Terkadang membantu menggambarkan tujuan dari analisis semacam itu dan apa yang dapat dilakukan perusahaan tanpa analisis tersebut. Misalkan perusahaan memiliki data turnover yang ingin melakukan sesuatu terhadap (kemungkinan) tingkat turnover yang tinggi. Saya bisa membayangkan dua tindakan yang mungkin
- Cari tahu apa yang mendorong orang untuk pergi dan memperbaikinya (tidak cukup perawatan kesehatan? Tidak ada tim?) Pada umumnya
- Temukan karyawan yang mempertimbangkan untuk pergi dan berbicara dengan mereka, mencari tahu apa yang mendorong mereka untuk memperbaiki masalah khusus untuk mereka.
Jadi mengapa ini penting?
Grafik pengangkatan terutama penting untuk usecase kedua. Bayangkan apa yang dapat dilakukan perusahaan ketika mereka memutuskan untuk menginvestasikan uang berbicara kepada karyawan 1 banding 1 tetapi tidak memiliki model? Satu-satunya pilihan adalah berbicara dengan semua orang atau semua orang dalam sampel acak dengan ukuran tetap. Berbicara kepada semua orang, meskipun ada untungnya mengidentifikasi semua penumpang potensial, itu terlalu mahal. Tetapi ketika hanya sampel acak yang dipilih untuk diajak bicara, hanya sebagian kecil dari semua calon potensial yang diidentifikasi sementara itu masih menghabiskan banyak uang. Dalam kedua kasus tersebut, rasio biaya per cuti-pencegahan cukup tinggi.
Tetapi ketika ada model yang baik, perusahaan dapat memutuskan untuk berbicara hanya dengan mereka yang memiliki probabilitas tertinggi untuk pergi (mereka yang memiliki skor tertinggi sesuai dengan model), sehingga lebih banyak dari para penyintas yang potensial diidentifikasi, sehingga mengoptimalkan biaya per -Tindakan-pencegahan .
Lihat lagi dua tabel pertama di sini: http://www2.cs.uregina.ca/~dbd/cs831/notes/lift_chart/lift_chart.html . Katakanlah "pelanggan" = "karyawan" dan "responden positif" = "calon karyawan" (lihat data di bawah).
Jika perusahaan memutuskan hanya dapat mengeluarkan cukup uang untuk berbicara kepada 10.000 karyawan, perusahaan akan mengidentifikasi
- 20000100000∗10000=2000para penyintas diidentifikasi tanpa model
- 600010000∗10000=6000departers diidentifikasi dengan model (hanya memilih 10.000 teratas sesuai dengan skor model)
yang berarti
- peningkatan faktor 60002000=3yang digambarkan sebagai titik (10%, 3) di bagan lift .
- bahwa 6000 dari 20.000 total penumpang telah diidentifikasi, yaitu 30%, yang digambarkan sebagai (10%, 30%) dalam grafik kenaikan . Baseline di sini hanya 10%, karena dengan mengambil sampel acak hanya 10.000 karyawan10000∗(20000/100000)20000=10000100000=0.1 dari semua calon pemberangkatan diidentifikasi.
Sumbu x dalam kedua kasus menunjukkan persentase karyawan yang dihubungi, dalam contoh khusus ini 10%.
Lampiran
Data yang digunakan untuk membuat pertanyaan ini independen dari tautan busuk.
Tingkat keseluruhan
Total Karyawan Dihubungi Petugas Identifikasi
100000 20000
Keefektifan model ketika karyawan dihubungi dalam potongan 10.000
Total Karyawan Dihubungi Petugas Identifikasi
10000 6000
20000 10000
30000 13000
40000 15800
50000 17000
60000 18000
70000 18800
80000 19400
90000 19800
100000 20000