratterizza il
  modo in cui una rete apprende.
• Esistono 3 tipologie di apprendimento supervised
  learning (apprendimento con supervisione mediante
  esempi), unsupervised learning (apprendimento
  senza sueprvisione) e reinforcemente learning
  (apprendimento mediante rinforzo).
•  
• In generale un paradigma di apprendimento può
  essere definito come
•  inizializzazione dei pesi delle connessioni
  (casuale)
• sottomissione alla rete di un pattern di input e
  corrispondente output desiderato
• calcolo del output della rete
• aggiornamento dei pesi
• riproposta del pattern di input fino a quando
  lerrore non è inferiore ad prefissato valore.

13
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali
La rete adatta i pesi in funzione della
differenza fra il valore di output ottenuto e
quello desiderato   d Y - Y   il paradigma è
soddisfatto se d è moltiplicato per il valore di
ciascun input x(i) e questo prodotto e aggiunto a
ciascun peso. Negli anni 70 e 80 viene
proposta lalgoritmo di apprendimento per reti
multistrato denominato Back-propagation   In
generale gli strati nascosti vengono addestrati
ri-propagando allindietro lerrore rilevato
sulloutput   La funzione di attivazione
impiegata è quella logistica (sigmoide) per
cui   ?w(ij) ?d (j)x(i) ove d è legato alla
differenza tra il valore stimato e quello
ottenuto dal modello (errore)    
14
SEGMENTAZIONE PER OBIETTIVI le Reti Neurali

• Alcune considerazioni relative allalgoritmo
  della Back-propagation
•  
• i pesi iniziali, scelti in modo casuale, non
  devono essere troppo elevati
• è opportuno scegliere un tasso di apprendimento h
  alto allinizio per favorire lapprendimento
  diminuendone poi il valore con il procedere della
  fase di apprendimento.
• in alternativa si può introdurre un altro
  parametro (Momentum alt1) cosicché il
  cambiamento dei pesi risulti proporzionale al
  cambiamento precedente
• ?w(ij) ?d (j)x(i) awn-1(ij)
•  
•  
• Per ottimizzare lalgoritmo nel 1987 è stato
  proposto di normalizzare i dati in entrata
  nellintervallo -1/21/2
• La Scatola Nera il principale limite allimpiego
  di tale metodologia nellanalisi dei dati di
  marketing è legato alla difficoltà di spiegare
  il comportamento di una rete.
• Infatti una volta ottenuta una struttura che sia
  in grado non solo di fittare al meglio
  linsieme dei dati forniti, ma anche di
  generalizzare interpretando delle nuove
  osservazioni, resta sempre il problema di poter
  valutare il ruolo delle diverse variabili
  indipendenti. A differenza delle tecniche
  statistiche non è possibile, se non in via
  approssimata, attribuire un peso alle diverse
  variabili esplicative.