数据挖掘模型评估指标：Profit Chart（利润图）

数据挖掘模型评估指标：Profit Chart（利润图）

Profit Chart（利润图）与Gain Chart及Lift Chart不同，其主要表示的是模型可能带来的收益，而不是模型的正确率。因此，想要将上面的例子由分析Gain Chart等转换为分析Profit Chart，则必须知道营销活动的收入与成本。

假设某型录邮购公司举行促销活动的固定成本为20000美元，邮寄1个单位型录的成本是1美元，卖出1件商品的收益是45美元，则其促销活动的成本矩阵如图4-10所示。

假设此公司的客户总人数为100万人，若对全部客户进行促销，则总回应客户人数为1万人，而受到公司促销成本的限制，促销人数最多为客户总人数的20%，即20万人，具体计算过程如下。

（1）随机挑选20%的客户

预期回应的客户：10000×20%=2000人

预期收益：2000×44−198000×1−20000=−130000美元

（2）利用数据挖掘来改进回应率（假设从20%改进到50%）

预期回应的客户：10000×50%=5000人

预期收益：5000×44−195000×1−20000=5000美元

由此可见，数据挖掘能够改善促销活动的绩效，提高公司的利润，但要得到最大收益，还应当针对促销客户人数进行优化。如图4-11所示，当促销人数为客户总人数的10%时，公司会得到最大收益，即15000美元。

Profit Chart就是将上述收益数据表示在图中，其中横轴为营销人数的百分比，纵轴为收益额（有正负之分），具体见图4-12。

如图4-12所示，在不同的成本矩阵条件下，最优的营销人数也会随之改变。同时，这也表明，数据挖掘并不一定能够给营销方带来收益，这取决于多方面的因素，如获利空间、回应率、固定成本等。