Data-Mining für die Angebotsoptimierung im Handel

  • Jochen Garcke
  • Michael Griebel
  • Michael Thess

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.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    R. Bellman, Dynamic Programming, Princeton Univ. Press, 1957.Google Scholar
  2. [2]
    Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Wiley and Sons, 2004.Google Scholar
  3. [3]
    G. Beylkin und M. J. Mohlenkamp, Algorithms for Numerical Analysis in High Dimensions, SIAM J. Sci. Comput., 26:2133–2159, 2005.MATHCrossRefMathSciNetGoogle Scholar
  4. [4]
    S. Börm, L. Grasedyck und W. Hackbusch, Hierarchical Matrices, Lecture Note 21, Max Planck Institute for Mathematics in the Sciences, Leipzig, 2003.Google Scholar
  5. [5]
    H.J. Bungartz und M. Griebel, Sparse Grids, Acta Numerica, 13:147–269, 2004.MathSciNetCrossRefGoogle Scholar
  6. [6]
    J. Garcke, M. Griebel und M. Thess, Data Mining with Sparse Grids, Computing, 67:225–253, 2001.MATHMathSciNetGoogle Scholar
  7. [7]
    F. Girosi, M. Jones und T. Poggio, Regularization Theory and Neural Network Architectures, Neural Computation, 7:219–265, 1995.CrossRefGoogle Scholar
  8. [8]
    T. Hastie, R. Tibshirani und J. Friedman, The Elements of Statistical Learning, Springer, 2001.Google Scholar
  9. [9]
    R. Munos, A Study of Reinforcement Learning in the Continuous Case by the Means of Viscosity Solutions, Machine Learning, 40(3):265–299, 2000.MATHCrossRefGoogle Scholar
  10. [10]
    B. Schoenrade, Data Mining im Marketing: Status quo und Entwicklungspotential, Vdm Verlag, Dr. Müller, 2007.Google Scholar
  11. [11]
    R.S. Sutton and A.G. Barto, Reinforcement Learning: An Introduction, MIT Press, 1998.Google Scholar
  12. [12]
    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.MathSciNetGoogle Scholar

Copyright information

© acatech - Deutsche Akademie der Technikwissenschaften, Springer-Verlag Berlin Heidelberg 2009

Authors and Affiliations

  • Jochen Garcke
    • 1
  • Michael Griebel
    • 2
  • Michael Thess
  1. 1.Nachwuchsgruppenleiter am MATHEON und der TU BerlinDeutschland
  2. 2.Universität BonnDeutschland

Personalised recommendations