But Signet Bank had one really big

But Signet Bank had one really big problem in implementing this strategy. They did not have the appropriate data to model profitability with the goal of offering different terms to different customers. No one did. Since banks were offering credit with a specific set of terms and a specific default model, they had the data to model profitability (1) for the terms they actually have offered in the past, and (2) for the sort of customer who was actually offered credit (that is, those who were deemed worthy of credit by the existing model).
What could Signet Bank do? They brought into play a fundamental strategy of data science: acquire the necessary data at a cost. Once we view data as a business asset, we should think about whether and how much we are willing to invest. In Signet’s case, data could be generated on the profitability of customers given different credit terms by conducting experiments. Different terms were offered at random to different customers. This may seem foolish outside the context of data analytic thinking: you’re likely to lose money! This is true. In this case, losses are the cost of data acquisition. The data analytic thinker needs to consider whether she expects the data to have sufficient value to justify the investment.

Kết quả (Việt) 1:

Nhưng Signet ngân hàng đã có một vấn đề thực sự lớn trong việc thực hiện chiến lược này. Họ không có dữ liệu thích hợp cho mô hình lợi nhuận với mục tiêu cung cấp các điều khoản khác nhau cho các khách hàng khác nhau. Không ai không. Kể từ khi các ngân hàng đã cung cấp cho tín dụng với một tập hợp cụ thể của điều khoản và một mô hình mặc định cụ thể, họ đã có dữ liệu cho mô hình lợi nhuận (1) đối với các điều khoản mà họ thực sự có cung cấp trong quá khứ, và (2) đối với các loại khách hàng những người đã thực sự được cung cấp tín dụng (có nghĩa là, những người đã được coi là xứng đáng tín dụng của các mô hình hiện có).Signet ngân hàng có thể làm gì? Họ đưa vào chơi một chiến lược cơ bản của khoa học dữ liệu: có được những dữ liệu cần thiết với chi phí. Một khi chúng ta xem các dữ liệu như là một tài sản kinh doanh, chúng ta nên suy nghĩ về hay không và bao nhiêu chúng tôi sẵn sàng đầu tư. Trong trường hợp của Signet, dữ liệu có thể được tạo ra vào lợi nhuận của các khách hàng đưa ra các điều khoản tín dụng khác nhau bằng cách tiến hành thí nghiệm. Các điều khoản khác nhau đã được cung cấp tại ngẫu nhiên để khách hàng khác nhau. Điều này có vẻ điên cuồng bên ngoài bối cảnh của tư duy phân tích dữ liệu: bạn sẽ mất tiền! Điều này là đúng sự thật. Trong trường hợp này, thiệt hại là chi phí thu thập dữ liệu. Các nhà tư tưởng phân tích dữ liệu cần phải xem xét cho dù cô hy vọng dữ liệu có giá trị đủ để biện minh cho việc đầu tư.

Kết quả (Việt) 2:

Nhưng Signet Ngân hàng đã có một vấn đề thực sự lớn trong việc thực hiện chiến lược này. Họ không có các dữ liệu thích hợp để mô hình lợi nhuận với mục tiêu cung cấp các thuật ngữ khác nhau để khách hàng khác nhau. Không ai đã làm. Kể từ khi các ngân hàng đã cung cấp tín dụng với một tập các điều khoản và một mô hình mặc định cụ thể, họ đã có những dữ liệu để mô hình lợi nhuận (1) cho các điều khoản mà họ thực sự đã cung cấp trong quá khứ, và (2) cho các loại khách hàng đã thực sự tín dụng được chào bán (có nghĩa là, những người được coi là xứng đáng với tín dụng của các mô hình hiện tại).
Signet Ngân hàng có thể làm gì? Họ phát huy một chiến lược cơ bản của khoa học dữ liệu: có được những dữ liệu cần thiết với chi phí. Một khi chúng ta xem dữ liệu như là một tài sản kinh doanh, chúng ta nên suy nghĩ về việc liệu và bao nhiêu chúng tôi sẵn sàng đầu tư. Trong trường hợp Signet, dữ liệu có thể được tạo ra trên lợi nhuận của khách hàng đưa ra các điều khoản tín dụng khác nhau bằng cách tiến hành thí nghiệm. Điều khoản khác nhau được cung cấp một cách ngẫu nhiên để khách hàng khác nhau. Điều này có vẻ ngu ngốc bên ngoài bối cảnh dữ liệu phân tích suy nghĩ: bạn có khả năng bị mất tiền! Điều này đúng. Trong trường hợp này, tổn thất này là chi phí thu thập dữ liệu. Các nhà tư tưởng dữ liệu phân tích cần xem xét liệu bà hy vọng các dữ liệu có giá trị đủ để biện minh cho việc đầu tư.