Problem
Eine US-amerikanische lokale Politkampagne auf Bezirksebene benötigte Targeting auf Wahlbezirks-Ebene — wo Türklingeln, wo lokale Werbung schalten, auf welche Wählersegmente fokussieren. Die Kampagne hatte Voter-File-Daten, demografische Snapshots und Wahlbeteiligungsgeschichte, aber niemanden, der sie in operative Entscheidungen verwandelte.
Ansatz
Propensity- und Wahlbeteiligungs-Modelle auf Wahlbezirks-Ebene gebaut, mit Voter-File-Daten kombiniert mit öffentlichen demografischen Signalen und historischer Wahlbeteiligung. Identifiziert, welche Wahlbezirke ertragreiche persuadable Wähler hatten vs. ertragreiche Turnout-Ziele vs. ertragsarme (überspringen). Output als priorisierte Türklingel- und Werbeausgaben-Liste fürs Field-Team, mit wöchentlichen Aktualisierungen während des Kampagnenzyklus.
Stack
Python · scikit-learn · Pandas / NumPy · geospatial joins · voter-file ETL
Ergebnis
Das Field-Team hörte auf, den Aufwand gleichmäßig über den Bezirk zu verteilen, und begann sich auf Wahlbezirke zu konzentrieren, in denen das Modell sagte, dass marginaler Aufwand das Ergebnis tatsächlich verschieben würde. Der größte Befund war negativ: ein bedeutsamer Anteil der Wahlbezirke, in denen die Kampagne Türklingel-Aufwand investiert hatte, hatte verschwindend kleine persuadable Bevölkerungen — diese Stunden wurden in höher-ertragreiche Gebiete umgeleitet.