Considet the dataset D2.3, which contains simulated transactional data inspired by the subscription meal delivery service Blue Apron (https://www.blueapron.com/). The dataset records a random sample of Blue Apron’s subscribers’ activity ( ∼22,400 individuals) during Jan 2019. A detailed codebook is available from the document C2.3.

Consider the following two specifications:

Specification 1:

y     =     f(β0  + β1Tenure + β2Rating + β3partysize + β4 urban + (plan menu and frequency factors))

Specification 2:

y     =     f(β0  + β1 Tenure + β2Rating + β3 partysize + β4 urban + (plan menu and frequency factors) +

β5 Rating × partysize + β6Rating × urban + β7partysize × urban + β8 urban × Tenure)

Using the Blue Apron data, perform the following tasks:

1.   Task 1:

a.   [20  points]  Estimate  the  two listed  specifications using churn indicator as the outcome and implementing f as the logistic model.

b.   [10 points] Select a model based on predictive performance criteria. Justify your decision.

c.   [10  points]  Use  the  selected  model  to  predict  churn  probabilities  for  every customer in the sample. Present a histogram of these probabilities.

2.   Task 2:

a.   [20 points] Estimate the two listed models using MonthlyAddons as the outcome and implementing f as linear regression.

b.   [10 points] Select a model based on predictive performance criteria. Justify your decision.

c.   [10 points] Use the selected model to predict MonthlyAddons for every customer in the sample. Make sure these predictions are within range. Present a histogram thereof.

3.   Task 3:

a.   [10 points] Export the full dataset to a csv file. The exported data must include individual predictions for churn probabilities (task 1) and monthly add-ons (task 2), each from their respectively preferred specification. After this file is saved as csv, convert it into xls or xlsx so that formulas can be saved (this last step is not in R, just a simple change of extension).

4.   Task 4: consider the following policy currently being evaluated by BA’s leadership: by making  a  one-time  $20  expenditure  on  each  targeted  customer  (eg,  mailing  a  gift Champaign bottle), BA can reduce each targeted customer’s probability of churn by 0.01.

a.   [15 points] Compute baseline CLV values for each customer in the initial scenario (i.e., if the new policy was not implemented).

b.   [15 points] Determine the optimal targeting policy with unlimited budget. This is, determine the set of customers who the firm should send the one-time gift to. How many customers does the firm target?

c.   [10 points]  Compute the total financial gains/losses derived  from implementing the campaign as the before/after difference between the total CLV values in the entire  portfolio  of  customers.   (Note:  your   calculations  should  account  for targeting costs.)

Guidance

.    Use a 70/30 training/validation data split

.    For CLV calculations use the formula used in class,

where:

o MonthlyNetcontTibution = (MonthlybasePayments +

PTedicted addons)  ×  0.3 (that is, the firm has a 30% margin)

o Retention rates vary individual by individual, as reflected by predicted churn

o Periods are months and the discount factor is d  = 0.98