TY - RPRT A1 - Schemm, Jan A1 - Schwarz, Christian A1 - Strickrodt, Marc T1 - Proaktives Kundenbindungsmanagement im Werbeartikelhandel: Entwicklung eines Machine-Learning-Modells zur Prognose von Kundenabwanderungen N2 - Die Arbeit entwickelt systematisch ein Machine-Learning-Modell zur Prognose von Kundenabwanderungen im Werbeartikelhandel. Im Fokus steht die WER GmbH, ein mittelständischer Werbeartikelhändler, der jährlich signifikante Umsatzverluste durch Kundenabwanderung in der Streckenabwicklung verzeichnet und diese durch effektive Bindungsmaßnahmen reduzieren möchte. Die Ausgangsbasis für ein proaktives Kundenbindungsmanagement bildet ein Modell zur Identifikation abwanderungsgefährdeter Kunden. Das in einem Vergleich von insgesamt 15 Verfahren ausgewählte heterogene Machine-Learning-Ensemble nutzt eine Vielzahl transaktions-, leistungs-, kunden- und interaktionsbezogener Merkmale und liefert signifikant bessere Abwanderungsprognosen als einfachere Vergleichsverfahren. Zusätzlich zur inhaltlichen Interpretation des Modells und der relevantesten Merkmale beschreibt die Arbeit die praktische Integration in den Geschäftsablauf des Unternehmens. Sie liefert damit eine empirische Fallstudie zur Entwicklung eines Abwanderungsprognosemodells in nicht-vertraglichen B2B-Kundenbeziehungen und demonstriert die Leistungsfähigkeit datengetriebener Verfahren des maschinellen Lernens in der praktischen Anwendung. N2 - The report systematically develops a machine learning model for predicting customer churn in the promotional products trade sector. The company concerned is the WER GmbH, a medium-sized promotional product distributor, which records significant annual sales losses due to customer churn in its drop shipment business and would like to reduce these through effective retention measures. The starting point for proactive customer retention management is a quantitative model for identifying customers at risk of churning. The heterogeneous machine learning ensemble selected in a comparison of a total of 15 methods uses a large number of transaction-, performance-, customer- and interaction-related features and delivers significantly better churn forecasts than simpler baseline methods. In addition to the explanative interpretation of the model and the most relevant features, the report describes the practical integration into the company's business process. It thus provides an empirical case study for the development of a churn prediction model in non-contractual B2B customer relationships and demonstrates the performance of data-driven machine learning methods in practical application. T2 - Proactive Customer Retention Management in Promotional Products Distribution: Implementation of a Machine Learning Model for Customer Churn Prediction T3 - Forschungsberichte des Fachbereichs Wirtschaftswissenschaften der Hochschule Düsseldorf - 60 KW - Kundenbeziehungsmanagement KW - Abwanderungsprognose KW - Machine Learning KW - Business-to-Business KW - Churn Prediction KW - Maschinelles Lernen KW - Kundenforschung Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-46335 SN - 2365-3361 CY - Düsseldorf ER - TY - RPRT A1 - Kahraman, Hamide ED - Rakow, Thomas C. T1 - Machine Learning im Retourenmanagement N2 - Machine Learning – eine Disziplin der IT, die in letzter Zeit immens an Traktion gewonnen hat. Durch die verzeichneten Entwicklungen, wie z.B. autonomes Fahren, ChatGPT und noch vielen mehr, haben sich in zahlreichen Sparten neue Perspektiven eröffnet. Die vorliegende Arbeit untersucht die Einsatzmöglichkeiten von Machine Learning in der Retourenmanagement Domäne, welche bislang noch wenig erforscht wurden. Gerade der boomende Online-Handel und die daraus resultierende Masse an Retouren verdeutlichen die Notwendigkeit einer Intervention mit dem Ziel, Retouren, die sowohl den Unternehmen als auch der Umwelt schaden, zu minimieren. Ob klassische Ansätze wie logistische Regression und lineare Diskriminanzanalyse oder state-of-the-art Methoden wie neuronale Netzwerke, Entscheidungsbäume, Ensemble Machine Learning, Graphen, etc. – Machine Learning bietet der Wirtschaft viele Werkzeuge, die für die Lösung des Retourenproblems eingesetzt werden können. Die Auswahl der Methoden hängt von dem Ziel und den verfügbaren Daten ab, aber die schiere Anzahl der Möglichkeiten verdeutlicht, dass mehrere Wege für die Reduzierung von Retouren eingeschlagen werden können. Abhängig von Know-How und technischen Voraussetzungen können auch einfachere Methoden, die keine allzu hohe Rechenleistung bzw. wenig Expertise benötigen, den Unternehmen äußerst nützliche Resultate liefern. Die vorliegende Arbeit versucht den aktuellen wissenschaftlichen Status-Quo darzustellen, um dadurch die den Online-Händlern verfügbaren Möglichkeiten aufzuzeigen. KW - Hg_TCR KW - Machine Learning KW - Retourenminimierung KW - Retourenmanagement Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-41260 VL - Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2023 CY - Düsseldorf ER - TY - RPRT A1 - Jackszis, Arabella T1 - Diskriminierung im Machine Learning und Erklärbarkeit von Algorithmen N2 - Künstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder für Anwendungen, die Verhaltensweisen des Menschen erlernen und nachahmen. Dieses innovative Vorgehen birgt jedoch einige Gefahren. Das menschliche Verhalten ist nicht immer objektiv und korrekt. Oft beherrschen Vorurteile das Treffen menschlicher Entscheidungen, sodass Personen diskriminiert werden. Es besteht das Risiko, dass Maschinen diese Verhaltensweise übernehmen. Hinzu kommt die fehlende Erklärbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauenswürdigkeit des Systems. In dieser Arbeit werden Ursachen für Diskriminierung und fehlende Transparenz, sowie Lösungsmethoden erarbeitet. Dabei wird erörtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualität der Software beitragen. N2 - Artificial Intelligence and Machine Learning are matters of high interest in Information Technology. Advanced technologies and approaches are creating new areas of use for applications that study and imitate human behavior. At the same time, this innovative approach poses new dangers. Human behavior is not always objective and correct. Prejudice often dominates human decisions and therefore leads to discrimination. There is a risk that machines adopt this behavior. On top of this, algorithms are often not explainable. Depending on the model, the principles that are relevant for the decision are not clear. This makes it harder to detect discrimination and reduces the trustworthiness of a system. In this paper, causes of bias in Machine Learning and the lack of transparency, as well as methods to eliminate these problems, are elaborated. It works out the interaction between the two issues and how they contribute to the quality of the software. T2 - Discrimination in machine learning and explainability of algorithms KW - Diskriminierung KW - Discrimination KW - Fairness KW - Erklärbarkeit KW - Nachvollziehbarkeit KW - Transparenz KW - Machine Learning KW - explainability KW - transparency KW - artificial intelligence KW - machine learning KW - traceability KW - Künstliche Intelligenz KW - Hg_TCR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-25075 VL - Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021 PB - Hochschule Düsseldorf CY - Düsseldorf ER -