Auszug
Der Handel ist weltweit durch gravierenden Wettbewerbsdruck gekennzeichnet. Deutschland gilt im Einzelhandel sogar als der wettbewerbsintensivste Markt der Welt. Um in diesem Wettbewerb zu bestehen, vertrauen die meisten Händler auf extensive Formen ungezielten Massenmarketings. Hierbei werden alle potentielle Kunden mit den gleichen riesigen Katalogen, ungezählten Werbebroschüren, aufdringlichen Lautsprecherdurchsagen und schrillen Bannerwerbungen bearbeitet. Im Ergebnis sind nicht nur die Kunden genervt, sondern auch die Rücklaufraten von Marketingkampagnen seit Jahren fallend. Um dies zu vermeiden, ist eine Individualisierung des Massenmarketings empfehlenswert, in der Kunden auf sie zugeschnittene, individuelle Angebote erhalten. Die Aufgabe besteht darin, dem richtigen Kunden zum richtigen Zeitpunkt zum richtigen Preis das richtige Angebot zu unterbreiten. Dies stellt sich primär als eine mathematische Aufgabenstellung heraus, die die Bereiche Statistik, Optimierung, Analysis und Numerik betrifft. Die hierbei auftretenden Aufgabenstellungen der Regressionsanalyse, des Clusterings und der Optimalen Steuerung sind durch hohe Dimensionen und riesige Datenmengen gekennzeichnet und erfordern neue mathematische Konzepte und Verfahren.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
R. Bellman, Dynamic Programming, Princeton Univ. Press, 1957.
Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Wiley and Sons, 2004.
G. Beylkin und M. J. Mohlenkamp, Algorithms for Numerical Analysis in High Dimensions, SIAM J. Sci. Comput., 26:2133–2159, 2005.
S. Börm, L. Grasedyck und W. Hackbusch, Hierarchical Matrices, Lecture Note 21, Max Planck Institute for Mathematics in the Sciences, Leipzig, 2003.
H.J. Bungartz und M. Griebel, Sparse Grids, Acta Numerica, 13:147–269, 2004.
J. Garcke, M. Griebel und M. Thess, Data Mining with Sparse Grids, Computing, 67:225–253, 2001.
F. Girosi, M. Jones und T. Poggio, Regularization Theory and Neural Network Architectures, Neural Computation, 7:219–265, 1995.
T. Hastie, R. Tibshirani und J. Friedman, The Elements of Statistical Learning, Springer, 2001.
R. Munos, A Study of Reinforcement Learning in the Continuous Case by the Means of Viscosity Solutions, Machine Learning, 40(3):265–299, 2000.
B. Schoenrade, Data Mining im Marketing: Status quo und Entwicklungspotential, Vdm Verlag, Dr. Müller, 2007.
R.S. Sutton and A.G. Barto, Reinforcement Learning: An Introduction, MIT Press, 1998.
C. Zenger, Sparse Grids, In Parallel Algorithms for Partial Differential Equations, Proceedings of the Sixth GAMM-Seminar, Kiel, 1990, volume 31, Notes on Num. Fluid Mech., Vieweg-Verlag, 241–251, 1991.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2009 acatech - Deutsche Akademie der Technikwissenschaften, Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Garcke, J., Griebel, M., Thess, M. (2009). Data-Mining für die Angebotsoptimierung im Handel. In: Grötschel, M., Lucas, K., Mehrmann, V. (eds) Produktionsfaktor Mathematik. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-89435-3_5
Download citation
DOI: https://doi.org/10.1007/978-3-540-89435-3_5
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-89434-6
Online ISBN: 978-3-540-89435-3
eBook Packages: Life Science and Basic Disciplines (German Language)