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.
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
Bali, R. / Sarkar, D. (2016): R Machine Learning by Example, 1. Aufl., Birmingham
Bruce, A. / Bruce, P. (2017): Practical Statistics for Data Scientists, 1. Aufl., O’Reilly Media
Flach, P. A. (2012): Machine Learning: The Art and Science of Algorithms That Make Sense of Data, 1. Aufl., New York
Han, J. / Kamber, M. / Pei, J. (2012): Data mining: concepts and techniques, 3. Aufl., Amsterdam [u. a.]
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
Hughes, A. M. (2012): Strategic Database Marketing, 4. Aufl., New York
Krafft, M. / Albers S. (2000): Ansätze zur Segmentierung von Kunden – wie geeignet sind herkömmliche Konzepte, 52.Jahrgang (2000), Zeitschrift für betriebswirtschaftliche Forschung
Lantz, B. (2015): Machine Learning with R, 2. Aufl., Birmingham
Lesmeister, C. (2015): Mastering Machine Learning with R, 1. Aufl., Birmingham
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
Tan, P. / Steinbach, M. / Kumar, V. (2005): Introduction to Data Mining, 1. Aufl., Boston
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Schmidberger, M., Stahl, B. (2018). „Machine Learning“ – ein Quantensprung für das Direktmarketing?. In: Dialogmarketing Perspektiven 2017/2018. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-20598-0_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-20598-0_7
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-20597-3
Online ISBN: 978-3-658-20598-0
eBook Packages: Business and Economics (German Language)