Andere Kunden interessierten sich auch für
![Fusion von Tageskontext und Mobilitätsgewohnheiten als Enablersystem für Mobilitätsassistenten]( "Fusion von Tageskontext und Mobilitätsgewohnheiten als Enablersystem für Mobilitätsassistenten")
Fusion von Tageskontext und Mobilitätsgewohnheiten als Enablersystem für Mobilitätsassistenten49,99 €![Character Design. Umsetzung, Methoden und Mechanismen.]( "Character Design. Umsetzung, Methoden und Mechanismen.")
Character Design. Umsetzung, Methoden und Mechanismen.42,95 €![Analyse und algorithmische Erweiterung von Methoden zum strukturellen Vergleich von Proteinbindestellen]( "Analyse und algorithmische Erweiterung von Methoden zum strukturellen Vergleich von Proteinbindestellen")
Analyse und algorithmische Erweiterung von Methoden zum strukturellen Vergleich von Proteinbindestellen47,95 €![DevOps Prinzipien im IT-Service-Management. Hypothesen und Methoden]( "DevOps Prinzipien im IT-Service-Management. Hypothesen und Methoden")
DevOps Prinzipien im IT-Service-Management. Hypothesen und Methoden17,95 €![Formen der empirischen Sozialforschung im Themenfeld der Verwaltungswissenschaft]( "Formen der empirischen Sozialforschung im Themenfeld der Verwaltungswissenschaft")
Formen der empirischen Sozialforschung im Themenfeld der Verwaltungswissenschaft15,95 €![Berührungslose Pulsmessung mit Kamera-basierter Photoplethysmografie. Theorie und Performance-Analyse]( "Berührungslose Pulsmessung mit Kamera-basierter Photoplethysmografie. Theorie und Performance-Analyse")
Berührungslose Pulsmessung mit Kamera-basierter Photoplethysmografie. Theorie und Performance-Analyse17,95 €![Messen von Internet-Bandbreite. Metriken, Methoden und Tools]( "Messen von Internet-Bandbreite. Metriken, Methoden und Tools")
Messen von Internet-Bandbreite. Metriken, Methoden und Tools47,95 €
Masterarbeit aus dem Jahr 2020 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,0, Universität Ulm, Sprache: Deutsch, Abstract: Mit zunehmendem Wettbewerb wird die Kundenbindung zu einer der größten Herausforderungen für Kundendienstleister und insbesondere dem Bankensektor. Die stetige Weiterentwicklung von Machine Learning als Teilgebiet der künstlichen Intelligenz bietet heute die Möglichkeit, ein effektives, datengetriebenes Customer Relationship Management zu implementieren. Die Aufstellung eines Prognosemodells, welches abwanderungsgefährdete Kunden frühzeitig identifizieren kann, ist in diesem Zusammenhang ein vielversprechendes Werkzeug zur Verbesserung des Customer Churn Managements. Im Rahmen dieser Arbeit wird gezeigt, wie moderne Machine Learning-Methoden erfolgreich eingesetzt werden können, um zuverlässige Vorhersagemodelle von Kundenabwanderungen zu modellieren und evaluieren. In einem Praxisteil werden hierbei fiktive Kundendaten einer Bank mit der Open Source-Programmiersprache Python analysiert.