Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/306534 
Erscheinungsjahr: 
2024
Schriftenreihe/Nr.: 
Düsseldorf Working Papers in Applied Management and Economics No. 60
Verlag: 
Hochschule Düsseldorf, Fachbereich Wirtschaftswissenschaften, Düsseldorf
Zusammenfassung: 
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.
Zusammenfassung (übersetzt): 
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.
Schlagwörter: 
Abwanderungsprognose
KundenbeziehungsmanagementBusiness-to-Business
Churn Prediction
Machine Learning
Persistent Identifier der Erstveröffentlichung: 
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe
2.71 MB





Publikationen in EconStor sind urheberrechtlich geschützt.