Un grande operatore di rete mobile ha creato un modello per prevedere i clienti che probabilmente annulleranno il loro servizio, in modo da poter offrire incentivi per la fidelizzazione. Dopo aver testato su 100 clienti, il modello ha prodotto i risultati di valutazione mostrati. Perché questo modello sarebbe accettabile per essere distribuito in produzione?

Il modello è accettabile per la distribuzione perché un'accuratezza dell'86% indica una buona performance complessiva. Più criticamente, il costo aziendale derivante dai falsi positivi (prevedere che un cliente annullerà il servizio quando non lo farà) è inferiore al costo derivante dai falsi negativi (non prevedere che un cliente annullerà il servizio quando lo farà). In questo scenario, è preferibile offrire un incentivo non necessario a un cliente fedele (falso positivo) piuttosto che perdere un cliente che avrebbe potuto essere trattenuto (falso negativo). Le opzioni che affermano che il costo dei falsi negativi è inferiore ai falsi positivi sono errate perché implicherebbero che perdere un cliente sia meno problematico che offrire un incentivo, il che è contrario all'obiettivo di fidelizzazione. Le opzioni che confrontano precisione e accuratezza in modo errato sono irrilevanti o fuorvianti senza i dati specifici della precisione.