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
HMD Praxis der Wirtschaftsinformatik
Published in: HMD Praxis der Wirtschaftsinformatik 2/2018

05-03-2018 | Schwerpunkt

Maschinelles Lernen

Grundlagen und betriebswirtschaftliche Anwendungspotenziale am Beispiel von Kundenbindungsprozessen

Authors: Andreas Welsch, Verena Eitle, Peter Buxmann

Published in: HMD Praxis der Wirtschaftsinformatik | Issue 2/2018

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 von Kundenbindungsprozessen.
previous article Digitale Plattformen in der Automobilbranche – Herausforderungen und Handlungsempfehlungen
next article Callcenter 4.0 – Wie verändern Spracherkennung, Künstliche Intelligenz und Robotic Process Automation die bisherigen Geschäftsmodelle von Callcentern

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 "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

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
Show more products
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. 2014).
 
3
Durchführung der Studie im Jahr 2017.
 
4
Vgl. hierzu „Durchschnittliche Beratungszeit“, typische Bandbreite von 1,95–8,7 min 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
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. Gabler, Wiesbaden, S 3–36CrossRef
Buckinx W, Van den Poel D (2005) Customer base analysis: partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting. Eur J Oper Res 164(1):252–268CrossRefMATH
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
Chesbrough H (2007) Business model innovation: it’s not just about technology anymore. Strategy 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
Davenport T, Kirby J (2016) Just how smart are smart machines? MIT Sloan Manage Rev 57(3):20–25
Egle U, Keimer I, Hafner N (2014) KPIs zur Steuerung von Customer Contact Centern. In: Möller K, Schultze W (Hrsg) Produktivität von Dienstleistungen. Springer, Wiesbaden, S 505–543
Erichsen J (2007) Benchmarking – von den Besten lernen. Wiss Heute 60(2):21–31
Fachforum Autonome Systeme im Hightech-Forum (2017) Autonome Systeme – Chancen und Risiken für Wirtschaft, Wissenschaft und Gesellschaft. Kurzversion, Abschlussbericht. Fachforum Autonome Systeme im Hightech-Forum, Berlin
Farquad MAH, Ravi V, Raju SB (2014) Churn prediction using comprehensible support vector machine: An analytical CRM application. Appl Soft Comput 19:31–40CrossRef
Grace K, Salvatier J, Dafoe A, Zhang B, Evans O (2017) When will aI exceed human performance? Evidence from aI experts. arXiv:1705.08807, S 1–21
Guzella TS, Caminhas WM (2009) A review of machine learning approaches to Spam filtering. Expert Syst Appl 36(7):10206–10222CrossRef
Huber AS (2016) Das Digital Enterprise nimmt Gestalt an. In: Sendler U (Hrsg) Industrie 4.0 grenzenlos. Springer, 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. Wiley, 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, Hong LL, 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. Proceedings of the 14th international joint conference of Artificial Intelligence. Bd. 2, S 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
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, Florida
Murphy KP (2012) Machine learning: a probabilistic perspective. MIT Press, CambridgeMATH
Murthy SK (1998) Automatic construction of decision trees from data: a multi-disciplinary survey. Data Min Knowl Discov 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. 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
Russell SJ, Norvig P (2010) Artificial intelligence—a modern approach. Pearson, New JerseyMATH
SAE International (2016) SAE J3016: taxonomy and definitions for terms related to on-road motor vehicle automated driving systems
Schapire RE, Freund Y (2012) Boosting: foundations and algorithms. 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, S 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
Susto GA, Schirru A, Pampuri S, McLoone S, Beghi A (2015) Machine learning for predictive maintenance: a multiple classifier approach. IEEE Trans Ind Inform 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], S 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. Inform 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, Cambridge
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
Maschinelles Lernen
Grundlagen und betriebswirtschaftliche Anwendungspotenziale am Beispiel von Kundenbindungsprozessen
Authors
Andreas Welsch
Verena Eitle
Peter Buxmann
Publication date
05-03-2018
Publisher
Springer Fachmedien Wiesbaden
Published in
HMD Praxis der Wirtschaftsinformatik / Issue 2/2018
Print ISSN: 1436-3011
Electronic ISSN: 2198-2775
DOI
https://doi.org/10.1365/s40702-018-0404-z

Other articles of this Issue 2/2018

HMD Praxis der Wirtschaftsinformatik 2/2018 Go to the issue

Spektrum

Klassisches Multi-threading versus MapReduce zur Parallelisierung rechenintensiver Tasks in der Amazon Cloud

Schwerpunkt

Digitale Plattformen in der Automobilbranche – Herausforderungen und Handlungsempfehlungen

Schwerpunkt

Callcenter 4.0 – Wie verändern Spracherkennung, Künstliche Intelligenz und Robotic Process Automation die bisherigen Geschäftsmodelle von Callcentern

Einwurf

HMD Best Paper Award – Verleihung 2018

Einführung

Auf dem Weg zum digitalen Geschäftsmodell

Schwerpunkt

Evolution des Kanalmanagements und Transformation der IT

Premium Partner

    Image Credits