O efeito do tamanho da amostra e da proporção de compradores na amostra sobre o desempenho das equações de segmentação de lista geradas por análise de regressão

A segmentação de lista refere-se ao conjunto de técnicas empregadas por comerciantes de mala direta para tentar prever quais indivíduos específicos são mais propensos do que outros em uma lista a responder a uma solicitação específica de mala direta. A análise de regressão é uma técnica de segmentação de lista comumente utilizada, que produz resultados úteis do ponto de vista gerencial. No entanto, os critérios comumente aceitos para avaliar a "bondade" das equações de regressão (como R² ajustado ou não ajustado) são inadequados no contexto da segmentação de lista. Os autores descrevem um critério de avaliação superior—o Critério de Predição de Pareto—e relatam um estudo no qual uma série de experimentos A/B (geração de equação de pontuação/amostra de avaliação) são realizados, com o tamanho da amostra e a proporção de compradores de cada amostra (A e B) variando. Os resultados do nosso estudo indicam que, quando a taxa de resposta é mantida constante, o tamanho da amostra tem um impacto significativo no desempenho da segmentação. Além disso, "salgar os dados" (inflar artificialmente a taxa de resposta na amostra, resultando em um conjunto de dados a ser analisado com uma proporção de compradores mais alta do que na realidade) tem um efeito positivo no desempenho da segmentação quando aplicado a "A," o conjunto de dados do qual a equação de pontuação é gerada, mas não tem efeito no desempenho da segmentação quando aplicado a "B," a amostra de retenção.