Advertisement

der markt

, Volume 42, Issue 1, pp 3–13 | Cite as

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

  • Reinhold Decker
  • Katharina Monien
Support-Vektor-Maschinen
  • 105 Downloads

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.

Keywords

Kundenbetreuung Neukundenkiassifikation Support-Vektor-Maschine 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Bennett, K. P.; C. Campbell (2000): Support Vector Machines: Hype or Hallelujah?, SIGKDD Explorations, Vol. 2, No. 2, 1–13.CrossRefGoogle Scholar
  2. 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.Google Scholar
  3. 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.CrossRefGoogle Scholar
  4. Bredensteiner, E. J.; K. Bennett (1999): Multicategory Classification by Support Vector Machines, Computational Optimizations and Applications, Vol. 12, 53–79.CrossRefGoogle Scholar
  5. 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
  6. Cornelsen, J. (2001): Kundenwert, in: Diller, H. (Hrsg.): Vahlens Großes Marketinglexikon, München, Beck/ Vahlen, 876–878.Google Scholar
  7. Diller, H. (1995): Kundenmanagement, in: Tietz, B.; R. Köhler; J. Zentes (Hrsg.): Handwörterbuch des Marketing, 2. Aufl., Stuttgart, Schäffer-Poeschel, 1363–1376.Google Scholar
  8. Hippner, H.; U. Küsters; M. Meyer; K. Wilde (Hrsg.) (2001): Handbuch Data Mining im Marketing — Knowledge Discovery in Marketing Databases, Braunschweig/Wiesbaden, Vieweg/Gabler.Google Scholar
  9. 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.CrossRefGoogle Scholar
  10. Joachims, T. (1999): Support Vector Machines, Künstliche Intelligenz, Heft 4, 54–55.Google Scholar
  11. 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
  12. Plinke, W. (1995): Kundenanalyse, in: Tietz, B.; R. Köhler; J. Zentes (Hrsg.): Handwörterbuch des Marketing, 2. Aufl., Stuttgart, Schäffer-Poeschel, 1328- 1340.Google Scholar
  13. SAS (2000): Handbuch zu SAS Release 8.01, SAS Institute Inc., Cary (NC).Google Scholar
  14. Schölkopf, B. (1997): Support Vector Learning, München, Oldenbourg.Google Scholar
  15. 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
  16. Schölkopf, B.; A. Smola (2002): Learning with Kernels, Cambridge, MIT Press.Google Scholar
  17. Statistik Austria (2002): www.wko.at, Stand: 5.11.2002.Google Scholar
  18. Statistisches Bundesamt Deutschland (2002): www.destatis.de sowie www-zr.destatis.de, Stand: 5.112002.Google Scholar
  19. Vapnik, V. N. (1998): Statistical Learning Theory, New York, Wiley.Google Scholar
  20. 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.CrossRefGoogle Scholar
  21. 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
  22. 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.Google Scholar

Copyright information

© Springer 2003

Authors and Affiliations

  1. 1.Universität BielefeldBielefeld

Personalised recommendations