Skip to main content
SpringerLink
Log in

Support-vektor-maschiner als analyse-instrument im marketing am beispiel der neukundenklassifikation

  • Support-Vektor-Maschinen
  • Published:
der markt

Abstract

Support-Vektor-Masehinen werden bereits seit einigen Jahren in verschiedenen technischen und naturwissenschaftlichen Bereichen, etwa der Bilderkennung, erfolgreich eingesetzt. Die erzielten Erfolge lassen dieses Instrumentarium auch für Klassifikationsfragestellungen im Marketing interessant erscheinen. Der vorliegende Beitrag beschreibt am Beispiel der Entscheidung über das Ausmaß von Betreuungsmaßnahmen für Neukunden die grundsätzliche Vor-gehensweise bei der Anwendung von Support-Vektor-Maschinen im Rahmen der Kundenklassifikation und diskutiert Stärken und Schwächen derselben. Ausgehend von einem Kranz geeigneter Merkmale ermöglicht der vorgestellte Ansatz eine an den individuellen Verkaufsprozessen orientierte und vergleichsweise zuverlässige Klassifikation von Neukunden.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Literatur

  • Bennett, K. P.; C. Campbell (2000): Support Vector Machines: Hype or Hallelujah?, SIGKDD Explorations, Vol. 2, No. 2, 1–13.

    Article  Google Scholar 

  • Bennett, K. P.; D. Wu; L. Auslender (1998): On Support Vector Decision Trees for Database Marketing, R.P.I. Math Report No. 98–100, Rensselaer Polytechnic Institute, Troy.

  • Boser, B. E.; I. M. Guyon; V N. Vapnik (1992): A Training Algorithm for Optimal Margin Classifiers, in: Haussler, D. (Ed.): Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, Pittsburgh, ACM Press, 144–152.

    Chapter  Google Scholar 

  • Bredensteiner, E. J.; K. Bennett (1999): Multicategory Classification by Support Vector Machines, Computational Optimizations and Applications, Vol. 12, 53–79.

    Article  Google Scholar 

  • Cheung, K.-W.; J. T. Kwok; M. H. Law; K.-C. Tsui (2003): Mining Customer Product Ratings for Personalized Marketing, Decision Support Systems — Special Issue on Web Data Mining, Vol. 35, No. 2, 231- 243.

    Google Scholar 

  • Cornelsen, J. (2001): Kundenwert, in: Diller, H. (Hrsg.): Vahlens Großes Marketinglexikon, München, Beck/ Vahlen, 876–878.

  • Diller, H. (1995): Kundenmanagement, in: Tietz, B.; R. Köhler; J. Zentes (Hrsg.): Handwörterbuch des Marketing, 2. Aufl., Stuttgart, Schäffer-Poeschel, 1363–1376.

    Google Scholar 

  • Hippner, H.; U. Küsters; M. Meyer; K. Wilde (Hrsg.) (2001): Handbuch Data Mining im Marketing — Knowledge Discovery in Marketing Databases, Braunschweig/Wiesbaden, Vieweg/Gabler.

  • Hsu, C.; C. Lin (2002): A Comparison of Methods for Multi-class Support Vector Machines, IEEE Transactions on Neural Networks, Vol. 13, No. 2, 415–425.

    Article  Google Scholar 

  • Joachims, T. (1999): Support Vector Machines, Künstliche Intelligenz, Heft 4, 54–55.

  • Krafft, M.; S. Albers (2000): Ansätze zur Segmentierung von Kunden — Wie geeignet sind herkömmliche Konzepte?, Zeitschrift für betriebswirtschaftliche Forschung, Jg. 52, September, 515–536.

    Google Scholar 

  • Plinke, W. (1995): Kundenanalyse, in: Tietz, B.; R. Köhler; J. Zentes (Hrsg.): Handwörterbuch des Marketing, 2. Aufl., Stuttgart, Schäffer-Poeschel, 1328- 1340.

    Google Scholar 

  • SAS (2000): Handbuch zu SAS Release 8.01, SAS Institute Inc., Cary (NC).

  • Schölkopf, B. (1997): Support Vector Learning, München, Oldenbourg.

  • Schölkopf, B.; C. Burges; A. Smola (1999): Introduction to Support Vector Learning, in: Schölkopf, B.; C. Burges; A. Smola (Eds.): Advances in Kernel Methods: Support Vector Learning, Cambridge, MIT Press, 1–15.

    Google Scholar 

  • Schölkopf, B.; A. Smola (2002): Learning with Kernels, Cambridge, MIT Press.

    Google Scholar 

  • Statistik Austria (2002): www.wko.at, Stand: 5.11.2002.

  • Statistisches Bundesamt Deutschland (2002): www.destatis.de sowie www-zr.destatis.de, Stand: 5.112002.

  • Vapnik, V. N. (1998): Statistical Learning Theory, New York, Wiley.

    Google Scholar 

  • Viaene S.; B. Baesens; T. Van Gestel; J. Suykens; D. Van den Poel; D. Dedene; B. De Moor; J. Vanthienen (2001): Knowledge Discovery in a Direct Marketing Case Using Least Squares Support Vector Machines, International Journal of Intelligent Systems, Vol. 16, No. 9, 1023–1036.

    Article  Google Scholar 

  • Wrobel, S.; K. Monk; T. Joachims (2000): Maschinelles Lernen und Data Mining, in: Görz, G.; C.-R. Roilinger; J. Schneeberger (Hrsg.): Handbuch der Künstlichen Intelligenz, 3. Aufl., München, Oldenbourg, 517–597.

    Google Scholar 

  • Yang, Q. (2002): Towards Statistical Planning for Marketing Strategies, in: Ghallab, M.; J. Hertzberg; P. Traverso (Eds.): Proceedings of the Artificial Intelligence Planning Conference, AAAI Press.

Download references

Author information

Authors and Affiliations

  1. Universität Bielefeld, Universitätsstraße 25, D-33615, Bielefeld

    Reinhold Decker

Authors
  1. Reinhold Decker
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Katharina Monien
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Reinhold Decker.

Rights and permissions

Reprints and permissions

About this article

Cite this article

Decker, R., Monien, K. Support-vektor-maschiner als analyse-instrument im marketing am beispiel der neukundenklassifikation. Journal für Marketing 42, 3–13 (2003). https://doi.org/10.1007/BF03032230

Download citation

  • Issue Date:

  • DOI: https://doi.org/10.1007/BF03032230

Keywords

Search

Navigation