@phdthesis{Voekler2021, author = {V{\"o}kler, Sascha}, title = {Machine-Learning-Verfahren in der Produktlinienoptimierung - Simulationsrechnungen und Robustheit}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-55796}, school = {BTU Cottbus - Senftenberg}, year = {2021}, abstract = {Die Produktlinienoptimierung auf Basis der Conjointanalyse ist eines der wichtigsten Probleme der Marketingforschung. Das Ziel der Produktlinienoptimierung ist das Identifizieren einer optimalen Produktlinie bzgl. des Gewinns und Marktanteils. F{\"u}r die Modellierung der Auswahlwahrscheinlichkeiten der Produkte unter Ber{\"u}cksichtigung der Konsumentenpr{\"a}ferenzen werden deterministische und probabilistische Entscheidungsregeln verwendet. Darauf aufbauend werden f{\"u}r jede Entscheidungsregel jeweils eine Gewinn- und eine Marktanteilsmaximierungszielfunktion aus der Literatur ausgew{\"a}hlt. Als Kombinatorisches Optimierungsproblem ist die Produktlinienoptimierung NP-hard, wodurch die Berechnung der Optima schon bei mittelgroßen Problemgr{\"o}ßen nicht mehr m{\"o}glich ist. Aus diesem Grund sind Verfahren aus dem Machine-Learning n{\"o}tig, um die Optima in angemessener Rechenzeit zu approximieren. Die verwendeten Machine-Learning-Verfahren sind Genetische Algorithmen, das Min-Max Ant-System, Particle-Swarm-Optimization und Simulated Annealing, deren Parameter in Abh{\"a}ngigkeit der Problemgr{\"o}ße adaptiv definiert werden. Durch einen neuartigen Clusteransatz k{\"o}nnen Genetische Algorithmen das deterministische Produktlinienoptimierungsproblem im Sinn der Zielfunktionswertqualit{\"a}t am besten l{\"o}sen. Das Min-Max Ant-System mit lokaler Suche ist am besten f{\"u}r die deterministische Gewinnmaximierung geeignet. F{\"u}r die Zielfunktionen mit probabilistischer Entscheidungsregel zeigt sich das Min-Max-System ohne lokale Suche als {\"u}berlegen. F{\"u}r die Untersuchung der Robustheit der hierarchischen Bayes-Sch{\"a}tzung wird ein realer Datensatz verwendet. Die Robustheit wird maßgeblich durch die Wahl der Entscheidungsregel beeinflusst. Die Zielfunktionen mit probabilistischer Entscheidungsregel reagieren robust auf die hierarchische Bayes-Sch{\"a}tzung, wohingegen die Zielfunktionen mit deterministischer Entscheidungsregel sehr sensitiv auf sich ver{\"a}ndernde Konsumentenpr{\"a}ferenzen reagieren.}, subject = {Conjointanalyse; Conjoint analysis; Robustheit; Kombinatorische Optimierung; Machine learning; Produktlinienoptimierung; Product line optimization; Combinatorial optimization; Robustness; Produktlinie; Maschinelles Lernen; Conjoint Measurement; Verbesserung}, language = {de} }