1.Περιγραφή του Dataset

Το dataset bank-additional.csv αφορά μια καμπάνια άμεσου μάρκετινγκ πορτογαλικής τράπεζας με στόχο να πείσει πελάτες να ανοίξουν λογαριασμό προθεσμίας (term deposit).

Περιλαμβάνει:

4,119 παρατηρήσεις

21 μεταβλητές, όπως:

Δημογραφικά (π.χ. age, job, marital, education)

Οικονομική κατάσταση (π.χ. housing, loan, default)

Στοιχεία επικοινωνίας (contact, month, day_of_week)

Αποτέλεσμα (y: αν ο πελάτης δέχτηκε να ανοίξει λογαριασμό – ναι/όχι)


2. Πιθανα επιχειρηματικά ερωτήματα

Η ανάλυση του συγκεκριμένου dataset μπορεί να βοηθήσει την τράπεζα να απαντήσει σε σημαντικά επιχειρηματικά ερωτήματα, όπως: Ποια χαρακτηριστικά πελατών αυξάνουν την πιθανότητα αποδοχής μιας προσφοράς; Ποιοι δημογραφικοί ή οικονομικοί παράγοντες σχετίζονται με την επιτυχία των προωθητικών ενεργειών; Ποια χρονική περίοδος ή τύπος επικοινωνίας είναι πιο αποτελεσματικός; Απαντώντας σε αυτά τα ερωτήματα μέσω λογιστικής παλινδρόμησης, η επιχείρηση μπορεί να στοχεύσει καλύτερα τις καμπάνιες της και να βελτιώσει το ποσοστό απόκρισης.

3.Περιγραφή μεταβλητών

Περιγραφή βασικών μεταβλητών
Μεταβλητή Τύπος Περιγραφή
age Αριθμητική Ηλικία πελάτη
job Κατηγορική Επάγγελμα πελάτη
marital Κατηγορική Οικογενειακή κατάσταση
education Κατηγορική Εκπαίδευση πελάτη
default Κατηγορική Έχει ιστορικό αθέτησης δανείου
housing Κατηγορική Έχει στεγαστικό δάνειο
loan Κατηγορική Έχει καταναλωτικό δάνειο
contact Κατηγορική Μέσος επικοινωνίας
month Κατηγορική Μήνας επικοινωνίας
day_of_week Κατηγορική Ημέρα επικοινωνίας
duration Αριθμητική Διάρκεια τελευταίας επαφής (σε δευτερόλεπτα)
campaign Αριθμητική Αριθμός επαφών σε αυτή την καμπάνια
pdays Αριθμητική Ημέρες από την προηγούμενη επαφή
previous Αριθμητική Αριθμός προηγούμενων επαφών
poutcome Κατηγορική Αποτέλεσμα προηγούμενης καμπάνιας
emp.var.rate Αριθμητική Οικονομικός δείκτης: ρυθμός ανεργίας
cons.price.idx Αριθμητική Δείκτης τιμών καταναλωτή
cons.conf.idx Αριθμητική Δείκτης εμπιστοσύνης καταναλωτή
euribor3m Αριθμητική Επιτόκιο euribor 3 μηνών
nr.employed Αριθμητική Αριθμός εργαζομένων
y Διωνυμική Αποτέλεσμα καμπάνιας (yes/no)

Μέτρα Κεντρικής Τάσης και Διασποράς

Στατιστικά Περιγραφής για αριθμητικές μεταβλητές
Μεταβλητή Μέσος_Όρος Διάμεσος Τυπική_Απόκλιση
age 40.113620 38 10.313361
duration 256.788055 181 254.703736
campaign 2.537266 2 2.568159

Σχόλιο Η μέση ηλικία των πελατών είναι 40 έτη, με μικρή διασπορά (τυπική απόκλιση ≈ 10). Η διάρκεια των κλήσεων έχει μεγάλη μεταβλητότητα, με μέσο όρο 257 και διάμεσο 181, δείχνοντας πιθανή ύπαρξη ακραίων τιμών. Ο αριθμός επαφών (campaign) είναι συνήθως χαμηλός, με μέσο όρο 2.5 και διάμεσο 2


4.Scatterplot 

library(ggplot2)

# Δημιουργία scatterplot: ηλικία vs διάρκεια επικοινωνίας
ggplot(data, aes(x = age, y = duration)) +
  geom_point(alpha = 0.5, color = "steelblue") +
  labs(title = "Σχέση ηλικίας και διάρκειας επικοινωνίας",
       x = "Ηλικία",
       y = "Διάρκεια (δευτερόλεπτα)")

*ΣχόλιοΗ παραπάνω διασπορά (scatterplot) απεικονίζει τη σχέση μεταξύ της ηλικίας των πελατών και της διάρκειας της τηλεφωνικής επικοινωνίας. Παρατηρούνται ορισμένες μεγάλες τιμές διάρκειας, ενώ δεν διακρίνεται σαφής γραμμική συσχέτιση μεταξύ των δύο μεταβλητών.

5.Boxplot 

library(ggplot2)

# Δημιουργία boxplot
ggplot(data, aes(x = y, y = age)) +
  geom_boxplot(fill = "skyblue") +
  labs(
    title = "Κατανομή ηλικιών ανάλογα με την αποδοχή προσφοράς",
    x = "Αποδοχή προσφοράς (y)",
    y = "Ηλικία"
  ) +
  theme_minimal()

Σχόλιο Το παραπάνω boxplot απεικονίζει την κατανομή των ηλικιών των πελατών, χωρισμένη ανάλογα με το αν αποδέχθηκαν (“yes”) ή όχι (“no”) την τραπεζική προσφορά.

Οριζόντιος άξονας (x): Η μεταβλητή y, δηλαδή η τελική απόκριση του πελάτη στην προσφορά (yes ή no).

Κατακόρυφος άξονας (y): Η μεταβλητή age, δηλαδή η ηλικία του πελάτη.

Με αυτή την απεικόνιση μπορούμε να παρατηρήσουμε αν, για παράδειγμα:

Υπάρχει διαφορά στην ηλικιακή κατανομή μεταξύ όσων αποδέχτηκαν και όσων απέρριψαν την προσφορά.

Οι πελάτες που αποδέχθηκαν την προσφορά τείνουν να είναι μεγαλύτεροι ή μικρότεροι σε ηλικία.

Αυτή η οπτικοποίηση μπορεί να προσφέρει πολύτιμες πληροφορίες για το πώς η ηλικία σχετίζεται με την επιτυχία των καμπανιών, κάτι που είναι χρήσιμο στη λογιστική παλινδρόμηση που ακολουθεί.


6.Barchart 

library(ggplot2)

# Δημιουργία ραβδογράμματος για τη μεταβλητή job
ggplot(data, aes(x = job)) +
  geom_bar(fill = "darkorange") +
  labs(title = "Κατανομή επαγγελμάτων", x = "Επάγγελμα", y = "Συχνότητα") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Σχόλιο Το ραβδόγραμμα δείχνει τη συχνότητα εμφάνισης κάθε επαγγελματικής κατηγορίας στο δείγμα. Παρατηρείται ότι οι περισσότεροι πελάτες είναι σε επαγγέλματα όπως “admin.”, “blue-collar” και “technician”, ενώ επαγγέλματα όπως “student” και “unemployed” εμφανίζονται λιγότερο συχνά.


7.ROC Curve (Receiver Operating Characteristic Curve) 

if (!require(pROC)) install.packages("pROC")
library(pROC)
data$y_bin <- ifelse(data$y == "yes", 1, 0)
model <- glm(y_bin ~ age + duration, data = data, family = "binomial")
probs <- predict(model, type = "response")

roc_obj <- roc(data$y_bin, probs)
plot(roc_obj, col = "blue", main = "ROC Curve")

auc(roc_obj)
## Area under the curve: 0.8174

Σχόλιο Η ROC καμπύλη (Receiver Operating Characteristic) είναι ένα διαγνωστικό εργαλείο που αξιολογεί την απόδοση ενός δυαδικού ταξινομητή. Στην καμπύλη αυτή, στον άξονα Χ απεικονίζεται το 1 - Ειδικότητα (False Positive Rate), ενώ στον άξονα Υ απεικονίζεται η Ευαισθησία (True Positive Rate).

Στην περίπτωσή μας, η καμπύλη είναι αρκετά κοντά στην επάνω αριστερή γωνία, γεγονός που υποδηλώνει καλή ταξινομητική ικανότητα του μοντέλου. Η επιφάνεια κάτω από την καμπύλη (AUC) έχει τιμή 0.8174, που σημαίνει ότι το μοντέλο έχει καλή ακρίβεια στο να διακρίνει μεταξύ των δύο κατηγοριών (δηλαδή ποιοι θα απαντήσουν θετικά και ποιοι όχι).