Maschinelles Lernen – Überblick und Abgrenzung

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 der 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 einen Überblick über die Grundprinzipien maschinellen Lernens. Zum anderen diskutieren wir Anwendungsmöglichkeiten sowie Wirtschaftlichkeitspotenziale am Beispiel von Kundenbindungsprozessen.Die zunehmende Digitalisierung sowie die allgegenwärtige Verfügbarkeit von Daten verändern derzeit die Wirtschaft, das Leben der Verbraucher und die Gesellschaft im Allgemeinen. In diesem Zusammenhang wird der Einsatz von Machine Learning von Unternehmen und Öffentlichkeit oft kontrovers diskutiert. Diese Algorithmen können beispielsweise dazu beitragen, Vorhersagen zu verbessern und Entscheidungen und Entscheidungsprozesse zu automatisieren. In diesem Beitrag geben wir erstens einen Überblick über die Grundkonzepte des maschinellen Lernens und beleuchten zweitens ausgewählte Use Cases und Effizienzpotenziale innerhalb der Kundenbindungsprozesse.

Die frühzeitige Erkennung potenzieller Abwanderungsforscher ermöglicht es Unternehmen, diese Kunden durch gezielte Bindungsmaßnahmen gezielt anzusprechen und in der Folge den Gewinn zu steigern. Dieser analytische CRM-Ansatz (Customer Relationship Management) wird anhand von Real-Life-Daten eines europäischen Pay-TV-Unternehmens veranschaulicht. Ihre sehr hohe Abwanderungsrate hat verheerende Auswirkungen auf ihren Kundenstamm. In diesem Beitrag werden zunächst verschiedene Churn-Prediction-Modelle entwickelt: Die Einführung von Markov-Ketten in die Churn-Vorhersage und ein Random-Forest-Modell werden mit einem logistischen Basismodell verglichen.

Das am besten geeignete Modell wird anschließend verwendet, um in einem Feldexperiment diejenigen Kunden mit einer hohen Abwanderungswahrscheinlichkeit anzusprechen. Drei alternative Marketing-Aktionen kommen zum Einsatz: Kostenlose Incentives geben, spezielle Kundenevents organisieren, Feedback zur Kundenzufriedenheit durch Fragebögen einholen. Die Ergebnisse dieses Feldexperiments zeigen, dass mit unserem Churn-Prediction-Modell Gewinne verdoppelt werden können. Darüber hinaus variieren die Gewinne in Bezug auf die gewählte Bindungsaktion enorm, was darauf hindeutet, dass ein Fragebogen zur Kundenzufriedenheit die besten Ergebnisse liefert, ein Phänomen, das in der psychologischen Literatur als „Merkmalseffekt“ bekannt ist.

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *