在CRM中的第一步是識別潛在客戶然后將他們轉變成真正的客戶；下面將舉例說明數據采集是如何幫助管理獲取新客戶的成本和改善這些活動的效果。
Big Bank and Credit Card Company(BB&CC)每年進行25次直接郵寄活動，每次活動都想一百萬人提供申請信用卡的機會�！稗D化率”用來測量那些變成信用卡客戶的比例，這是一個關于BB&CC每一次活動效果的百分比。
使人們填寫信用卡申請僅僅是第一步，BB&CC必須判斷申請是否有很好風險，然后決定接受他們成為自己的客戶還是該拒絕他們的申請。更糟糕的信用風險的人可能比那些有較好信用風險的更容易被接受，對此不必感到驚奇。統(tǒng)計顯示大約6%的人在接到郵寄后會提出申請，但他們中只有16%滿足信用風險要求，結果郵件列表中的人大約有1%稱為了BB&CC的新客戶。
BB&CC的6%的響應率意味著每次活動中的100萬人中僅有60000人對郵寄的請求產生響應。除非BB&CC改變這種建議使用信用卡的“懇求”的種類——使用不同的郵件列表，用不同的方式影響客戶，改變“懇求”的術語——否則不可能獲得超過60000人的響應。并且在6萬人中只有1萬人滿足信用風險條件而成為客戶。BB&CC面臨的難題是更有效的影響那僅有的1萬人。
BB&CC的每份郵寄成本約1$，也就是說每次郵寄活動的總成本為$1,000,000。在接下來的兩年里，那1萬人將為BB&CC產生大約$1,250,000（每人約$125）的收益，結果從一次郵寄活動獲得凈利潤為$250,000。數據采集可以改善這個回報率。盡管數據采集也不能精確的識別最后的那1萬信用卡用戶，但它可以幫助使促銷活動的成本更有效。
首先，BB&CC發(fā)送了50,000個郵件做測試并仔細分析結果，使用決策建樹建立預測模型來顯示誰將對郵寄做出響應，用神經網絡建立信用評分模型。接著BB&CC結合這兩個模型來發(fā)現那些滿足信用評定而且最可能對“懇求”產生響應的人群。
BB&CC運用這一模型再給郵件列表中剩下的950,000個人選擇700,000發(fā)送郵件。結果顯示：從這750,000（包括測試的50,000）件郵件中，BB&CC獲得了9000份信用卡申請。換句話說，響應率從1%提高到了1.2%——增加了20%。雖然目標只達到了10000個中的9000個，但模型每有完美的，剩下的1000時無利可圖的。
下面的統(tǒng)計數據的列表：
請注意，郵寄的純利潤增加了$125,000，甚至你扣除由于數據采集而產生的軟件、硬件即人力資源方面的$40,000，純利潤還增加了$85,000。建模的投入轉化成了200%的收益，這遠遠超過了BB&CC對這一項目的ROI要求。 ..
|
