ODG模型的第一部分是可用于新政策和续约的弹性模型（客户接受给定价格的概率）。价格弹性模型是一条曲线，它是一条价格与客户接受该价格规定的概率曲线。这条曲线从极低的价格几乎肯定接受到几乎不可能接受高价。
ODG模型的第二部分与保险公司的利润相关，条件是客户接受此价格。非常低价格的利润被标红，由第一年的预期索赔价值加上获得和服务新客户的任何开销。将这两条曲线相乘可以创建一条最终曲线，显示价格与预期利润（参见下面的预期利润图）的关系。最终曲线具有明确可识别的局部最大值，表示第一年向客户收取的最佳价格。
ODG还建立了客户保留模型。这些模型预测客户是否会在一年内更新其条例，是否允许价格变化，是否会跳转到竞争对手。这些额外的模型允许将年度模型结合起来，以预测未来五年内新客户的利润。
这套新模型不是最终答案，因为它只能对给定的输入集给出结果。模型中另一个要素是模拟器，它让ODG询问“假设性”问题，以了解可调因素如何影响最终结果的分布。预期的利润曲线只是可能结果的一部分。为了得到准确的结果，模拟器在各种输入上运行模型。操作员可以调整输入以回答具体问题，例如“如果我们公司在第一年为客户提供低预告价格，然后在第二年提高保费，将会发生什么？”。他们还可以研究利润分配如何受到保险公司控制之外因素的影响：“如果经济崩溃了同时客户失业了怎么办？如果一个百年不遇的洪水淹了他的家怎么办？如果一个新的竞争对手进入市场并且我们公司没有及时做出反应，那么对我们能够接受的底线会产生什么影响？”。模型可以适用任何情况，保险公司可以查看随着时间的推移给定价格的变化、市场份额的变化以及其他指标的改变所带来的影响。
模拟器的结果被送到优化器，这其中包含了可能获得的最高点。优化器不仅可以得到最佳结果，还可以识别最差结果并展示如何避免得到最差结果。有许多不同的优化技术可供选择（参见下面的侧栏），它是一个易于理解的领域，具有强大且易于使用的解决方案。 ODG的竞争对手使用不同的技术来找到最优价格，但他们也是生产完全相同的数据产品。重要的是，将动力传动系统方法与模型相结合，弥补了预测模型与可操作结果之间的差距。 CloudPhysics的Irfan Ahmed提供了一个很好的预测分类模型，描述了整个过程：
“当处理数百或数千个单独的组件模型以了解整个系统的行为时，必须进行'搜索'。我将它想象成一个复杂的机器（全系统），你可以在受控实验下模拟机器的每个重要部分，然后模拟相互作用。这里注意不同的级别：单个组件的模型，在给定一组输入的模拟中绑定在一起，在搜索优化器中通过不同的输入集进行迭代。
动力传动系统推荐系统
下面我们看一下如何将这个过程应用到营销行业。我们首先将Drivetrain方法应用于熟悉的示例，推荐引擎，然后将其构建为一个完整的优化营销策略。
推荐引擎是我们熟悉的基于精心构建的但不能实现最佳目标的预测模型数据产品。当前的算法根据购买历史和类似客户的历史来预测客户会喜欢哪些产品。以亚马逊为例，每一次购买可以看作为一个巨型稀疏矩阵，其中客户作为行，产品作为列。一旦他们拥有这种格式的数据，数据科学家就会采用某种形式的协同过滤来“填充矩阵”。例如，如果客户A购买产品1和10，而客户B购买产品1,2,4和10，引擎会推荐A买2和4。这些型号擅长预测客户是否会喜欢某个特定产品，但他们经常推荐客户已经知道或已经决定不购买的产品。亚马逊的推荐引擎可能是最好的推荐引擎，但是它的弊端也很容易显现。下面是一张“购买此物品的客户也购买了哪些产品”的截图，这些客户搜索了Terry Pratchett的“Discworld系列”。
