Un gran operador de red móvil creó un modelo para predecir qué clientes probablemente cancelarán su servicio, de modo que pueda ofrecer incentivos de retención. Después de probarlo en 100 clientes, el modelo produjo los resultados de evaluación que se muestran. ¿Por qué sería aceptable implementar este modelo en producción?

El modelo tiene una precisión del 86%, lo que significa que el 86% de los clientes que el modelo predijo que cancelarían, realmente lo hicieron. En este escenario, un falso positivo (predecir que un cliente cancelará cuando no lo hará) implica ofrecer un incentivo innecesario, lo cual es un costo. Un falso negativo (predecir que un cliente no cancelará cuando sí lo hará) significa perder un cliente, lo cual es un costo mayor. Dado que el costo de un falso positivo es menor que el de un falso negativo, una alta precisión es deseable, ya que minimiza los incentivos ofrecidos a clientes que no los necesitan, mientras que el costo de perder clientes es más alto. Las otras opciones son incorrectas porque la precisión y la exactitud son métricas diferentes y la relación de costos entre falsos positivos y falsos negativos es crucial para la decisión de implementación.