Top

next chapter Der Einfluss von Künstlicher Intelligenz, Robot...

Hint

Swipe to navigate through the chapters of this book

2019 | OriginalPaper | Chapter

1. Entscheidungsunterstützung im Kundenbeziehungszyklus durch Maschinelle Lernverfahren

Authors: Andreas Welsch, Verena Eitle, Peter Buxmann

Publisher: Springer Fachmedien Wiesbaden

Published in: Digitale Geschäftsmodelle – Band 2

» Get access to the full-text

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.

Please log in to get access to this content

To get access to this content you need the following product:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

über 69.000 Bücher
über 500 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 50.000 Bücher
über 380 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 58.000 Bücher
über 300 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

inform now

Vgl. starke künstliche Intelligenz bzw. „Artificial General Intelligence“ (Pennachin und Goertzel 2007).

Vgl. Telekommunikation (Wang et al. 2009; Verbeke et al. 2014) und Finanzwesen (Farquad et al. 2009).

Durchführung der Studie im Jahr 2017.

Vgl. hierzu „Durchschnittliche Beratungszeit“, typische Bandbreite von 1,95–8,7 Minuten bei Erichsen ( 2007).

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).

Amazon Developer (2017) Alexa. https://developer.amazon.com/public/solutions/alexa. Zugegriffen am 29.10.2017

Ang L, Buttle F (2006) Managing for successful customer acquisition: an exploration. J Mark Manag 22(3–4):295–317 CrossRef

Apple (2017) Siri. http://www.apple.com/ios/siri. Zugegriffen am 29.10.2017

Batista G, Monard MC (2003) An analysis of four missing data treatment methods for supervised learning. Appl Artif Intell 17(5–6):519–533 CrossRef

Bitkom (2017) Künstliche Intelligenz verstehen als Automation des Entscheidens. https://www.bitkom.org/noindex/Publikationen/2017/Leitfaden/Bitkom-Leitfaden-KI-verstehen-als-Automation-des-Entscheidens-2-Mai-2017.pdf. Zugegriffen am 17.09.2017

Breiman L (2001) Random forests. Mach Learn 45(1):5–32 MATHCrossRef

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 3–36 CrossRef

Brynjolfsson E, McAfee A (2017) The business of artificial intelligence. Harvard Business Review. https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence. Zugegriffen am 29.09.2017

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):252–268 MATHCrossRef

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):277–288 CrossRef

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):12–17 CrossRef

Christensen C (1997) The innovator’s dilemma. Harvard Business School Press, Cambridge

Committee on Technology National Science and Technology Council (2016) Preparing for the future of artificial intelligence. CreateSpace Independent Publishing Platform. https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. Zugegriffen am 15.10.2017

Cortes C, Vapnik V (1995) Support-vector networks. Mach Learn 20(3):273–297 MATH

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):313–327 CrossRef

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):6127–6134 CrossRef

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):544–551 CrossRef

Dahlmeier D (2017) Machine learning: making customer service operations smarter and more strategic. https://news.sap.com/machine-learning-smart-customer-service. Zugegriffen am 06.11.2017

Damm W, Kalmar R (2017) Autonome Systeme. Informatik-Spektrum 40(5):400–408 CrossRef

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

Europäisches Parlament (2017) Bericht mit Empfehlungen an die Kommission zu zivilrechtlichen Regelungen im Bereich Robotik (2015/2103(INL)). http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&reference=A8-2017-0005&language=DE. Zugegriffen am 26.10.2017

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

Google (2017) Google now. https://www.google.com/landing/now. Zugegriffen am 29.10.2017

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):10206–10222 CrossRef

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 229–243 CrossRef

Hung S, Yen DC, Wang H (2006) Applying data mining to telecom churn management. Expert Syst Appl 31(3):515–524 CrossRef

Hurwitz J, Kaufman M, Bowles A (2015) Cognitive computing and big data analytics. John Wiley & Sons Inc, Hoboken

IBM (2017) IBM Watson. https://www.ibm.com/watson. Zugegriffen am 28.10.2017

Jahromi AT, Stakhovych S, Ewing M (2014) Managing B2B customer churn, retention and profitability. Ind Mark Manag 43(7):1258–1268 CrossRef

Kelly K (2014) The three breakthroughs that have finally unleashed AI on the world. http://www.wired.com/2014/10/future-of-artificial-intelligence. Zugegriffen am 14.10.2017

Kelly JE, Hamm S (2013) Smart machines – IBM’s Watson and the era of cognitive computing. Columbia University Press, New York CrossRef

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):5125–5131 CrossRef

Lippold D (2016) Akquisitionszyklen und -prozesse im B2B-Bereich. Springer Gabler, Wiesbaden CrossRef

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 42:60–88 CrossRef

Mainzer K (2016) Künstliche Intelligenz – Wann übernehmen die Maschinen? Springer, München CrossRef

Marsland S (2015) Machine learning: an algorithmic perspective. Taylor & Francis Group, Florida

McCarthy J, Minsky ML, Rochester N, Shannon CE (1955) A proposal for the Dartmouth summer research project on artificial intelligence. http://jmc.stanford.edu/articles/dartmouth.html. Zugegriffen am 30.09.2017

McKinsey (2017) A future that works: harnessing automation for a future that works. https://www.mckinsey.com/~/media/McKinsey/Global%20Themes/Digital%20Disruption/Harnessing%20automation%20for%20a%20future%20that%20works/MGI-A-future-that-works-Executive-summary.ashx. Zugegriffen am 12.10.2017

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 York MATH

Murphy KP (2012) Machine learning: a probabilistic perspective. The MIT Press, Cambridge MATH

Murthy SK (1998) Automatic construction of decision trees from data: a multi-disciplinary survey. Data Min Knowl Disc 2(4):345–389 CrossRef

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):2592–2602 CrossRef

Niefind F, Wiegran A (2010) Was sind Beschwerden? In: Ratajczak O (Hrsg) Erfolgreiches Beschwerdemanagement. Springer Gabler, Wiesbaden, S 19–32 CrossRef

Nilsson NJ (2014) Principles of artificial intelligence. Morgan Kaufmann, Burlington MATH

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):259–268 CrossRef

Pennachin C, Goertzel B (2007) Artificial general intelligence. Springer, Berlin/Heidelberg MATH

Quinlan JR (1986) Induction of decision trees. Mach Learn 1:81–106

Reeves M, Ueda D (2016) Designing the machines that will design strategy. https://hbr.org/2016/04/welcoming-the-chief-strategy-robot. Zugegriffen am 30.09.2017

Reinartz W, Kumar V (2003) The impact of customer relationship characteristics on profitable lifetime duration. J Mark 67(1):77–99 CrossRef

Reinartz W, Krafft M, Hoyer WD (2004) The customer relationship management process: its measurement and impact on performance. J Mark Res 41(3):293–305 CrossRef

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 River MATH

SAE International (2016): Taxonomy and definitions for terms related to on-road motor vehicle automated driving systems. J3016:1–16

Salesforce (2017) Salesforce Einstein is artificial intelligence in business technology – Salesforce EMEA. https://www.salesforce.com/eu/products/einstein/overview. Zugegriffen am 27.10.2017

SAP (2017a) Build your intelligent enterprise with machine learning, a case study with BASF. http://events.sap.com/sapandasug/en/session/32268. Zugegriffen am 30.10.2017

SAP (2017b) Machine learning applications and platform. https://www.sap.com/products/leonardo/machine-learning.html. Zugegriffen am 24.10.2017

SAP (2017c) SAP API business hub: SAP Leonardo machine learning – business services. https://api.sap.com/shell/discover/contentpackage/SAPLeonardoMLBusinessServices. Zugegriffen am 10.11.2017

SAP (2017d) SAP service ticket intelligence. https://help.sap.com/viewer/934ccff77ddb4fa2bf268a0085984db0/1708/en-US. Zugegriffen am 06.11.2017

Schapire RE, Freund Y (2012) Boosting: foundations and algorithms. The MIT Press, Cambridge MATH

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 529:484–489 CrossRef

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 550:354–359 CrossRef

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):564–579 CrossRef

Stanford University (2017) One hundred year study on artificial intelligence (AI100). https://ai100.stanford.edu. Zugegriffen am 17.11.2017

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):812–819 CrossRef

Tamaddoni A, Stakhovych S, Ewing M (2016) Comparing churn prediction techniques and assessing their performance a contingent perspective. J Serv Res 19(2):123–141 CrossRef

Vafeiadis T, Diamantaras KI, Sarigiannidis G, Chatzisavvas KC (2015) A comparison of machine learning techniques for customer churn prediction. Simul Model Pract Theory 55:1–9 CrossRef

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 14:431–446 CrossRef

Wahlster W (2017) Künstliche Intelligenz als Grundlage autonomer Systeme. Informatik-Spektrum 40(5):409–418 CrossRef

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):8071–8075 CrossRef

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

World Economic Forum (2016) Digital transformation of industries: digital enterprise. http://reports.weforum.org/digital-transformation/wp-content/blogs.dir/94/mp/files/pages/files/digital-enterprise-narrative-final-january-2016.pdf. Zugegriffen am 11.11.2017

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 145:263–268 CrossRef

Yu L, Liu H (2004) Efficient feature selection via analysis of relevance and redundancy. J Mach Learn Res 5:1205–1224 MathSciNetMATH

Zorn S, Jarvis W, Bellman S (2010) Attitudinal perspectives for predicting churn. J Res Interact Mark 4(2):157–169 CrossRef

Title

Entscheidungsunterstützung im Kundenbeziehungszyklus durch Maschinelle Lernverfahren

Book

Digitale Geschäftsmodelle – Band 2

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

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

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

DOI

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

Authors:

Andreas Welsch
Verena Eitle
Peter Buxmann

Publisher

Springer Fachmedien Wiesbaden

Sequence number

Chapter number

Premium Partner

Image Credits