在CRM中的第一步是识别潜在客户然后将他们转变成真正的客户；下面将举例说明数据采集是如何帮助管理获取新客户的成本和改善这些活动的效果。
Big Bank and Credit Card Company(BB&CC)每年进行25次直接邮寄活动，每次活动都想一百万人提供申请信用卡的机会。“转化率”用来测量那些变成信用卡客户的比例，这是一个关于BB&CC每一次活动效果的百分比。
使人们填写信用卡申请仅仅是第一步，BB&CC必须判断申请是否有很好风险，然后决定接受他们成为自己的客户还是该拒绝他们的申请。更糟糕的信用风险的人可能比那些有较好信用风险的更容易被接受，对此不必感到惊奇。统计显示大约6%的人在接到邮寄后会提出申请，但他们中只有16%满足信用风险要求，结果邮件列表中的人大约有1%称为了BB&CC的新客户。
BB&CC的6%的响应率意味着每次活动中的100万人中仅有60000人对邮寄的请求产生响应。除非BB&CC改变这种建议使用信用卡的“恳求”的种类——使用不同的邮件列表，用不同的方式影响客户，改变“恳求”的术语——否则不可能获得超过60000人的响应。并且在6万人中只有1万人满足信用风险条件而成为客户。BB&CC面临的难题是更有效的影响那仅有的1万人。
BB&CC的每份邮寄成本约1$，也就是说每次邮寄活动的总成本为$1,000,000。在接下来的两年里，那1万人将为BB&CC产生大约$1,250,000（每人约$125）的收益，结果从一次邮寄活动获得净利润为$250,000。数据采集可以改善这个回报率。尽管数据采集也不能精确的识别最后的那1万信用卡用户，但它可以帮助使促销活动的成本更有效。
首先，BB&CC发送了50,000个邮件做测试并仔细分析结果，使用决策建树建立预测模型来显示谁将对邮寄做出响应，用神经网络建立信用评分模型。接着BB&CC结合这两个模型来发现那些满足信用评定而且最可能对“恳求”产生响应的人群。
BB&CC运用这一模型再给邮件列表中剩下的950,000个人选择700,000发送邮件。结果显示：从这750,000（包括测试的50,000）件邮件中，BB&CC获得了9000份信用卡申请。换句话说，响应率从1%提高到了1.2%——增加了20%。虽然目标只达到了10000个中的9000个，但模型每有完美的，剩下的1000时无利可图的。
下面的统计数据的列表：
请注意，邮寄的纯利润增加了$125,000，甚至你扣除由于数据采集而产生的软件、硬件即人力资源方面的$40,000，纯利润还增加了$85,000。建模的投入转化成了200%的收益，这远远超过了BB&CC对这一项目的ROI要求。
|
