10.

게인즈 차트라고 불리는 위의 왼쪽 차트는 Data Mining을 통하여 얻을 수 있는 이점을 설명한다. 대각선은 임의로 선택된 Target 고객들로부터 기대할 수 있는 반응 수치를 나타낸다. 이 시나리오에 의하면 반응 수치는 Target 크기와 선형으로 증가한다.
아래의 커브는 Target 고객을 결정하는 모델 점수를 사용하였을 때 예상된 반응 수치를 나타낸다. Target은 일정 크기로 임의적으로 선택된 집단에서보다 좀더 긍정적으로 반응한 사람들을 포함하는 경향이 있다. 커브와 대각선사이의 음영부분은 모델의 질을 나타낸다. 커브가 가파를수록 모델은 더 좋다.
모델에 대한 다른 표현은 모델의 질에 대한 가장 중요한 평가인 수익성을 제공하는 것으로써 예상 비용과 예상 수익을 통합하는 것이다. 수익성 그래프는 어떤 캠페인에 몇 명의 잠재고객을 포함시킬 것인가를 결정하는데 도움을 줄 수 있다. 위의 오른쪽 그림에서, 모든 고객을 접촉하는 것은 순 손실을 초래할 것이라는 것을 쉽게 볼 수 있다. 약 0.8의 트레시홀드 점수를 선택하는 것이 수익성을 최대로 할 수 있다.

모델 점수가 수익성을 개선시키는데 어떻게 사용되는가를 자세히 살펴보기 위하여 아래의 가정을 포함한 예제 캠페인을 생각해 보자.

· 데이터베이스 크기 : 2,000,000 명
· 한 명의 고객에 대한 접촉 비용:1,000원
· 최대 가능 반응 수치:40,000
· 긍정적인 반응으로부터 수익마진:40,000원

다음의 표에서 보여주듯, 전체 고객/잠재고객 데이터베이스에 대한 임의 표본추출은 캠페인 Target 크기와는 상관없이 손실을 가져왔다. 그러나 Data Mining Model을 사용하여 고객을 Targeting함으로써 Marketer는 양질의 잠재고객의 확률이 높은 소량의 Target을 선택할 수 있다. 이러한 좀더 초점이 맞추어진 접근방법은 Target이 너무 크고 너무 많은 불량 잠재고객을 포함하게 될 때까지는 수익을 발생시키게 된다.

캠페인 크기	비 용	임 의 추 출			타 겟 추 출
캠페인 크기	비 용	반응	수 입	순수익	반응	수 입	순수익
100,000	100,000,000	2,000	80,000,000	-20,000,000	4,000	160,000,000	60,000,000
400,000	400,000,000	8,000	320,000,000	-80,000,000	3,000	1,200,000,000	800,000,000
1,000,000	1,000,000,000	20,000	800,000,000	-20,000,000	35,000	1,400,000,000	500,000,000