The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 6 of 12
Back to Result List

Machine-Learning-Verfahren in der Produktlinienoptimierung - Simulationsrechnungen und Robustheit

Machine learning in product line optimization - simulations and robustness

  • 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. Für die Modellierung der Auswahlwahrscheinlichkeiten der Produkte unter Berücksichtigung der Konsumentenpräferenzen werden deterministische und probabilistische Entscheidungsregeln verwendet. Darauf aufbauend werden für jede Entscheidungsregel jeweils eine Gewinn- und eine Marktanteilsmaximierungszielfunktion aus der Literatur ausgewählt. Als Kombinatorisches Optimierungsproblem ist die Produktlinienoptimierung NP-hard, wodurch die Berechnung der Optima schon bei mittelgroßen Problemgrößen nicht mehr möglich ist. Aus diesem Grund sind Verfahren aus dem Machine-Learning nötig, 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, derenDie 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. Für die Modellierung der Auswahlwahrscheinlichkeiten der Produkte unter Berücksichtigung der Konsumentenpräferenzen werden deterministische und probabilistische Entscheidungsregeln verwendet. Darauf aufbauend werden für jede Entscheidungsregel jeweils eine Gewinn- und eine Marktanteilsmaximierungszielfunktion aus der Literatur ausgewählt. Als Kombinatorisches Optimierungsproblem ist die Produktlinienoptimierung NP-hard, wodurch die Berechnung der Optima schon bei mittelgroßen Problemgrößen nicht mehr möglich ist. Aus diesem Grund sind Verfahren aus dem Machine-Learning nötig, 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 Abhängigkeit der Problemgröße adaptiv definiert werden. Durch einen neuartigen Clusteransatz können Genetische Algorithmen das deterministische Produktlinienoptimierungsproblem im Sinn der Zielfunktionswertqualität am besten lösen. Das Min-Max Ant-System mit lokaler Suche ist am besten für die deterministische Gewinnmaximierung geeignet. Für die Zielfunktionen mit probabilistischer Entscheidungsregel zeigt sich das Min-Max-System ohne lokale Suche als überlegen. Für die Untersuchung der Robustheit der hierarchischen Bayes-Schätzung 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-Schätzung, wohingegen die Zielfunktionen mit deterministischer Entscheidungsregel sehr sensitiv auf sich verändernde Konsumentenpräferenzen reagieren.show moreshow less
  • Product line optimization based on conjoint analysis is one of the most important problems in marketing research. The goal of product-line optimization is to identify an optimal product line in terms of profit and market share. Deterministic and probabilistic decision rules are used to model the selection probabilities of the products taking into account consumer preferences. Based on this, a profit and a market share maximization objective function is selected from the literature for each decision rule. As a combinatorial optimization problem, product line optimization is NP-hard, making the computation of optima infeasible even for medium-sized problems. For this reason, methods from machine learning are needed to approximate the optima in reasonable computation time. The machine learning methods used are genetic algorithms, the Min-Max ant system, particle swarm optimization and simulated annealing, whose parameters are defined adaptively depending on the problem size. Through a novel clustering approach, genetic algorithms canProduct line optimization based on conjoint analysis is one of the most important problems in marketing research. The goal of product-line optimization is to identify an optimal product line in terms of profit and market share. Deterministic and probabilistic decision rules are used to model the selection probabilities of the products taking into account consumer preferences. Based on this, a profit and a market share maximization objective function is selected from the literature for each decision rule. As a combinatorial optimization problem, product line optimization is NP-hard, making the computation of optima infeasible even for medium-sized problems. For this reason, methods from machine learning are needed to approximate the optima in reasonable computation time. The machine learning methods used are genetic algorithms, the Min-Max ant system, particle swarm optimization and simulated annealing, whose parameters are defined adaptively depending on the problem size. Through a novel clustering approach, genetic algorithms can best solve the deterministic product line optimization problem in the sense of objective function value quality. The Min-Max ant system with local search is best suited for deterministic profit maximization. For the objective functions with probabilistic decision rule, the Min-Max ant system without local search is shown to be superior. A real data set is used to investigate the robustness of hierarchical Bayes estimation. The robustness is significantly influenced by the choice of the decision rule. The objective functions with probabilistic decision rule react robustly to the hierarchical Bayes estimation, whereas the objective functions with deterministic decision rule react very sensitively to changing consumer preferences.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Sascha Vökler
URN:urn:nbn:de:kobv:co1-opus4-55796
Referee / Advisor:Prof. Dr. Magdalena Mißler-Behr, Prof. Dr. Daniel Baier
Document Type:Doctoral thesis
Language:German
Year of Completion:2021
Date of final exam:2021/07/28
Release Date:2021/08/05
Tag:Conjointanalyse; Kombinatorische Optimierung; Produktlinienoptimierung; Robustheit
Combinatorial optimization; Conjoint analysis; Machine learning; Product line optimization; Robustness
GND Keyword:Produktlinie; Maschinelles Lernen; Conjoint Measurement; Verbesserung
Institutes:Fakultät 5 Wirtschaft, Recht und Gesellschaft / FG ABWL, insbesondere Marketing
Licence (German):Creative Commons - CC BY - Namensnennung 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.