Opis podataka koje imamo u našem setu.

Promenljive koje su vezane za klijente banke:

Promenljive vezane za poslednji kontakt koji je klijent ostvario sa bankom tokom trenutne marketinške kampanje.

Ciljna promenljiva

Učitavanje podataka

Ucitavanje biblioteka i dataset-a i ukratka deskripcija podataka.

library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.3     v purrr   0.3.4
## v tibble  3.1.2     v dplyr   1.0.6
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   1.4.0     v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library(ggplot2)
library(cowplot)
library(ggmosaic)
library(crosstable)
## 
## Attaching package: 'crosstable'
## The following object is masked from 'package:purrr':
## 
##     compact
library(gmodels)
data <- read.csv("./bank.csv", header=T)
summary(data)
##       age            job              marital           education        
##  Min.   :18.00   Length:11162       Length:11162       Length:11162      
##  1st Qu.:32.00   Class :character   Class :character   Class :character  
##  Median :39.00   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :41.23                                                           
##  3rd Qu.:49.00                                                           
##  Max.   :95.00                                                           
##    default             balance        housing              loan          
##  Length:11162       Min.   :-6847   Length:11162       Length:11162      
##  Class :character   1st Qu.:  122   Class :character   Class :character  
##  Mode  :character   Median :  550   Mode  :character   Mode  :character  
##                     Mean   : 1529                                        
##                     3rd Qu.: 1708                                        
##                     Max.   :81204                                        
##    contact               day           month              duration   
##  Length:11162       Min.   : 1.00   Length:11162       Min.   :   2  
##  Class :character   1st Qu.: 8.00   Class :character   1st Qu.: 138  
##  Mode  :character   Median :15.00   Mode  :character   Median : 255  
##                     Mean   :15.66                      Mean   : 372  
##                     3rd Qu.:22.00                      3rd Qu.: 496  
##                     Max.   :31.00                      Max.   :3881  
##     campaign          pdays           previous         poutcome        
##  Min.   : 1.000   Min.   : -1.00   Min.   : 0.0000   Length:11162      
##  1st Qu.: 1.000   1st Qu.: -1.00   1st Qu.: 0.0000   Class :character  
##  Median : 2.000   Median : -1.00   Median : 0.0000   Mode  :character  
##  Mean   : 2.508   Mean   : 51.33   Mean   : 0.8326                     
##  3rd Qu.: 3.000   3rd Qu.: 20.75   3rd Qu.: 1.0000                     
##  Max.   :63.000   Max.   :854.00   Max.   :58.0000                     
##    deposit         
##  Length:11162      
##  Class :character  
##  Mode  :character  
##                    
##                    
## 

Ukupno imamo 11162 podataka.

Sada da vidimo da li imamo nedostajuce vrednosti u setu podataka:

sapply(data, function(x) sum(is.na(x)))
##       age       job   marital education   default   balance   housing      loan 
##         0         0         0         0         0         0         0         0 
##   contact       day     month  duration  campaign     pdays  previous  poutcome 
##         0         0         0         0         0         0         0         0 
##   deposit 
##         0

Nemamo nedostajuće podatke u setu.

Istraživanje podataka

Da pogledamo našu ciljnu klasu. Da li je klijent otvorio ugovor sa bankom ili ne, odnosno koliko ljudi je otvorilo račun a koliko ne.

ggplot(data) + geom_bar(aes(x = deposit))

Klase su dobro izbalansirane što će nam značiti kasnije kada budemo radili predikciju.

Analiza numeričkih podataka

Age

Da pogledamo sada distribuciju uzrasta po depozitu. Odnosno distribuciju godina korisnika koji imaju depozit i oni koji nemaju.

data %>% 
  ggplot() +
  aes(x = age) +
  geom_bar() +
  geom_vline(xintercept = c(30, 60), 
             col = "red",
             linetype = "dashed") +
  facet_grid(deposit ~ .,
             scales = "free_y")

  scale_x_continuous(breaks = seq(0, 100, 5))
## <ScaleContinuousPosition>
##  Range:  
##  Limits:    0 --    1

Na prethodnom grafiku možemo primetiti da postoji veća koncentracija ljudi koji su stariji (60+) koji imaju depozit odnosno koji su ostvarili saradnju sa bankom, dok je ostala raspodela godina poprilično jednaka i sa jednom i sa drugom grupom ljudi.

Campaign

Da pogledamo frekvenciju poziva upućenih ka klijentu:

data %>% 
  ggplot() +
  aes(x = campaign) +
  geom_bar() +
  facet_grid(deposit ~ .,
             scales = "free_y") +
  scale_x_continuous(breaks = seq(0, 50, 5))

Ovde možemo ukloniti outlier-e tako što ćemo gornju granicu staviti na 10. Što bi značilo da uklanjamo korisnike koji su bili kontaktirani više od 10 puta, što je svakako previše.

data <- data %>%   
    filter(campaign <= 10)

data %>% 
  ggplot() +
  aes(x = campaign) +
  geom_bar() +
  facet_grid(deposit ~ .,
             scales = "free_y") +
  scale_x_continuous(breaks = seq(0, 10, 1))

Ovako dobijamo detaljniji i pregledniji grafik sa koga možemo zaključiti da postoji minimalna razlika između poziva upućenih ljudima koji su se priključili banci i onima koji nisu.

Pdays

Pogledajmo sada kolonu pdays, odnosno ako su kontaktirali u prethodnoj kampanji klijenta, koliko dana je prošlo između te komunikacije.

table(data$pdays)
## 
##   -1    1    2    4    5    6    8    9   10   12   13   14   15   17   20   21 
## 8116    5    7    1    2    3    2    6    3    1    2    3    1    2    1    2 
##   22   24   27   28   29   33   34   35   36   37   38   40   41   42   43   44 
##    1    1    1    2    1    1    1    3    1    1    1    2    3    2    1    1 
##   48   49   50   52   53   55   56   57   58   59   60   61   62   63   64   65 
##    2    1    3    1    2    3    3    5    2    1    2    1    2    5    2    1 
##   66   67   68   69   70   71   72   73   74   75   76   77   78   79   80   81 
##    2    1    1    1    5    3    1    1    3    4    2    2    3    3   10    6 
##   82   83   84   85   86   87   88   89   90   91   92   93   94   95   96   97 
##    5    9   12   12   12   30   17   13   27   66   94   37   36   36   24   20 
##   98   99  100  101  102  103  104  105  106  107  108  109  110  111  112  113 
##   31   20   13   10   13    9   17   21    8    6    1    6    3    4    1    5 
##  114  115  116  117  118  119  120  121  122  123  124  125  126  127  128  129 
##    5    3    6    2    1   16    5    6    3    3    2    2    8    3    3    3 
##  130  131  132  133  134  135  136  137  138  139  140  141  142  143  144  145 
##    4    3    2    8    4    5    2    1    4    3    5    4    1    3    4    1 
##  146  147  148  149  150  151  152  153  154  155  156  157  159  160  161  162 
##    2    5   11    7    5    1    7    1    2    2    4    2    1    5    3    4 
##  163  164  165  166  167  168  169  170  171  172  173  174  175  176  177  178 
##    2    8    4    5    9    8   10   11    9    8    8    8   20   12    7   11 
##  179  180  181  182  183  184  185  186  187  188  189  190  191  192  193  194 
##   18   18   75   78   68   46   26   19   28   20   19   15    8   12    5    7 
##  195  196  197  198  199  200  201  202  203  204  205  206  207  208  209  210 
##   18   18   11    3    8    5    4    5    3    3    8    1    2    6    7    5 
##  211  212  213  214  216  221  222  223  224  225  227  228  229  230  231  232 
##    2    3    3    1    2    1    2    2    1    1    3    1    1    3    3    2 
##  234  235  236  237  238  239  241  242  243  244  245  246  247  250  251  252 
##    2    2    2    2    2    1    1    2    2    3    4    4    1    2    7    2 
##  253  254  255  256  257  258  259  260  261  262  263  264  265  266  267  268 
##    3    4    2    4    3    5    7    6    7    4    5    6    2    7   10    1 
##  269  270  271  272  273  274  275  276  277  278  279  280  281  282  283  284 
##    7    8    7    9    3    7    3    5    3    5    3    4    5    2    1    2 
##  285  286  287  288  289  290  291  292  293  294  295  296  297  298  299  300 
##    3    5    6    2    1    3    2    2    5    8    6    2    4    2    1    7 
##  301  302  303  304  305  306  307  308  309  310  311  312  313  314  315  316 
##    9    5    1    4    4    3    5    4    2    1    1    3    1    3    3    4 
##  317  318  319  321  322  323  324  325  326  327  328  329  330  331  332  333 
##    2    5    1    3    4    6    3    2    3    5    7    6    4    4    6    1 
##  334  335  336  337  338  339  340  341  342  343  344  345  346  347  348  349 
##    8    6    4   10    2    3    5    4   17   10   10   10    8   11    4    6 
##  350  351  352  353  354  355  356  357  358  359  360  361  362  363  364  365 
##   17   11    8    8    2   10   10   10    6    5    5    5    2   10    8   10 
##  366  367  368  369  370  371  372  373  374  375  377  378  381  384  385  386 
##    5    6   11    8   19   12    3    1    5    2    1    2    1    3    5    5 
##  387  388  389  390  391  392  394  395  397  398  399  401  403  404  405  407 
##    1    3    4    2    3    2    3    1    1    2    1    1    1    1    1    1 
##  409  412  414  415  417  420  421  422  425  426  427  428  430  433  435  436 
##    1    6    2    2    1    1    1    1    1    2    2    1    4    3    1    1 
##  437  439  440  442  444  446  449  450  457  458  459  460  461  462  463  466 
##    1    1    2    1    1    2    1    1    2    2    1    2    4    2    1    1 
##  469  470  472  474  475  476  477  478  479  481  486  490  491  495  503  504 
##    1    1    1    2    1    1    1    1    1    1    1    1    1    1    1    2 
##  515  518  520  521  529  532  535  541  544  550  551  553  555  561  579  586 
##    1    1    1    3    1    1    2    1    1    1    1    1    2    2    1    1 
##  587  594  595  603  616  626  648  651  683  690  701  717  728  749  761  769 
##    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 
##  771  772  782  784  792  804  805  826  828  842  854 
##    1    1    1    1    1    1    1    1    1    1    1

Iz ove tabele ne možemo mnogo toga da zaključimo. Sada ćemo filtrirati vrednosti kao kod prethodne varijable, imaćemo vrednost da klijenta nisu kontaktirali ili da klijenta jesu kontaktirali nakon x proteklih dana.

data = data %>% 
  mutate(pdays = if_else(pdays ==  "-1", "0","1"))

ggplot(data = data) + 
  geom_bar(mapping = aes(x = pdays, fill = deposit), position = "dodge")

Ovde vidimo da su šanse da se klijent pridruži banci drastično veće ukoliko ga kontaktiraju open nakon kampanje nego da ga ne kontaktiraju ponovo.

Duration

Pogledajmo kolonu duration koja predstavlja trajanje poslednjeg kontakta u sekundama. Ovde ćemo odraditi distribuciju podataka i nakon toga filtrirati vrednosti i pretvoriti ih u kategorijske vrednosti radi lakšeg tumačenja.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = duration, fill = deposit), position = "dodge")

data = data %>% 
  mutate(duration = ifelse(duration ==  0, "nije kontaktiran",
                            ifelse(duration <= 120, "do 2 min", ifelse(duration <=300, "do 5 min",
                                                                  ifelse(duration <= 600, "do 10 min","preko 10 min")))))

ggplot(data = data) + 
  geom_bar(mapping = aes(x = duration, fill = deposit), position = "dodge")

CrossTable(data$duration, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##               | data$deposit 
## data$duration |        no |       yes | Row Total | 
## --------------|-----------|-----------|-----------|
##     do 10 min |       987 |      1551 |      2538 | 
##               |    91.301 |   101.526 |           | 
##               |     0.389 |     0.611 |     0.238 | 
##               |     0.176 |     0.307 |           | 
##               |     0.093 |     0.146 |           | 
## --------------|-----------|-----------|-----------|
##      do 2 min |      1928 |       205 |      2133 | 
##               |   576.945 |   641.558 |           | 
##               |     0.904 |     0.096 |     0.200 | 
##               |     0.344 |     0.041 |           | 
##               |     0.181 |     0.019 |           | 
## --------------|-----------|-----------|-----------|
##      do 5 min |      2388 |      1521 |      3909 | 
##               |    52.867 |    58.787 |           | 
##               |     0.611 |     0.389 |     0.367 | 
##               |     0.426 |     0.301 |           | 
##               |     0.224 |     0.143 |           | 
## --------------|-----------|-----------|-----------|
##  preko 10 min |       307 |      1768 |      2075 | 
##               |   564.783 |   628.034 |           | 
##               |     0.148 |     0.852 |     0.195 | 
##               |     0.055 |     0.350 |           | 
##               |     0.029 |     0.166 |           | 
## --------------|-----------|-----------|-----------|
##  Column Total |      5610 |      5045 |     10655 | 
##               |     0.527 |     0.473 |           | 
## --------------|-----------|-----------|-----------|
## 
## 

Nakon filtriranja podataka na par kategorija (nije kontaktiran, do 2 minuta, do 5 minuta, do 10 minuta i preko 10 minuta), možemo zaključiti sledeće:

Sa najvećim delom klijenata (36%) je razgovor bio do 5 minuta, čime se postigla uspešnost od 38%. Razgovori koji su trajali do 2 minuta su najgore prošli sa čitavih 90% negativnih ishoda. Razgovori koji su trajali od 5 do 10 minuta su se pokazali boljim, i od ukupno 23% ispitanika sa kojim je razgovarano upravo ovoliko dugo, 61% njih je uuspešno uspostavilo saradnju sa bankom. Sa 19% ispitanika, razgovori koji su trajali duže od 10 minuta imali su 85% uspešnog razgovora, što nam ukazuje da bi možda, u budućnosti, banke mogle da posvete više vremena u ubeđivanju klijenata na saradnju nego da im odmah spuste slušalicu.

Analiza kategorijskih promenljivih

Education

Sada ćemo pogledati obrazovanje klijenata u kakvom je odnosu sa depozit promenljivom.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = education, fill = deposit), position = "dodge")

Najveći procenat ljudi ima sekundarno i trećestepeno obrazovanje. Kod trećestepenog obrazovanja, procentualno više ljudi je ostvarilo saradnju sa bankom dok je kod ostalih broj ljudi koji nije ostvarilo saradnju veći od broja ljudi koji su ostvarili saradnju.

Marital

Jos jednu vrstu analize mozemo da uradimo a to je broj osoba sa bracnim statusom sa kolonom depozit.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = marital, fill = deposit), position = "dodge")

Najveći udeo korisnika su oženjeni, dok je procentualno najviše neoženjenih (single) ljudi ostvarilo saradnju sa bankom.

Job

Posao koji klijenti imaju u zavisnosti od toga da li su se opredelili za saradnju sa bankom ili ne je prikazan u sledećoj tabeli.

CrossTable(data$job, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##               | data$deposit 
##      data$job |        no |       yes | Row Total | 
## --------------|-----------|-----------|-----------|
##        admin. |       666 |       594 |      1260 | 
##               |     0.010 |     0.011 |           | 
##               |     0.529 |     0.471 |     0.118 | 
##               |     0.119 |     0.118 |           | 
##               |     0.063 |     0.056 |           | 
## --------------|-----------|-----------|-----------|
##   blue-collar |      1186 |       688 |      1874 | 
##               |    40.262 |    44.771 |           | 
##               |     0.633 |     0.367 |     0.176 | 
##               |     0.211 |     0.136 |           | 
##               |     0.111 |     0.065 |           | 
## --------------|-----------|-----------|-----------|
##  entrepreneur |       198 |       118 |       316 | 
##               |     6.010 |     6.683 |           | 
##               |     0.627 |     0.373 |     0.030 | 
##               |     0.035 |     0.023 |           | 
##               |     0.019 |     0.011 |           | 
## --------------|-----------|-----------|-----------|
##     housemaid |       162 |       107 |       269 | 
##               |     2.929 |     3.257 |           | 
##               |     0.602 |     0.398 |     0.025 | 
##               |     0.029 |     0.021 |           | 
##               |     0.015 |     0.010 |           | 
## --------------|-----------|-----------|-----------|
##    management |      1205 |      1233 |      2438 | 
##               |     4.818 |     5.357 |           | 
##               |     0.494 |     0.506 |     0.229 | 
##               |     0.215 |     0.244 |           | 
##               |     0.113 |     0.116 |           | 
## --------------|-----------|-----------|-----------|
##       retired |       252 |       491 |       743 | 
##               |    49.531 |    55.078 |           | 
##               |     0.339 |     0.661 |     0.070 | 
##               |     0.045 |     0.097 |           | 
##               |     0.024 |     0.046 |           | 
## --------------|-----------|-----------|-----------|
## self-employed |       207 |       180 |       387 | 
##               |     0.051 |     0.057 |           | 
##               |     0.535 |     0.465 |     0.036 | 
##               |     0.037 |     0.036 |           | 
##               |     0.019 |     0.017 |           | 
## --------------|-----------|-----------|-----------|
##      services |       527 |       356 |       883 | 
##               |     8.292 |     9.221 |           | 
##               |     0.597 |     0.403 |     0.083 | 
##               |     0.094 |     0.071 |           | 
##               |     0.049 |     0.033 |           | 
## --------------|-----------|-----------|-----------|
##       student |        86 |       257 |       343 | 
##               |    49.548 |    55.097 |           | 
##               |     0.251 |     0.749 |     0.032 | 
##               |     0.015 |     0.051 |           | 
##               |     0.008 |     0.024 |           | 
## --------------|-----------|-----------|-----------|
##    technician |       935 |       795 |      1730 | 
##               |     0.639 |     0.711 |           | 
##               |     0.540 |     0.460 |     0.162 | 
##               |     0.167 |     0.158 |           | 
##               |     0.088 |     0.075 |           | 
## --------------|-----------|-----------|-----------|
##    unemployed |       152 |       194 |       346 | 
##               |     4.998 |     5.557 |           | 
##               |     0.439 |     0.561 |     0.032 | 
##               |     0.027 |     0.038 |           | 
##               |     0.014 |     0.018 |           | 
## --------------|-----------|-----------|-----------|
##       unknown |        34 |        32 |        66 | 
##               |     0.016 |     0.018 |           | 
##               |     0.515 |     0.485 |     0.006 | 
##               |     0.006 |     0.006 |           | 
##               |     0.003 |     0.003 |           | 
## --------------|-----------|-----------|-----------|
##  Column Total |      5610 |      5045 |     10655 | 
##               |     0.527 |     0.473 |           | 
## --------------|-----------|-----------|-----------|
## 
## 

Ovde možemo zaključiti sledeće:

Najveći udeo (23%) ljudi koji su zaposleni se bave menadžmentom, dok je od toga poprilično izbalansiran broj ljudi koji su se priključili banci i oni koji se nisu priključili. Najveći procenat ljudi po poslu koji su se priključili banci su studenti, ukupno ih ima 16% a od toga 75% su se priključili banci. Drugi po redu po broju zaposlenih su radnici (blue collar), čiji udeo iznosi 17% dok se najveći deo njih (63%) nije pridružilo banci, što ujedno predstavlja i najveći procenat ljudi koji se nisu priključili banci (11%), zajedno sa mendažmentom.

Ovaj tabelarni prikaz možemo prikazati kroz sledeći grafik koji sadrži manje detalja ali je dosta pregledniji.

 ggplot(data = data) +
  geom_mosaic(aes(x = product(deposit,job), fill=deposit)) + 
  labs(title='Job')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

Sada ćemo odraditi analizu zaposlenih ljudi i nezaposlenih da vidimo ima li kakvog uticaja zaposlenost, pored konkretnog posla.

data = data %>% 
  mutate(job = if_else(job == "unemployed", "Nezaposleni",if_else(job == "unknown", "Neizjasnjeni", "Zaposleni")))

CrossTable(data$job, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
##     data$job |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
## Neizjasnjeni |        34 |        32 |        66 | 
##              |     0.016 |     0.018 |           | 
##              |     0.515 |     0.485 |     0.006 | 
##              |     0.006 |     0.006 |           | 
##              |     0.003 |     0.003 |           | 
## -------------|-----------|-----------|-----------|
##  Nezaposleni |       152 |       194 |       346 | 
##              |     4.998 |     5.557 |           | 
##              |     0.439 |     0.561 |     0.032 | 
##              |     0.027 |     0.038 |           | 
##              |     0.014 |     0.018 |           | 
## -------------|-----------|-----------|-----------|
##    Zaposleni |      5424 |      4819 |     10243 | 
##              |     0.177 |     0.197 |           | 
##              |     0.530 |     0.470 |     0.961 | 
##              |     0.967 |     0.955 |           | 
##              |     0.509 |     0.452 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Iz ove tabele možemo zaključiti da iako većina ispitanike (96%) jeste zaposleno, svega 57% njih je sklopilo ugovor sa bankom, dok je od 3% nezaposlenih klijenata 56% njih sklopilo saradnju sa bankom.

Housing

Ovde ćemo odraditi presek kolone housing, koja pokazuje da li klijent poseduje neki zajam za nekretninu ili ne, i kolone depozit.

CrossTable(data$housing, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
## data$housing |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##           no |      2410 |      3209 |      5619 | 
##              |   101.684 |   113.071 |           | 
##              |     0.429 |     0.571 |     0.527 | 
##              |     0.430 |     0.636 |           | 
##              |     0.226 |     0.301 |           | 
## -------------|-----------|-----------|-----------|
##          yes |      3200 |      1836 |      5036 | 
##              |   113.455 |   126.161 |           | 
##              |     0.635 |     0.365 |     0.473 | 
##              |     0.570 |     0.364 |           | 
##              |     0.300 |     0.172 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Klijenti koji nemaju housing loan se nalaze u većini onih koji su sa bankom ostvarili saradnju (57%). Takođe, većina klijenata (63%) koja ima saradnju sa bankom nemaju housing loan. Ovo možemo pogledati i preko grafika u nastavku:

 ggplot(data = data) +
  geom_mosaic(aes(x = product(deposit,housing), fill=deposit)) + 
  labs(title='Housing')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

Default

Kolona default predstavlja da li klijent već ima podrazumevani kredit u banci ili ne. Pogledajmo koliko klijenata ima već kredit u banci i u kakvom je to odnosu sa depozitom.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = default, fill = deposit), position = "dodge")

Podaci su u ovoj koloni poprilično neizbalansirani (98,5% - no, 1,5% - yes), ali vrednost “no” u koloni nam govori da ima zanemarljivo manji broj ljudi koji su se priključili banci tako da ova kolona nam ne može mnogo pomoći (53% naspram 47%). Što možemo potvrditi sledećom funkcijom:

CrossTable(data$default, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
## data$default |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##           no |      5504 |      4993 |     10497 | 
##              |     0.094 |     0.105 |           | 
##              |     0.524 |     0.476 |     0.985 | 
##              |     0.981 |     0.990 |           | 
##              |     0.517 |     0.469 |           | 
## -------------|-----------|-----------|-----------|
##          yes |       106 |        52 |       158 | 
##              |     6.255 |     6.955 |           | 
##              |     0.671 |     0.329 |     0.015 | 
##              |     0.019 |     0.010 |           | 
##              |     0.010 |     0.005 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Day of the week

Prikaz kolone day of the week (dan u mesecu kada su kontaktirani ljudi) i depozit kolone je predstavljeno u nastavku.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = day, fill = deposit), position = "dodge")

Iz ove tabele ne možemo nešto značajno zaključiti sem toga da je u drugoj polovini meseca više kontaktirano osoba nego u prvoj. To možemo prikazati na sledeći način:

data = data %>% 
  mutate(day = if_else(day <=  "15", "Prva polovina","Druga polovina"))

ggplot(data = data) + 
  geom_bar(mapping = aes(x = day, fill = deposit), position = "dodge")

Poutcome

Kolona poutcome predstavlja ishod prethodne kampanje koja je bila sprovedena. Funkcijom crosstable možemo istražiti malo više o ovoj koloni.

CrossTable(data$poutcome, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##               | data$deposit 
## data$poutcome |        no |       yes | Row Total | 
## --------------|-----------|-----------|-----------|
##       failure |       559 |       561 |      1120 | 
##               |     1.598 |     1.777 |           | 
##               |     0.499 |     0.501 |     0.105 | 
##               |     0.100 |     0.111 |           | 
##               |     0.052 |     0.053 |           | 
## --------------|-----------|-----------|-----------|
##         other |       190 |       260 |       450 | 
##               |     9.296 |    10.337 |           | 
##               |     0.422 |     0.578 |     0.042 | 
##               |     0.034 |     0.052 |           | 
##               |     0.018 |     0.024 |           | 
## --------------|-----------|-----------|-----------|
##       success |        83 |       884 |       967 | 
##               |   356.669 |   396.613 |           | 
##               |     0.086 |     0.914 |     0.091 | 
##               |     0.015 |     0.175 |           | 
##               |     0.008 |     0.083 |           | 
## --------------|-----------|-----------|-----------|
##       unknown |      4778 |      3340 |      8118 | 
##               |    59.374 |    66.023 |           | 
##               |     0.589 |     0.411 |     0.762 | 
##               |     0.852 |     0.662 |           | 
##               |     0.448 |     0.313 |           | 
## --------------|-----------|-----------|-----------|
##  Column Total |      5610 |      5045 |     10655 | 
##               |     0.527 |     0.473 |           | 
## --------------|-----------|-----------|-----------|
## 
## 

Iz ove tabele možemo zaključiti nekoliko stvari: Za najveći deo ispitanika (76%) nemamo podatke,odnosno spadaju u kategoriju unknown, i od tih 76% skoro 60% nisu sklopili ugovor sa bankom. Za uspešnu prethodnu kampanju (success) ima ukupno 9% od kojih 91% su ostvarili saradnju sa bankom. Sledeća kolona je failure, odnosno neuspešna prethodna kampanja koja ima udeo od 10% u ukupnom istraživanju od kojih je podjednak broj ljudi uspostavilo saradnju sa bankom i oni koji nisu. Neizjašnjenih ima 4% (other). Na sledećem grafiku možemo vizuelno prikazati prethodnja razmatranja.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = poutcome, fill = deposit), position = "dodge")

Month

Month kolona predstavlja mesec u godini kada su klijenti bili kontaktirani. Sledećom funkcojom možemo ustanoviti da li postoji neka zavisnost kolone depozit i kolone month:

CrossTable(data$month, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
##   data$month |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##          apr |       336 |       562 |       898 | 
##              |    39.586 |    44.020 |           | 
##              |     0.374 |     0.626 |     0.084 | 
##              |     0.060 |     0.111 |           | 
##              |     0.032 |     0.053 |           | 
## -------------|-----------|-----------|-----------|
##          aug |       769 |       645 |      1414 | 
##              |     0.807 |     0.897 |           | 
##              |     0.544 |     0.456 |     0.133 | 
##              |     0.137 |     0.128 |           | 
##              |     0.072 |     0.061 |           | 
## -------------|-----------|-----------|-----------|
##          dec |         7 |        95 |       102 | 
##              |    40.617 |    45.166 |           | 
##              |     0.069 |     0.931 |     0.010 | 
##              |     0.001 |     0.019 |           | 
##              |     0.001 |     0.009 |           | 
## -------------|-----------|-----------|-----------|
##          feb |       319 |       422 |       741 | 
##              |    12.974 |    14.427 |           | 
##              |     0.430 |     0.570 |     0.070 | 
##              |     0.057 |     0.084 |           | 
##              |     0.030 |     0.040 |           | 
## -------------|-----------|-----------|-----------|
##          jan |       188 |       138 |       326 | 
##              |     1.559 |     1.733 |           | 
##              |     0.577 |     0.423 |     0.031 | 
##              |     0.034 |     0.027 |           | 
##              |     0.018 |     0.013 |           | 
## -------------|-----------|-----------|-----------|
##          jul |       844 |       593 |      1437 | 
##              |    10.096 |    11.227 |           | 
##              |     0.587 |     0.413 |     0.135 | 
##              |     0.150 |     0.118 |           | 
##              |     0.079 |     0.056 |           | 
## -------------|-----------|-----------|-----------|
##          jun |       641 |       516 |      1157 | 
##              |     1.663 |     1.849 |           | 
##              |     0.554 |     0.446 |     0.109 | 
##              |     0.114 |     0.102 |           | 
##              |     0.060 |     0.048 |           | 
## -------------|-----------|-----------|-----------|
##          mar |        25 |       239 |       264 | 
##              |    93.496 |   103.967 |           | 
##              |     0.095 |     0.905 |     0.025 | 
##              |     0.004 |     0.047 |           | 
##              |     0.002 |     0.022 |           | 
## -------------|-----------|-----------|-----------|
##          may |      1836 |       891 |      2727 | 
##              |   111.546 |   124.039 |           | 
##              |     0.673 |     0.327 |     0.256 | 
##              |     0.327 |     0.177 |           | 
##              |     0.172 |     0.084 |           | 
## -------------|-----------|-----------|-----------|
##          nov |       532 |       383 |       915 | 
##              |     5.239 |     5.826 |           | 
##              |     0.581 |     0.419 |     0.086 | 
##              |     0.095 |     0.076 |           | 
##              |     0.050 |     0.036 |           | 
## -------------|-----------|-----------|-----------|
##          oct |        65 |       311 |       376 | 
##              |    89.311 |    99.313 |           | 
##              |     0.173 |     0.827 |     0.035 | 
##              |     0.012 |     0.062 |           | 
##              |     0.006 |     0.029 |           | 
## -------------|-----------|-----------|-----------|
##          sep |        48 |       250 |       298 | 
##              |    75.585 |    84.050 |           | 
##              |     0.161 |     0.839 |     0.028 | 
##              |     0.009 |     0.050 |           | 
##              |     0.005 |     0.023 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Četvrtina klijenata je kontaktirana u maju mesecu (25%), od kojih je najveći broj (67%) odbio saradnju sa bankom, ali je ujedno i najveći broj uspešno ostvarene saradnje bilo u tom mesecu (17% od ukupne saradnje). Jun, jul i avgust su meseci gde je veći broj ispitanika odbilo saradnju sa bankom (54%-58%), upoređujući ih sa drugim mesecima gde je uglavom veći procenat ljudi ostvario saradnju od onih koji nisu.

Na sledećem grafiku možemo prikazati prethodno opisane opservacije.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = month, fill = deposit), position = "dodge")

Takođe, možemo mesece podeliti na proleće, leto, jesen i zimu i time steći bolji uvid u to kada su najviše bili kontaktirani klijenti i koji uspeh je banka ostvarila po godišnjem dobu.

data = data %>% 
  mutate(month = ifelse((month == "mar") | (month == "apr") | (month == "may"), "Prolece",
                            ifelse((month == "jun") | (month == "jul") | (month == "avg"), "Leto", ifelse((month == "sep") | (month == "oct") | (month == "nov"), "Jesen", "Zima"))))


ggplot(data = data) + 
  geom_bar(mapping = aes(x = reorder(month, month,
                     function(x)-length(x)), fill = deposit), position = "dodge") + xlab("Doba godine")

Ovaj grafik nam ukazuje da je najviše ljudi bilo kontaktirano u proleće, zatim tokom leta, pa zimi i na kraju na jesen je najmanji broj ljudi kontaktiran.

CrossTable(data$month, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
##   data$month |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##        Jesen |       645 |       944 |      1589 | 
##              |    43.893 |    48.808 |           | 
##              |     0.406 |     0.594 |     0.149 | 
##              |     0.115 |     0.187 |           | 
##              |     0.061 |     0.089 |           | 
## -------------|-----------|-----------|-----------|
##         Leto |      1485 |      1109 |      2594 | 
##              |    10.408 |    11.573 |           | 
##              |     0.572 |     0.428 |     0.243 | 
##              |     0.265 |     0.220 |           | 
##              |     0.139 |     0.104 |           | 
## -------------|-----------|-----------|-----------|
##      Prolece |      2197 |      1692 |      3889 | 
##              |    10.899 |    12.120 |           | 
##              |     0.565 |     0.435 |     0.365 | 
##              |     0.392 |     0.335 |           | 
##              |     0.206 |     0.159 |           | 
## -------------|-----------|-----------|-----------|
##         Zima |      1283 |      1300 |      2583 | 
##              |     4.358 |     4.846 |           | 
##              |     0.497 |     0.503 |     0.242 | 
##              |     0.229 |     0.258 |           | 
##              |     0.120 |     0.122 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Što se tiče uspešnosti, u jesen je najviše posto klijenata pristalo na saradnju (~60%). Leto i proleće ima uspešnost od 42-43% dok je zimi polovina klijenata otvorilo račune u banci i polovina je odbila saradnju.

Contact

Kolona contact predstavlja način na koji su klijenti bili kontaktirani (putem telefona ili mobilnog). Na sledeći način možemo ispitati zavisnost ove kolone od kolone depzit.

CrossTable(data$contact, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
## data$contact |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##     cellular |      3500 |      4156 |      7656 | 
##              |    69.945 |    77.778 |           | 
##              |     0.457 |     0.543 |     0.719 | 
##              |     0.624 |     0.824 |           | 
##              |     0.328 |     0.390 |           | 
## -------------|-----------|-----------|-----------|
##    telephone |       353 |       370 |       723 | 
##              |     2.011 |     2.236 |           | 
##              |     0.488 |     0.512 |     0.068 | 
##              |     0.063 |     0.073 |           | 
##              |     0.033 |     0.035 |           | 
## -------------|-----------|-----------|-----------|
##      unknown |      1757 |       519 |      2276 | 
##              |   260.439 |   289.606 |           | 
##              |     0.772 |     0.228 |     0.214 | 
##              |     0.313 |     0.103 |           | 
##              |     0.165 |     0.049 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

Najveći deo kontakta sa klijentima je ostvaren preko telefonskog poziva (cellular) (71%) i od toga je 54% ostvarilo saradnju sa bankom. Telefonom je kontaktirano svega 7% i skoro podjednak broj ljudi je ostvarilo saradnju sa bankom, odnosno nije ostvarilo saradnju.

Grafički prikaz se nalazi u nastavku.

 ggplot(data = data) +
  geom_mosaic(aes(x = product(deposit,contact), fill=deposit)) + 
  labs(title='Contact')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

Loan

Loan kolona predstavlja da li klijent poseduje neku pozajmicu od banke ili ne. Funkcijom u nastavku možemo uočiti zavisnost sa kolonom depozit, ukoliko postoji.

CrossTable(data$loan, data$deposit)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  10655 
## 
##  
##              | data$deposit 
##    data$loan |        no |       yes | Row Total | 
## -------------|-----------|-----------|-----------|
##           no |      4687 |      4575 |      9262 | 
##              |     7.369 |     8.194 |           | 
##              |     0.506 |     0.494 |     0.869 | 
##              |     0.835 |     0.907 |           | 
##              |     0.440 |     0.429 |           | 
## -------------|-----------|-----------|-----------|
##          yes |       923 |       470 |      1393 | 
##              |    48.996 |    54.484 |           | 
##              |     0.663 |     0.337 |     0.131 | 
##              |     0.165 |     0.093 |           | 
##              |     0.087 |     0.044 |           | 
## -------------|-----------|-----------|-----------|
## Column Total |      5610 |      5045 |     10655 | 
##              |     0.527 |     0.473 |           | 
## -------------|-----------|-----------|-----------|
## 
## 

80% ispitanika nema prethodni zajam iz banke i polovina ovih ispitanika je uspostavilo saradnju i polovina nije. Najveći broj (66%) ispitanika koji su već imali zajam od banke nisu nastavili dalju saradnju, što je interesantno.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = loan, fill = deposit), position = "dodge")

More Exploratory data analysis

Boxplots

data <- read.csv("./bank.csv", header=T)
ggplot(data = data, mapping = aes(x = job, y = age)) +
  geom_boxplot()

Za očekivati je da imamo outlier-e za studente koji su preko 35 godina stari, kao i za retired kategoriju ispod 40 godina starosti.

ggplot(data = data, mapping = aes(x = marital, y = age)) +
  geom_boxplot()

Takođe, ovde možemo videti da je većina ljudi koji su single u rasponu između 20 i 50 godina.

ggplot(data = data, mapping = aes(x = education, y = age)) +
  geom_boxplot()

ggplot(data = data, mapping = aes(x = loan, y = age)) +
  geom_boxplot()

ggplot(data = data, mapping = aes(x = poutcome, y = age)) +
  geom_boxplot()

Srednja vrednost godina za sve navedene kategorije je skoro identična.

data = data %>% 
  mutate(duration = ifelse(duration ==  0, "nije kontaktiran",
                            ifelse(duration <= 120, "do 2 min", ifelse(duration <=300, "do 5 min",
                                                                  ifelse(duration <= 600, "do 10 min","preko 10 min")))))


ggplot(data = data, mapping = aes(x = duration, y = age)) +
  geom_boxplot()

data %>% 
  count(job, education) %>%  
  ggplot(mapping = aes(x = job, y = education)) +
    geom_tile(mapping = aes(fill = n))

Najviše ljudi sa trećestepenim obrazovanjem su zaposleni kao menadžeri.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = deposit, fill = education), position = "dodge")

Jedini pozitivan odnos među kolonama depozit i obrazovanje imamo kod trećestepenog obrazovanja. Odnosno samo kod trećestepenog obrazovanja imamo veći broj klijenata koji su otvorili nalog u banci od onih koji su odbili saradnju.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = contact, fill = month), position = "dodge")

ggplot(data = data) + 
  geom_bar(mapping = aes(x = poutcome, fill = month), position = "dodge")

data = data %>% 
  mutate(month = ifelse((month == "mar") | (month == "apr") | (month == "may"), "Prolece",
                            ifelse((month == "jun") | (month == "jul") | (month == "avg"), "Leto", ifelse((month == "sep") | (month == "oct") | (month == "nov"), "Jesen", "Zima"))))

ggplot(data = data) + 
  geom_bar(mapping = aes(x = month, fill = job), position = "dodge")

Ovde možemo zaključiti da je najviše radnika (blue collar) kontaktirano tokom proleća, dok je najviše penzionisanih kontaktirano tokom zime. Studenti su kontaktirani čitave godine gotovo podjednako. Tokom zime i proleća je većina menadžera kontaktirana.

ggplot(data = data) + 
  geom_bar(mapping = aes(x = month, fill = marital), position = "dodge")

ggplot(data = data) + 
  geom_bar(mapping = aes(x = marital, fill = job), position = "dodge")

CrossTable(data$job, data$marital)
## 
##  
##    Cell Contents
## |-------------------------|
## |                       N |
## | Chi-square contribution |
## |           N / Row Total |
## |           N / Col Total |
## |         N / Table Total |
## |-------------------------|
## 
##  
## Total Observations in Table:  11162 
## 
##  
##               | data$marital 
##      data$job |  divorced |   married |    single | Row Total | 
## --------------|-----------|-----------|-----------|-----------|
##        admin. |       182 |       677 |       475 |      1334 | 
##               |     4.883 |     8.864 |     7.079 |           | 
##               |     0.136 |     0.507 |     0.356 |     0.120 | 
##               |     0.141 |     0.107 |     0.135 |           | 
##               |     0.016 |     0.061 |     0.043 |           | 
## --------------|-----------|-----------|-----------|-----------|
##   blue-collar |       149 |      1335 |       460 |      1944 | 
##               |    25.779 |    47.367 |    38.058 |           | 
##               |     0.077 |     0.687 |     0.237 |     0.174 | 
##               |     0.115 |     0.210 |     0.131 |           | 
##               |     0.013 |     0.120 |     0.041 |           | 
## --------------|-----------|-----------|-----------|-----------|
##  entrepreneur |        42 |       234 |        52 |       328 | 
##               |     0.422 |    12.025 |    25.534 |           | 
##               |     0.128 |     0.713 |     0.159 |     0.029 | 
##               |     0.032 |     0.037 |     0.015 |           | 
##               |     0.004 |     0.021 |     0.005 |           | 
## --------------|-----------|-----------|-----------|-----------|
##     housemaid |        46 |       190 |        38 |       274 | 
##               |     6.407 |     7.458 |    27.079 |           | 
##               |     0.168 |     0.693 |     0.139 |     0.025 | 
##               |     0.036 |     0.030 |     0.011 |           | 
##               |     0.004 |     0.017 |     0.003 |           | 
## --------------|-----------|-----------|-----------|-----------|
##    management |       288 |      1428 |       850 |      2566 | 
##               |     0.287 |     0.702 |     2.105 |           | 
##               |     0.112 |     0.557 |     0.331 |     0.230 | 
##               |     0.223 |     0.225 |     0.242 |           | 
##               |     0.026 |     0.128 |     0.076 |           | 
## --------------|-----------|-----------|-----------|-----------|
##       retired |       171 |       581 |        26 |       778 | 
##               |    72.579 |    43.227 |   195.964 |           | 
##               |     0.220 |     0.747 |     0.033 |     0.070 | 
##               |     0.132 |     0.091 |     0.007 |           | 
##               |     0.015 |     0.052 |     0.002 |           | 
## --------------|-----------|-----------|-----------|-----------|
## self-employed |        39 |       222 |       144 |       405 | 
##               |     1.335 |     0.309 |     2.095 |           | 
##               |     0.096 |     0.548 |     0.356 |     0.036 | 
##               |     0.030 |     0.035 |     0.041 |           | 
##               |     0.003 |     0.020 |     0.013 |           | 
## --------------|-----------|-----------|-----------|-----------|
##      services |       121 |       504 |       298 |       923 | 
##               |     1.854 |     0.854 |     0.173 |           | 
##               |     0.131 |     0.546 |     0.323 |     0.083 | 
##               |     0.094 |     0.079 |     0.085 |           | 
##               |     0.011 |     0.045 |     0.027 |           | 
## --------------|-----------|-----------|-----------|-----------|
##       student |         2 |        15 |       343 |       360 | 
##               |    37.798 |   175.933 |   464.352 |           | 
##               |     0.006 |     0.042 |     0.953 |     0.032 | 
##               |     0.002 |     0.002 |     0.097 |           | 
##               |     0.000 |     0.001 |     0.031 |           | 
## --------------|-----------|-----------|-----------|-----------|
##    technician |       204 |       930 |       689 |      1823 | 
##               |     0.244 |    11.091 |    22.791 |           | 
##               |     0.112 |     0.510 |     0.378 |     0.163 | 
##               |     0.158 |     0.146 |     0.196 |           | 
##               |     0.018 |     0.083 |     0.062 |           | 
## --------------|-----------|-----------|-----------|-----------|
##    unemployed |        47 |       186 |       124 |       357 | 
##               |     0.771 |     1.444 |     1.172 |           | 
##               |     0.132 |     0.521 |     0.347 |     0.032 | 
##               |     0.036 |     0.029 |     0.035 |           | 
##               |     0.004 |     0.017 |     0.011 |           | 
## --------------|-----------|-----------|-----------|-----------|
##       unknown |         2 |        49 |        19 |        70 | 
##               |     4.602 |     2.112 |     0.425 |           | 
##               |     0.029 |     0.700 |     0.271 |     0.006 | 
##               |     0.002 |     0.008 |     0.005 |           | 
##               |     0.000 |     0.004 |     0.002 |           | 
## --------------|-----------|-----------|-----------|-----------|
##  Column Total |      1293 |      6351 |      3518 |     11162 | 
##               |     0.116 |     0.569 |     0.315 |           | 
## --------------|-----------|-----------|-----------|-----------|
## 
## 

Najveći udeo oženjenih, zaposlenih klijenata pripada menadžerima, kao i najveći udeo razvedenih, zaposlenih klijenata takođe pripada menadžerima. Najveći udeo zaposlenih klijenata (ne računajući studente), koji nisu ni u kakvoj vezi su tehničari sa 37% ukupnih ispitanika koji rade kao tehničari.

Statistical tests

Chi-square test

Chi-Squared (\(X^{2}\)) test ispravnosti upoređuje korelaciju između dve različite kategorijske vrednosti.

chisq.test(data$default, data$deposit)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  data$default and data$deposit
## X-squared = 17.809, df = 1, p-value = 2.443e-05

Dobijamo chi-s vrednost od 17.809. Pošto imamo vrednost p da je manja od 0.05, možemo odbaciti nultu hipotezu i zaključujemo da su ove dve vrednosti u zavisnosti jedna od druge.

Na ovaj način možemo istestirati svaku kolonu posebno i doći do istog zaključka. U nastavku sledi još par testova.

chisq.test(data$default, data$housing)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  data$default and data$housing
## X-squared = 1.1931, df = 1, p-value = 0.2747

Ovde dobijamo chi-s vrednost od 1.19 i vrednost značaja p=0.27 koja je veća od 0.05 i time prihvatamo nultu hipotezu i zaključujemo da su kolone default i housing međusobno nezavisne.

chisq.test(data$default, data$marital)
## 
##  Pearson's Chi-squared test
## 
## data:  data$default and data$marital
## X-squared = 4.3267, df = 2, p-value = 0.1149

Dobijamo još jednu kolonu koja nije u međusobnoj nezavisnosti od kolone default a to je bračni status. Pošto smo dobili vrednost p > 0.05 zaključujemo da važi nulta hipoteza.

Kruskal-Wallace test

Kruskal-Wallace test je sličaj ANOVA testu, samo jednostavniji. Kroz ovaj test možemo provući kategorijsku i numeričku promenljivu i dobiti Kruskal-Wallis chi-squared vrednost kao i vrednost značajnosti p. 

U sledećem primeru ćemo implementirati pomenuti test nad kolonama age i depozit, kako bismo došli do zaključka da li su ove dve kolone u međusobnoj zavisnosti.

kruskal.test(x = data$age, g = as.factor(data$deposit ))
## 
##  Kruskal-Wallis rank sum test
## 
## data:  data$age and as.factor(data$deposit)
## Kruskal-Wallis chi-squared = 1.6493, df = 1, p-value = 0.199

Nakon implementiranja testa, dobijamo da je p vrednost veća od 0.05 odnosno to nam ukazuje da postoji skoro 20% šanse da nulta hipoteza tačna. Zbog toga, prihvatamo nultu hipotezu jer nemamo dovoljno dokaza da godište utiče na saradnju sa bankom, i time ove dve promenljive mogu da se smatraju međusobno nezavisnim.

Ovim testom takođe možemo potvrditi za neke kolone da su u međusobnoj zavisnosti. Na primer, godište i posao bi trebalo da budu u zavisnosti.

kruskal.test(x = data$age, g = as.factor(data$job))
## 
##  Kruskal-Wallis rank sum test
## 
## data:  data$age and as.factor(data$job)
## Kruskal-Wallis chi-squared = 2740, df = 11, p-value < 2.2e-16

Vrednost p, koja je manja od 0.05, nam ukazuje da je ova vrednost statistički značajna i time potvrđujemo dokaze za postojanje nulte hipoteze, odnosno da su godište i posao međusobno zavisne dve promenljive.