Top

Published in:

2015 | OriginalPaper | Chapter

12. Möglichkeiten des Data Minings zur Ermittlung von Kündigungsprognosen

Authors : Joachim Schwarz, Prof. Dr., Rüdiger Buchkremer, Prof. Dr., Markus Mommers

Published in: Markt- und Absatzprognosen

Publisher: Springer Fachmedien Wiesbaden

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

search-config

AI-assisted search

Off

Zusammenfassung

Die Vorhersage des Kündigungsverhaltens von Kunden stellt nach wie vor eine große Herausforderung für Unternehmen und Organisationen vieler Branchen dar. Ausgehend von einer Gesamtkonzeption der Churn- und Retention-Analyse werden Entscheidungsbäume, logistische Regression und neuronale Netze als die wichtigsten Prognoseverfahren identifiziert. Die Grundlagen dieser drei Verfahren werden beschrieben und anschließend anhand ausgewählter Studien miteinander verglichen.

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

previous chapter Präferenzprognosen mittels Conjoint-Analyse – Eine Fallstudie mit Choice-Based-Design

next chapter Wie gut prognostizieren Loyalitätsindikatoren zukünftiges Kundenverhalten? Ergebnisse einer Längsschnittstudie

Beträgt also das Chancenverhältnis 1/3, dann kommen auf einen Erfolg drei Fehlversuche. Dies ist nicht zu verwechseln mit der Wahrscheinlichkeit eines Erfolges, denn diese beträgt hier ¼.

Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2011). Multivariate Analysemethoden (13. Aufl.). Berlin: Springer.CrossRef

Ballings, M., & Van den Poel, D. (2012). Customer event history for churn prediction: How long is long enough? Expert Systems with Applications, 39, 13517–13522.CrossRef

Brandusoiu, I., & Toderean, G. (2013). Churn Prediction Modeling in Mobile Telecommunications Industry Using Decision Trees. Journal of Computer Science and Control Systems, 6, 14–19.

Chu, B.-H., Tsai, M.-S., & Ho, C.-S. (2007). Toward a hybrid data mining model for customer retention. Knowledge-Based Systems, 20, 703–718.CrossRef

Coussement, K., & De Bock, K. W. (2013). Customer churn prediction in the online gambling industry: The beneficial effect of ensemble learning. Journal of Business Research, 66, 1629–1636.CrossRef

De Bock, K. W., & Van den Poel, D. (2010). Ensembles of probability estimation trees for customer churn prediction. Lecture Notes in Artificial Intelligence, 6097, 57–66.

Garson, G. D. (1998). Neural Networks. London.: Sage.

Goel, S., & Goldstein, D. G. (2014). Prediction individual Behavior with Social Networks. Marketing Science, 33(1), 82–93.CrossRef

Hadden, J., Tiwari, A., Roy, R., & Ruta, D. (2005). Computer assisted customer churn management: State-of-the-art and future trends. Computers & Operations Research, 34, 2902–2917.CrossRef

Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression (2. Aufl.). New York: Wiley.CrossRef

Hung, S.-Y., Yen, D. C., & Wang, H.-Y. (2006). Applying data mining to telecom churn management. Expert Systems with Applications, 31, 515–524.CrossRef

Huang, B., Kechadi, M.-T., & Buckley, B. (2009). Customer Churn Prediction for Broadband Internet Services. In T. B. Pedersen, M. K. Mohania, & A. M. Tjoa (Hrsg.), Data Warehousing and Knowledge Discovery (S. 229–243). Heidelberg: Springer.CrossRef

Huang, Y., Huang, B., & Kechadi, M.-T. (2011). A rule-based method for customer churn prediction in telecommunication services. In J. Z. Huang, L. Cao, & J. Srivastava (Hrsg.), Advances in Knowledge Discovery and Data Mining Part I (S. 411–422). Heidelberg: Springer.CrossRef

Idris, A., Khan, A., & Lee, Y. S. (2013). Intelligent churn prediction in telecom: employing mRMR feature selection and RotBoost based ensemble classification. Applied Intelligence, 39(3), 659–672.CrossRef

Kleinbaum, D. G., & Klein, M. (2010). Logistic Regression – A Self-Learning Text (3. Aufl.). New York: Springer.

Krafft, M. (1997). Der Ansatz der logistischen Regression und seine Interpretation. Zeitschrift für Betriebswirtschaft, 67(5/6), 625–642.

Lazarov, V., & Capota, M. (2007). Churn Prediction, Arbeitspapier, Technische Universität München. http://home.in.tum.de/~lazarov/files/research/papers/churn-prediction.pdf. Zugegriffen: 14.02.2014

Lemmens, A., & Gupta, S. (2013). Managing Churn to Maximize Profits, Arbeitspapier, Harvard Business School. http://www.hbs.edu/faculty/Publication%20Files/14-020_3553a2 f4-8c7b-44e6-9711-f75dd56 f624e.pdf. Zugegriffen: 26.02.2014

Liu, M., & Qiao Xiu-Quan, X. W.-L. (2011). Three Categories Customer Churn Prediction Based on the Adjusted Real Adaboost. Communications in Statistic Simulation and Computation, 40, 1548–1562.CrossRef

Loh, W.-Y. (2011). Classification and regression trees. WIREs Data Mining and Knowledge Discovery, 1, 14–23.CrossRef

Mikut, R., & Reischl, M. (2011). Data mining tools. WIREs Data Mining and Knowledge Discovery, 1, 431–443.CrossRef

Müller, R. M., & Lenz, H.-J. (2013). Business Intelligence. Berlin Heidelberg: Springer Vieweg.CrossRef

Neslin, S. A., Gupta, S., Kamakura, W., Lu, J., & Mason, C. H. (2006). Defection detection: Measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, 43(2), 204–211.CrossRef

Nie, G., Rowe, W., Zhang, L., Tian, Y., & Shi, Y. (2011). Credit card churn forecasting by logistic regression and decision tree. Expert Systems with Applications, 38, 15273–15285.CrossRef

Rese, M., & Bierend, A. (1999). Logistische Regression - Eine Anwendungsorientierte Darstellung. Wirtschaftswissenschaftliches Studium, 28(5), 235–240.

Rey, G. D., & Wender, K. F. (2008). Neuronale Netze. Bern: Huber.

Schnurr, C. (1997). Kreditwürdigkeitsprüfung mit Künstlichen Neuronalen Netzen. Wiesbaden: Gabler.CrossRef

Verbeke, W., Martens, D., Mues, C., & Baesens, B. (2011). Building comprehensible churn prediction models with advanced rule induction techniques. Expert Systems with Applications, 38, 2354–2364.CrossRef

Verbeke, W., Dejaeger, K., Martens, D., Hur, J., & Baesens, B. (2012). New insights into churn prediction in the telecommunication sector: a profit driven data mining approach. European Journal of Operational Research, 218, 211–229.CrossRef

Verikas, A., Gelzinis, A., & Bacauskiene, M. (2011). Mining data with random forests: A survey and results of new tests. Pattern Recognition, 44(2), 330–349.CrossRef

Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z.-H., Steinbach, M., Hand, D. J., & Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge Information Systems, 14, 1–37.CrossRef

Zimmermann, H.-G. (1994). Neuronale Netze als Entscheidungskalkül. In H. Rehkugler, & H.-G. Zimmermann (Hrsg.), Neuronale Netze in der Ökonomie (S. 1–88). München: Vahlen.

Title: Möglichkeiten des Data Minings zur Ermittlung von Kündigungsprognosen
Authors: Joachim Schwarz, Prof. Dr.
Rüdiger Buchkremer, Prof. Dr.
Markus Mommers
Publisher: Springer Fachmedien Wiesbaden
Book: Markt- und Absatzprognosen
Print ISBN: 978-3-658-04491-6

Electronic ISBN: 978-3-658-04492-3

Copyright Year: 2015
DOI: https://doi.org/10.1007/978-3-658-04492-3_12