Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Cover of the book

2019 | OriginalPaper | Chapter

1. Entscheidungsunterstützung im Kundenbeziehungszyklus durch Maschinelle Lernverfahren

Authors : Andreas Welsch, Verena Eitle, Peter Buxmann

Published in: Digitale Geschäftsmodelle – Band 2

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Die zunehmende Digitalisierung sowie die allgegenwärtige Verfügbarkeit von Daten verändern das Wirtschaftsleben, den Alltag des Einzelnen und die Gesellschaft als Ganzes. Vor diesem Hintergrund wird der Einsatz von Maschinellen Lernverfahren in vielen Bereichen von Wirtschaft und Gesellschaft zum Teil kontrovers diskutiert. Mit Hilfe des Einsatzes solcher Algorithmen lassen sich beispielsweise Prognosen verbessern sowie Entscheidungen bzw. Entscheidungsprozesse automatisieren. In diesem Artikel geben wir zum einen einen Überblick über die Grundprinzipien Maschinellen Lernens. Zum anderen diskutieren wir Anwendungsmöglichkeiten sowie Wirtschaftlichkeitspotenziale am Beispiel des Kundenbeziehungszyklus.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
next chapter Der Einfluss von Künstlicher Intelligenz, Robotic Process Automation und Spracherkennung im Callcenter 4.0 auf die Entwicklung bisheriger Geschäftsmodelle
Footnotes
1
Vgl. starke künstliche Intelligenz bzw. „Artificial General Intelligence“ (Pennachin und Goertzel 2007).
 
2
Vgl. Telekommunikation (Wang et al. 2009; Verbeke et al. 2014) und Finanzwesen (Farquad et al. 2009).
 
3
Durchführung der Studie im Jahr 2017.
 
4
Vgl. hierzu „Durchschnittliche Beratungszeit“, typische Bandbreite von 1,95–8,7 Minuten bei Erichsen (2007).
 
5
Konservative Annahme für zwei API-Calls (Kategorisierung und Lösungsvorschlag) bedingt durch eventuelle Latenz und Verarbeitungsdauer; basierend auf Test via SAP API Business Hub (SAP 2017c).
 
Literature
Ang L, Buttle F (2006) Managing for successful customer acquisition: an exploration. J Mark Manag 22(3–4):295–317CrossRef
Batista G, Monard MC (2003) An analysis of four missing data treatment methods for supervised learning. Appl Artif Intell 17(5–6):519–533CrossRef
Bruhn M, Hadwich K (2012) Customer Experience – Eine Einführung in die theoretischen und praktischen Problemstellungen. In: Hadwich K (Hrsg) Customer experience. Springer Gabler, Wiesbaden, S 3–36CrossRef
Buckinx W, Van den Poel (2005) Customer base analysis: partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting. Eur J Oper Res 164(1):252–268MATHCrossRef
Burez J, Van den Poel D (2007) CRM at a pay-TV company: using analytical models to reduce customer attrition by targeted marketing for subscription services. Expert Syst Appl 32(2):277–288CrossRef
Buttle F (2009) Managing the customer lifecycle: customer acquisition. In: Buttle F, Maklan S (Hrsg) Customer relationship management: concepts and technologies. Taylor & Francis, London, S 1–23
Chen T, Guestrin C (2016) XGBoost: a scalable tree boosting system. arXiv preprint arXiv: 1603.02754
Chesbrough H (2007) Business model innovation: it’s not just about technology anymore. Strateg Leadersh 35(6):12–17CrossRef
Christensen C (1997) The innovator’s dilemma. Harvard Business School Press, Cambridge
Cortes C, Vapnik V (1995) Support-vector networks. Mach Learn 20(3):273–297MATH
Coussement K, Van den Poel D (2008) Churn prediction in subscription services: an application of support vector machines while comparing two parameter-selection techniques. Expert Syst Appl 34(1):313–327CrossRef
Coussement K, Van den Poel D (2009) Improving customer attrition prediction by integrating emotions from client/company interaction emails and evaluating multiple classifiers. Expert Syst Appl 36(3):6127–6134CrossRef
D’Haen J, Van den Poel D (2013) Model-supported business-to-business prospect prediction based on an iterative customer acquisition framework. Ind Mark Manag 42(4):544–551CrossRef
Damm W, Kalmar R (2017) Autonome Systeme. Informatik-Spektrum 40(5):400–408CrossRef
Davenport T, Kirby J (2016) Just how smart are smart machines? MIT Sloan Manag Rev 57(3):20–25
Dorogush AV, Ershov V, Gulin A (2017) CatBoost: gradient boosting with categorical features support. In: Conference on Neural Information Processing Systems, Montréal
Egle U, Keimer I, Hafner N (2014) KPIs zur Steuerung von Customer Contact Centern. In: Möller K, Schultze W (Hrsg) Produktivität von Dienstleistungen. Springer Fachmedien, Wiesbaden, S 505–543
Erichsen J (2007) Benchmarking – von den Besten lernen. WissenHeute (Deutsche Telekom) 60(2):21–31
Fachforum Autonome Systeme im Hightech-Forum (2017) Autonome Systeme – Chancen und Risiken für Wirtschaft, Wissenschaft und Gesellschaft. Kurzversion, Abschlussbericht, Berlin
Farquad H, Ravi V, Bapi R S (2009) Data Mining Using Rules Extracted from SVM: An Application to Churn Prediction in Bank Credit Cards. Rough Sets, Fuzzy Sets, Data Mining and Granular Computing: 390–397
Grace K, Salvatier J, Dafoe A, Zhang B, Evans O (2017) When will AI exceed human performance? Evidence from AI experts. arXiv:1705.08807:1–21
Guzella TS, Caminhas WM (2009) A review of machine learning approaches to spam filtering. Expert Syst Appl 36(7):10206–10222CrossRef
Hsu CW, Chang CC, Lin CJ (2004) A practical guide to support vector classification. Technical report, Department of Computer Science and Information Engineering, National Taiwan University
Huber AS (2016) Das Digital Enterprise nimmt Gestalt an. In: Sendler U (Hrsg) Industrie 4.0 grenzenlos. Springer-Verlag, Berlin/Heidelberg, S 229–243CrossRef
Hung S, Yen DC, Wang H (2006) Applying data mining to telecom churn management. Expert Syst Appl 31(3):515–524CrossRef
Hurwitz J, Kaufman M, Bowles A (2015) Cognitive computing and big data analytics. John Wiley & Sons Inc, Hoboken
Jahromi AT, Stakhovych S, Ewing M (2014) Managing B2B customer churn, retention and profitability. Ind Mark Manag 43(7):1258–1268CrossRef
Kelly JE, Hamm S (2013) Smart machines – IBM’s Watson and the era of cognitive computing. Columbia University Press, New YorkCrossRef
Kirui C, Li Hong L, Cheruiyot W, Kirui H (2013) Predicting customer churn in mobile telephony industry using probabilistic classifiers in data mining. Int J Comput Sci Issues 10(2):165–172
Kohavi R (1995) A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceedings of the 14th international joint conference of artificial intelligence 2:1137–1143
Kruppa J, Schwarz A, Arminger G, Ziegler A (2013) Consumer credit risk: individual probability estimates using machine learning. Expert Syst Appl 40(13):5125–5131CrossRef
Lippold D (2016) Akquisitionszyklen und -prozesse im B2B-Bereich. Springer Gabler, WiesbadenCrossRef
Litjens G, Kooi T, Bejnordi EB, Setio AAA, Ciompi F, Ghafoorian M, van der Laak JAWM, van Ginneken B, Sánchez CI (2017) A survey on deep learning in medical image analysis. Med Image Anal 42:60–88CrossRef
Mainzer K (2016) Künstliche Intelligenz – Wann übernehmen die Maschinen? Springer, MünchenCrossRef
Marsland S (2015) Machine learning: an algorithmic perspective. Taylor & Francis Group, Florida
Megahed A, Yin P, Nezhad HRM (2016) An optimization approach to services sales forecasting in a multi-staged sales pipeline. In: IEEE international conference on services computing, San Francisco 713–719
Mitchell TM (1997) Machine learning. McGraw-Hill Inc, New YorkMATH
Murphy KP (2012) Machine learning: a probabilistic perspective. The MIT Press, CambridgeMATH
Murthy SK (1998) Automatic construction of decision trees from data: a multi-disciplinary survey. Data Min Knowl Disc 2(4):345–389CrossRef
Ngai EWT, Xiu L, Chau DCK (2009) Application of data mining techniques in customer relationship management: a literature review and classification. Expert Syst Appl 36(2):2592–2602CrossRef
Niefind F, Wiegran A (2010) Was sind Beschwerden? In: Ratajczak O (Hrsg) Erfolgreiches Beschwerdemanagement. Springer Gabler, Wiesbaden, S 19–32CrossRef
Nilsson NJ (2014) Principles of artificial intelligence. Morgan Kaufmann, BurlingtonMATH
Osterwalder A, Pigneur Y (2010) Business model generation: a handbook for visionaries, game changers, and challengers. Wiley, Hoboken
Patel J, Shah S, Thakkar P, Kotecha K (2015) Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques. Expert Syst Appl 42(1):259–268CrossRef
Pennachin C, Goertzel B (2007) Artificial general intelligence. Springer, Berlin/HeidelbergMATH
Quinlan JR (1986) Induction of decision trees. Mach Learn 1:81–106
Reinartz W, Kumar V (2003) The impact of customer relationship characteristics on profitable lifetime duration. J Mark 67(1):77–99CrossRef
Reinartz W, Krafft M, Hoyer WD (2004) The customer relationship management process: its measurement and impact on performance. J Mark Res 41(3):293–305CrossRef
Ribeiro MT, Singh S, Guestrin C (2016) „Why should I trust you?“ Explaining the predictions of any classifier. arXiv:1602.04938
Russell SJ, Norvig P (2010) Artificial intelligence – a modern approach. Pearson Education Inc., Upper Saddle RiverMATH
SAE International (2016): Taxonomy and definitions for terms related to on-road motor vehicle automated driving systems. J3016:1–16
Schapire RE, Freund Y (2012) Boosting: foundations and algorithms. The MIT Press, CambridgeMATH
Schroeck M, Shockley R, Smart J, Romero-Morales D, Tufano P (2012) Analytics: the real-world use of big data. IBM Global Business Services 12:1–20
Silver D, Huang A, Maddison CJ, Guez A, Sifre L, van den Driessche G, Schrittwieser J, Antonoglou I, Panneershelvam V, Lanctot M, Dieleman S, Grewe D, Nham J, Kalchbrenner N, Sutskever I, Lillicrap T, Leach M, Kavukcuoglu K, Graepel T, Demis Hassabis D (2016) Mastering the game of go with deep neural networks and tree search. Nature 529:484–489CrossRef
Silver D, Schrittwieser J, Simonyan K, Antonoglou I, Huang A, Guez A, Hubert T, Baker L, Lai M, Bolton A, Chen Y, Lillicrap T, Hui F, Sifre L, van den Driessche G, Graepel T, Hassabis D (2017) Mastering the game of Go without human knowledge. Nature 550:354–359CrossRef
Smith TM, Gopalakrishna S, Chatterjee R (2006) A three-stage model of integrated marketing communications at the marketing-sales interface. J Mark Res 43(4):564–579CrossRef
Susto GA, Schirru A, Pampuri S, McLoone S, Beghi A (2015) Machine learning for predictive maintenance: a multiple classifier approach. IEEE Trans Ind Inf 11(3):812–819CrossRef
Tamaddoni A, Stakhovych S, Ewing M (2016) Comparing churn prediction techniques and assessing their performance a contingent perspective. J Serv Res 19(2):123–141CrossRef
Vafeiadis T, Diamantaras KI, Sarigiannidis G, Chatzisavvas KC (2015) A comparison of machine learning techniques for customer churn prediction. Simul Model Pract Theory 55:1–9CrossRef
Vallis H (2017) The art and science of reducing involuntary subscriber churn. Forrester consulting thought leadership paper [1–13MQMED]:1–11
Verbeke W, Martens D, Baesens B (2014) Social network analysis for customer churn prediction. Appl Soft Comput 14:431–446CrossRef
Wahlster W (2017) Künstliche Intelligenz als Grundlage autonomer Systeme. Informatik-Spektrum 40(5):409–418CrossRef
Wang YF, Chiang DA, Hsu MH, Lin CJ, Lin IL (2009) A recommender system to avoid customer churn: a case study. Expert Syst Appl 36(4):8071–8075CrossRef
Watson HJ (2017) Preparing for the cognitive generation of decision support. MIS Q Exec 16(13):153–169
Witten IH, Frank E, Hall MA, Pal CJ (2017) Data mining: practical machine learning tools and techniques. Elsevier Inc, Cambridge
Yan J, Zhang C, Zha H, Gong M, Sun C, Huang J, Chu S, Yang X (2015) On machine learning towards predictive sales pipeline analytics. In: Proceedings of the 29th AAAI conference on artificial intelligence 1945–1951
Yin S, Zhu X, Jing C (2014) Fault detection based on a robust one class support vector machine. Neurocomputing 145:263–268CrossRef
Yu L, Liu H (2004) Efficient feature selection via analysis of relevance and redundancy. J Mach Learn Res 5:1205–1224MathSciNetMATH
Zorn S, Jarvis W, Bellman S (2010) Attitudinal perspectives for predicting churn. J Res Interact Mark 4(2):157–169CrossRef
Metadata
Title
Entscheidungsunterstützung im Kundenbeziehungszyklus durch Maschinelle Lernverfahren
Authors
Andreas Welsch
Verena Eitle
Peter Buxmann
Copyright Year
2019
Book
Digitale Geschäftsmodelle – Band 2

Print ISBN: 978-3-658-26315-7

Electronic ISBN: 978-3-658-26316-4

Copyright Year: 2019

DOI
https://doi.org/10.1007/978-3-658-26316-4_1

Premium Partner

    Image Credits