Bank Marketing

I. Intro

Kali ini kita akan belajar mengenai data bank_marketing. Dimana data tersebut berhubungan dengan campaign marketing dari institusi perbankan di Portugal. Campaign tersebut berdasarkan data nomor telepon calon debitur.

Data tersebut terdiri dari:

• 1. age (numeric)
• 2. job : type of job
  • “admin”,
  • “unknown”,
  • “unemployed”,
  • “management”,
  • “housemaid”,
  • “entrepreneur”,
  • “student”,
    
  • “blue-collar”,
  • “self-employed”,
  • “retired”,
  • “technician”,
  • “services”
• 3. marital : marital status
  • “married”,
  • “divorced”,
  • “single”
• 4. education
  • “unknown”,
  • “secondary”,
  • “primary”,
  • “tertiary”
• 5. default : has credit in default? (binary: “yes”,“no”)
• 6. balance : average yearly balance, in euros (numeric)
• 7. housing : has housing loan? (binary: “yes”,“no”)
• 8. loan : has personal loan? (binary: “yes”,“no”)
• 9. contact : contact communication type (categorical: “unknown”,“telephone”,“cellular”)
• 10. day : last contact day of the month (numeric)
• 11. month : last contact month of year (categorical: “jan”, “feb”, “mar”, …, “nov”, “dec”)
• 12. duration : last contact duration, in seconds (numeric)
• 13. campaign : number of contacts performed during this campaign and for this calon debitur (numeric, includes last contact)
• 14. pdays : number of days that passed by after the calon debitur was last contacted from a previous campaign (numeric, -1 means calon debitur was not previously contacted)
• 15. previous : number of contacts performed before this campaign and for this calon debitur (numeric)
• 16. poutcome : outcome of the previous marketing campaign
  • “unknown”,
  • “other”,
  • “failure”,
  • “success”
• 17. y : has the calon debitur subscribed a term deposit? (binary: “yes”,“no”)

II. Explore Data

2a. Import Data

Menggunakan function read.csv karena format file adalah csv.

bank_marketing = read.csv("bank-full.csv",sep = ";")

Namun separator dari masing-masing data adalah “;” . Maka digunakan parameter sep = “;” untuk dapat memisahkan antar data.

Kemudian kita panggil 6 data awal untuk kita mengetahui datanya seperti apa.

head(bank_marketing)

2b. Filtering Data

Dari data tersebut, kita akan memrediksi apakah orang yang telah ditelepon akan melakukan pembelian produk. Dari penjelasan data pada bagian intro, kita bisa memulai filter data dengan menggunakan kolom poutcome “success”.

bank_marketing2 <- bank_marketing[bank_marketing$poutcome == "success", ]
bank_marketing2

Sebelum melakukan pengolahan terhadap data tersebut, kita perlu mengetahui jenis datanya apakah sudah benar atau belum. Untuk menampilkan jenis/tipe data, digunakan perintah seperti dibawah ini.

str(bank_marketing2)

## 'data.frame':    1511 obs. of  17 variables:
##  $ age      : int  56 30 48 49 42 42 46 36 53 41 ...
##  $ job      : Factor w/ 12 levels "admin.","blue-collar",..: 10 1 1 5 10 11 8 5 6 2 ...
##  $ marital  : Factor w/ 3 levels "divorced","married",..: 2 2 1 2 2 2 1 1 2 2 ...
##  $ education: Factor w/ 4 levels "primary","secondary",..: 2 2 2 3 3 4 2 3 3 1 ...
##  $ default  : Factor w/ 2 levels "no","yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ balance  : int  589 873 295 64 14282 970 0 3837 2269 1461 ...
##  $ housing  : Factor w/ 2 levels "no","yes": 2 2 2 1 2 2 1 2 1 2 ...
##  $ loan     : Factor w/ 2 levels "no","yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ contact  : Factor w/ 3 levels "cellular","telephone",..: 3 2 1 1 1 2 1 1 1 1 ...
##  $ day      : int  23 12 17 17 17 17 17 17 17 18 ...
##  $ month    : Factor w/ 12 levels "apr","aug","dec",..: 11 10 10 10 10 10 10 10 10 10 ...
##  $ duration : int  518 119 123 208 77 725 407 184 1091 290 ...
##  $ campaign : int  1 1 1 1 1 1 1 1 2 1 ...
##  $ pdays    : int  147 167 164 159 103 119 150 193 150 165 ...
##  $ previous : int  2 3 2 1 4 10 3 1 1 2 ...
##  $ poutcome : Factor w/ 4 levels "failure","other",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ y        : Factor w/ 2 levels "no","yes": 2 1 1 1 1 1 1 1 2 1 ...

Ternyata tipe data sudah benar sehingga kita tidak perlu melakukan pengubahan tipe data.

2c. Missing Data

Pada bagian ini, setelah melakukan filtering data hanya dengan poutcome “success”, kita akan melihat apakah data tersebut terdapat null atau missing values. Menggunakan function anyNA dan is.na

cek_null = anyNA(is.na(bank_marketing2))
cek_null

## [1] FALSE

Setelah kita run, ternyata hasilnya adalah FALSE, dimana artinya adalah tidak ada missing values pada data kita. Setelah itu, kita akan memulai untuk analisis data pada section selanjutnya.

III. Pengolahan Data

Agar kita mendapatkan hasil yang lebih akurat, tentu filter data hanya dengan poutcome “success” tidaklah cukup. Kita juga perlu mengetahui seberapa lama durasi calon pembeli tersebut dihubungi oleh telemarketing. Untuk itu, dalam melakukan filtering tersebut, perlu diketahui batasan rata-rata dari durasi call oleh telemarketing untuk dilakukan filtering data.

mean_agg = aggregate(duration ~ poutcome, data = bank_marketing2, FUN = mean)
mean_agg

bank_marketing2$mean_duration = as.integer(round(mean(bank_marketing2$duration),digits = 0))

Ternyata, rata-rata durasi telepon yang dilakukan oleh telemarketing adalah selama 317 detik. Oleh karena itu, kita akan filter data bank_marketing2 dengan duration >= 317 detik.

bank_marketing3 = bank_marketing2[bank_marketing2$duration >= 317, ]
bank_marketing3

Kemudian kita perlu mengetahui komposisi dari masing-masing kategori.

sort(round(prop.table(table(bank_marketing3$job))*100,2),decreasing = T)

## 
##    management    technician       retired        admin.   blue-collar 
##         24.30         14.77         14.58         12.71          9.35 
##    unemployed      services       student self-employed  entrepreneur 
##          6.73          6.54          4.49          3.18          2.06 
##       unknown     housemaid 
##          0.75          0.56

sort(round(prop.table(table(bank_marketing3$marital))*100,2),decreasing = T)

## 
##  married   single divorced 
##    56.26    31.59    12.15

sort(round(prop.table(table(bank_marketing3$contact))*100,2),decreasing = T)

## 
##  cellular telephone   unknown 
##     89.72      9.91      0.37

Dari hasil tersebut, diketahui bahwa mayoritas calon debitur yang histori penawarannya sukses adalah kategori:

• 1. Sektor pekerjaan management,
• 2. Status pernikahan married
• 3. Dihubungi via nomor telepon seluler.

Hasil tersebut tentu belum memberikan hasil yang cukup spesifik untuk menentukan potensi calon debitur. Untuk itu kita perlu mengetahui kondisi finansialnya dengan mengetahui rata-rata saldonya.

aggregate(balance ~ job,bank_marketing3,mean)[order(aggregate(balance ~ job,bank_marketing3,mean)$balance, decreasing = T ), ]

aggregate(balance ~ marital,bank_marketing3,mean)[order(aggregate(balance ~ marital,bank_marketing3,mean)$balance, decreasing = T ), ]

IV. Hasil

Pengolahan data pada bab sebelumnya, diperoleh hasil sebagai berikut:

• 1. Rata-rata durasi penawaran oleh telemarketer kepada calon nasabah melalui telepon adalah selama 317 detik. Filter ini dilakukan karena dengan semakin lama durasi telepon yang dilakukan oleh telemarketer menunjukkan bahwa calon debitur tertarik dengan penawaran yang diberikan.
• 2. Setelah dilakukan filtering dengan durasi telepon >= 317 detik, diperoleh data bahwa:
  1. Jenis pekerjaan paling banyak adalah:
  • Manajemen 24.30%
  • Teknisi 14.77%
  • Pensiunan 14.58%
  • Admin 12.71%
  • Blue-Collar 9.35%
  2. Status Perkawinan paling banyak adalah:
  • Menikah 56.26%
  • Single 31.59%
  • Cerai 12.15%
  3. Penawaran dilakukan dengan nomor telepon selular dengan persentase 89.72%
• 3. Saat dilakukan perhitungan rata-rata saldo, diperoleh data sebagai berikut:
  1. Berdasarkan Jenis Pekerjaan:
  • Self-employed 5734.35
  • Retired 3461.97
  • Management 2552.89
  • Technician 1853.10
  • Entrepreneur 1781.73
  2. Berdasarkan Status Pernikahan:
  • Married 2258.82
  • Divorced 2190.80
  • Single 1956.00
• 4. Dari hasil diatas, ternyata jenis pekerjaan management tidak memiliki rata-rata saldo yang tinggi. Begitu pula jenis pekerjaan self-employed yang memiliki rata-rata saldo tertinggi namun proporsinya lebih rendah. Apabila dilihat secara keseluruhan, jenis pekerjaan Management, Teknisi, dan Pensiunan berada pada data hasil perhitungan baik dari rata-rata saldo serta komposisi pekerjaan dari keseluruhan calon debitur.
• 5. Sehingga berdasarkan hasil pengolahan data tersebut, diperoleh estimasi calon debitur yang akan ter-hit oleh penawaran telemarketing adalah calon debitur dengan:
  1. Jenis Pekerjaan:
  • Management
  • Teknisi
  • Pensiunan
  2. Status pernikahan adalah menikah.