Un grand opérateur de réseau mobile a développé un modèle pour prédire les clients susceptibles de résilier leur service afin de pouvoir leur proposer des incitations à la rétention. Après des tests sur 100 clients, le modèle a produit les résultats d'évaluation présentés. Pourquoi ce modèle serait-il acceptable pour un déploiement en production ?

Le modèle est acceptable pour le déploiement car une précision de 86 % est élevée, et surtout, le coût commercial des faux positifs (prédire qu'un client va résilier alors qu'il ne le fera pas) est inférieur au coût des faux négatifs (prédire qu'un client ne va pas résilier alors qu'il le fera). Dans ce scénario, il est préférable de proposer une incitation à la rétention à un client qui n'en a pas besoin (faux positif) plutôt que de perdre un client qui aurait pu être retenu (faux négatif). La première option est incorrecte car elle inverse la relation de coût. Les options concernant la comparaison entre la précision et l'exactitude sont incorrectes car la précision de 86 % est une bonne métrique en soi, et la relation entre précision et exactitude n'est pas la raison principale de l'acceptabilité du modèle dans ce contexte commercial.