Duży operator sieci komórkowej zbudował model do przewidywania klientów, którzy prawdopodobnie zrezygnują z usługi, aby móc oferować im zachęty do pozostania. Po przetestowaniu na 100 klientach model wygenerował przedstawione wyniki oceny. Dlaczego ten model byłby akceptowalny do wdrożenia produkcyjnego?

Model jest akceptowalny, ponieważ jego dokładność wynosi 86%, a co ważniejsze, koszt biznesowy fałszywych pozytywów jest mniejszy niż fałszywych negatywów. W tym scenariuszu, fałszywy pozytyw oznacza zaoferowanie zachęty klientowi, który i tak by nie zrezygnował (niewielki koszt). Fałszywy negatyw to niezaproponowanie zachęty klientowi, który zrezygnuje (utrata klienta, duży koszt). Wysoka dokładność i preferowanie minimalizacji kosztowniejszych fałszywych negatywów sprawiają, że model jest użyteczny. Pozostałe opcje są nieprawidłowe, ponieważ błędnie interpretują relację między precyzją a dokładnością lub niewłaściwie oceniają koszty biznesowe fałszywych pozytywów i negatywów.