Advertisement

„Machine Learning“ – ein Quantensprung für das Direktmarketing?

Der Einsatz innovativer Analyseverfahren zur Prognose von Kundenverhalten
  • Martin Schmidberger
  • Benjamin Stahl
Chapter

Zusammenfassung

Dieser Beitrag untersucht den Wert von „Machine Learning“-Algorithmen für die Optimierung von Kundenselektionen im Direktmarketing. Diese „Machine Learning“-Algorithmen haben in der jüngsten Zeit durch ihre oftmals den herkömmlichen statistisch-analytischen Verfahren überlegene Prognosekraft (wie etwa gegenüber der traditionellen Regressionsanalyse) besondere Aufmerksamkeit in verschiedenen Wissenschaftsdisziplinen erfahren, sodass ihre Eignung nun auch verstärkt im Direktmarketing diskutiert wird.

Der Beitrag stellt drei „Machine Learning“-Verfahren vor; Entscheidungsbäume, Random Forests und Gradient Boosting und diskutiert deren Wert für die Verbesserung der Prognosegüte; diese wird dargestellt anhand eines konkreten Datensatzes zur Prognose von Kündigungen. Dabei wird deutlich, dass diese innovativen Algorithmen eine zum Teil substanziell höhere Prognosekraft enthalten können als die etablierten Modelle, sodass „Machine Learning“-Algorithmen ganz offenkundig eine wertvolle Bereicherung des Methodenrepertoires im Direktmarketing sein können.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Bali, R. / Sarkar, D. (2016): R Machine Learning by Example, 1. Aufl., BirminghamGoogle Scholar
  2. Bruce, A. / Bruce, P. (2017): Practical Statistics for Data Scientists, 1. Aufl., O’Reilly MediaGoogle Scholar
  3. Flach, P. A. (2012): Machine Learning: The Art and Science of Algorithms That Make Sense of Data, 1. Aufl., New YorkGoogle Scholar
  4. Han, J. / Kamber, M. / Pei, J. (2012): Data mining: concepts and techniques, 3. Aufl., Amsterdam [u. a.]Google Scholar
  5. Harrison, C. (2017): Improve Your Regression with CART and Gradient Boosting, Salford Systems, Webinar, https://info.salford-systems.com/improve-your-regression-cart-gradientboosting, Abruf am 17.06.2017
  6. Hughes, A. M. (2012): Strategic Database Marketing, 4. Aufl., New YorkGoogle Scholar
  7. Krafft, M. / Albers S. (2000): Ansätze zur Segmentierung von Kunden – wie geeignet sind herkömmliche Konzepte, 52.Jahrgang (2000), Zeitschrift für betriebswirtschaftliche ForschungGoogle Scholar
  8. Lantz, B. (2015): Machine Learning with R, 2. Aufl., BirminghamGoogle Scholar
  9. Lesmeister, C. (2015): Mastering Machine Learning with R, 1. Aufl., BirminghamGoogle Scholar
  10. Natekin, A. / Knoll, A. (2013): Gradient boosting machines, a tutorial, In: Frontiers in Neurorobotics, Vol. 7, Art. 21,  https://doi.org/10.3389/fnbot.2013.00021
  11. Tan, P. / Steinbach, M. / Kumar, V. (2005): Introduction to Data Mining, 1. Aufl., BostonGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.ING-DiBa AGFrankfurt am MainDeutschland

Personalised recommendations