3. Financial Industry (Credit Card) - Marketing Analytics.
· Bakgrunn: Et kredittkortselskap har et markedsføringsbudsjett på Rs. 1 cr eller 10 lac stykker av post avsatt til å sende ut direkte post. Hvis de sender ut mail til alle tilgjengelige lister som de har, ville de trenger å bruke Rs. 10 cr eller 1 cr stykker av post. De vet også at ved å kjøre denne markedsføringen vil de få på de fleste 50 tusen nye kunder
· Mål:.
Fra en cr tilgjengelige stykker ønsker de å identifisere 10 lac som er mest sannsynlig å svare på tilbudet slik at det å øke selskapets kundebase og i sin tur lønnsomhet
· Approach. Gjennomgå data fra sine siste 5 postreklame og bygge en prediktiv modell som kan hjelpe dem med å identifisere sannsynligheten for å svare og differensiere " høy sannsynlighet for å svare prospekter "vs" Lav sannsynlighet for å svare prospekter "
· Utfall /Impact. Bruke data fra tidligere kampanjer, var de i stand til å bygge en logistisk regresjon (statistisk prediktiv) modell.
Denne modellen sett på historien og hjalp dem med å identifisere den rette en cr til e-post for å bestille 40 tusen kontoer. Hva det betyr er at for resten av 9 cr, ville de ha booket bare 10 tusen kontoer (ekstremt ineffektiv). Denne øvelsen utføres i flertallet av direkte markedsføring for å sikre at pengene som brukes har optimal effekt. Ved å utnytte historien dette selskapet var i stand til å bestille 80% av kontoer med bare 10% av post og dermed virkelig redusere sine kostnader til å bestille regnskapet.
4.
Progressive Insurance Industry (Motorcycle Insurance) - Priser og Risk Analytics.
· Bakgrunn: For noen år siden ble alle behandle motorsyklister det samme som om de hadde høyest risiko og trengte den høyeste prisen for forsikring. De var ikke god kredittrisiko. Alle visste det, og det var konvensjonell visdom
· Mål:. Identifiser segmenter innenfor motorsykkel forsikring eierne som har lavere kredittrisiko enn gjennomsnittet
· Approach. Gjennomgå data fra sin fortid og "DE GJENNOMSNITTLIG RISIKOEN ".
De brukte historiske data for å bestemme lommer /segmenter av kunder med "høyere enn gjennomsnittlig risiko" og "lavere enn gjennomsnittet RISK"
· Utfall /Impact. Hva de fant er at mens noen motorsyklister er veldig høy risiko, et flertall av dem er ikke. Eg lærer å kjøre motorsykkel er mye lavere risiko enn en high school student å kjøre motorsykkel. Med dette i tankene, var de i stand t