Uplift-Modeling: Ein Verfahren zur Response-Optimierung durch Modellierung der Netto-Response

Chapter

Zusammenfassung

Der Beitrag befasst sich mit dem Phänomen der „Autoresponse“ im Rahmen von Response-Analyse. Unter Autoresponse verstehen wir hierbei Response, die nicht ursächlich auf die Direktmarketingmaßnahme zurückzuführen ist, sondern auch ohne entsprechenden Stimulus erfolgt wäre. Es wird argumentiert, dass klassische regressionsanalytische Modellierungen und damit verbundene Zielgruppenselektionen das Phänomen von „Autoresponse“ oftmals vernachlässigen und so im Ergebnis zu falschen oder suboptimalen Selektionsergebnissen führen können..

Der Beitrag greift diese methodisch/analytische Problematik im Rahmen von „Predictive Modeling“ auf und zeigt methodische Ansätze der Modellierung einer „Netto-Response“ – einer Response also, die ursächlich der Dialogmarketing-Kampagne zuzurechnen ist und Autoresponse nach Möglichkeit ausklammert. Neben der Vorstellung der methodischen Herangehensweise des „Uplift-Modeling“ werden im Beitrag erste empirische Ergebnisse gezeigt. Diese bestätigen die hohe Evidenz der Thematik von Autoresponse.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Angrist, J. D./ Pischke, J.-S. (2009): Mostly Harmless Econometrics. Princeton University Press.Google Scholar
  2. Baesens, B. (2014): Big Data World. The Essential Guide to Data Science and its Applications. John Wiley & Sons, Inc.Google Scholar
  3. Blattberg, R. C. et. al (2008): Database Marketing. Analyzing and Managing Customers. Springer Science+Business Press.Google Scholar
  4. Kumar, V./ Reinartz, W. J. (2006): Customer Relationship Management: A Databased Approach. John Wiley & Sons, Inc.Google Scholar
  5. Lo, V. S. (2002): The True Lift Model – A Novel Data Mining Approach to Response Modeling in Database Marketing. SIGKDD Explorations, Vol.4, No.2, S. 78–86.CrossRefGoogle Scholar
  6. Radcliffe, N. J./ Simpson, R. (2007): Identifying who can be saved and who will be driven away by retention activity. White Paper, Stochastic Solutions Limited, S. 1–10.Google Scholar
  7. Rubin, D. B. (1974): Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Journal of Educational Psychology, Vol.66, No.5, S. 688–701.CrossRefGoogle Scholar
  8. Van den Poel, D. (2003): “Predicting Mail-Order Repeat Buying: Which Variables Matter?”, Tijdschrift voor Economie & Management, 48 (3), S. 371–403.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  1. 1.ING-DiBa AGFrankfurt/M.Deutschland

Personalised recommendations