Modèle de réponse

14 Lut Modèle de réponse

Un cadre de modélisation peut être basé sur toutes les informations quantitatives que l`entreprise estime importantes à suivre. Malgré cela, beaucoup utilisent une démographie comme un «zip + 4» ou un code postal à neuf chiffres comme source de données principale, parce que c`est un moyen précis de repérer et de suivre les zones de taux de réponse élevés et faibles. D`autres informations de base peuvent inclure l`âge, le sexe ou le niveau de revenu et proviennent de listes de diffusion ou d`abonnement. Les publicités directes elles-mêmes peuvent également être intégrées dans le modèle. Le fait de modifier le message mais d`envoyer l`annonce à deux pools de prospects identiques permet de suivre le message qui reçoit la meilleure réponse. La solution réside dans la création d`un modèle de soulèvement. Ici, l`idée est de trouver la probabilité d`impact incrémentiel d`une activité de marketing en utilisant une sorte de base. Habituellement, un «groupe de contrôle» soigneusement choisi sert à déterminer l`impact incrémental. Un modèle de soulèvement va vous donner la probabilité de réponse en raison des efforts de marketing seul. Comme indiqué précédemment, la transformation inverse de Box – Cox dépend d`un seul paramètre, λ, qui détermine la forme finale du modèle (linéaire, puissance ou exponentiel). Les trois modèles constituent donc de simples points sur un spectre continu de convexité monotonique, fractionné par λ.

Cette propriété, où différents modèles connus deviennent de simples points sur un spectre continu, fractionnés par les paramètres du modèle, est notée la propriété de convexité monotonique continue (CMC). Ce dernier caractérise tous les modèles RMM, et il permet le cycle de base „linéaire-puissance-exponentiel” (sous-jacent à la transformation de Box-Cox inverse) à répéter ad infinitum, permettant des modèles toujours plus convexes à dériver. Les exemples pour de tels modèles sont un modèle de puissance exponentielle ou un modèle exponentiel-exponentiel (voir les modèles explicites exposés plus loin). Étant donné que la forme finale du modèle est déterminée par les valeurs des paramètres RMM, cela implique que les données, utilisées pour estimer les paramètres, déterminent la forme finale du modèle RMM estimé (comme avec la transformation inverse de Box – Cox).

No Comments

Sorry, the comment form is closed at this time.