· Bakgrund: Ett kreditkortsföretag har en marknadsföringsbudget på skivor. 1 hp eller 10 lac försändelser som avsatts för att skicka ut direkt post. Om de skickar ut post till alla tillgängliga listor som de har, skulle de behöva spendera Rs. 10 hp eller 1 sp försändelser. De vet också att genom att köra denna marknadsföringskampanj de kommer att få som mest 50 tusen nya kunder Omdömen
· Mål:.
Från 1 sp tillgängliga bitar de skulle vilja identifiera den 10 lac som är mest benägna att svara på erbjudandet så att öka bolagets kundbas och i sin tur lönsamhet Omdömen
· Approach. Granska data från sina senaste 5 direktreklam kampanjer och bygga en prediktiv modell som kan hjälpa dem att identifiera sannolikheten att reagera och differentiera " Hög sannolikhet att svara framtidsutsikter "vs" låg sannolikhet att svara framtidsutsikter "Omdömen
· Resultat /Impact. Med hjälp av data från tidigare kampanjer, kunde de bygga en logistisk regression (statistisk prediktiv) modell.
Denna modell såg på historien och hjälpt dem att identifiera rätt 1 sp att e-post till boka 40 tusen konton. Vad det betyder är att under resten av 9 sp, skulle de ha bokat endast 10 tusen konton (extremt ineffektivt). Den här övningen genomförs i majoriteten av direkt marknadsföring för att se till att pengarna har optimal effekt. Genom att utnyttja historia var detta företag kunna boka 80% av konton med endast 10% av e-post och därmed verkligen minska sina kostnader för att boka räkenskaperna. Omdömen
4. Progressive Insurance Industry (MC Försäkring) - Priser & Risk Analytics.
· Bakgrund: För några år sedan alla var behandla motorcyklister på samma sätt som om de hade den högsta risken och behövde det högsta priset för försäkringar. De var inte bra kreditrisk. Alla visste det och det var konventionell visdom Omdömen
· Mål:. Identifiera segment inom motorcykel försäkring ägare som har lägre kreditrisk än genomsnittet Omdömen
· Approach. Granska data från sitt förflutna och "DE genomsnitt RISK ".
De använde historiska data för att bestämma fickor /segment av kunder med "högre än genomsnittet RISK" och "lägre risk än genomsnittet" Omdömen
· Resultat /Impact. Vad de funnit är att medan vissa motorcyklister är verkligen hög risk, en majoritet av dem inte. T.ex. en lärare kör en motorcykel är en mycket lägre risk än en high school student kör en motorcykel. Med detta i åtanke, kunde de erb