Neuronale Netze als Segmentierungsverfahren für die Marktforschung
Ein Vergleich mit traditionellen Segmentierungsansätzen auf der Basis von Daten aus Monte-Carlo-Simulationen
Nicht lieferbar
In verschiedensten Wissenschaftsbereichen stellt die möglichst optimale Segmentierung von Daten oder Beobachtungen anhand einiger ausgewählter Merkmale eine wesentliche Herausforderung dar. Dies gilt nicht zuletzt auch für den Bereich der Marketingforschung, in dem beispielsweise häufig Nachfrager in Segmente eingeteilt werden sollen, die in sich weitgehend homogen sind, sich jedoch gegeneinander ausreichend gut abgrenzen lassen, um so eine gezielte Marktbearbeitung zu ermöglichen.Neben den zahlreichen traditionellen Ansätzen zur Segmentierung von Daten verspricht man sich in diesem Bere...
In verschiedensten Wissenschaftsbereichen stellt die möglichst optimale Segmentierung von Daten oder Beobachtungen anhand einiger ausgewählter Merkmale eine wesentliche Herausforderung dar. Dies gilt nicht zuletzt auch für den Bereich der Marketingforschung, in dem beispielsweise häufig Nachfrager in Segmente eingeteilt werden sollen, die in sich weitgehend homogen sind, sich jedoch gegeneinander ausreichend gut abgrenzen lassen, um so eine gezielte Marktbearbeitung zu ermöglichen.
Neben den zahlreichen traditionellen Ansätzen zur Segmentierung von Daten verspricht man sich in diesem Bereich in jüngerer Zeit große Erfolge durch den Einsatz neuronaler Netze. Allerdings wurden die hierfür vorgeschlagenen Typen neuronaler Netze bisher nur zum Teil realisiert und evaluiert. Insbesondere dem Vergleich der Leistungsfähigkeit der neuronalen Netze mit den traditionellen Ansätzen wurde bisher keine ausreichende Aufmerksamkeit geschenkt.
Ziel der vorliegenden Arbeit ist es, dieses Defizit zumindest teilweise durch den Vergleich eines Segmentierungsansatzes auf Basis der Kohonen Self-Organizing Feature Maps mit der Klassifikationsleistung hierarchischer bzw. nicht-hierarchischer Clusteranalysen zu verringern. Die auf Basis simulierter Daten erzielten Ergebnisse legen nahe, die traditionellen Ansätze geeignet mit den neueren Methoden zu kombinieren, beispielsweise durch die Schätzung der Clusteranzahl mittels hierarchischer Analysen sowie die anschließende Zuordnung von Beobachtungen zu Segmenten mit Hilfe neuronaler Netze.
Inhaltsübersicht:
Problemstellung
1.1 Segmentierung von Daten
1.2 Grundsätzliches zur Problematik bei Verfahrensvergleichen
1.3 Praktische Relevanz
1.4 Zielsetzung und Aufbau der Arbeit
2. Grundlagen konnektionistischer Analyseverfahren
2.1 Entwicklungsgeschichte
2.2 Konnektionistische Netztopologien und Lernalgorithmen
2.3 Darstellung ausgewählter Einsatzbereiche für konnektionistische Analyseverfahren
3. Analytische Vorgehensweise
3.1 Segmentierung von Daten
3.2 Prognose der Segmentzugehörigkeit
3.3 Auswahl geeigneter Daten und Gütekriterien für den Verfahrensvergleich
4. Stand der Forschung
4.1 Segmentierung von Daten
4.2 Prognose der Segmentzugehörigkeit
4.3 Tabellarischer Literaturüberblick
5. Durchführung des Verfahrensvergleichs
5.1 Generierung der verwendeten Ausgangsdaten
5.2 Anmerkungen zur eingesetzten Analysesoftware
5.3 Verfahrensvergleich von Segmentierungsansätzen
5.4 Prognose der Segmentzugehörigkeit
6. Ergebnisüberblick
7. Zusammenfassung, Konsequenzen für die Praxis und Ausblick
Neben den zahlreichen traditionellen Ansätzen zur Segmentierung von Daten verspricht man sich in diesem Bereich in jüngerer Zeit große Erfolge durch den Einsatz neuronaler Netze. Allerdings wurden die hierfür vorgeschlagenen Typen neuronaler Netze bisher nur zum Teil realisiert und evaluiert. Insbesondere dem Vergleich der Leistungsfähigkeit der neuronalen Netze mit den traditionellen Ansätzen wurde bisher keine ausreichende Aufmerksamkeit geschenkt.
Ziel der vorliegenden Arbeit ist es, dieses Defizit zumindest teilweise durch den Vergleich eines Segmentierungsansatzes auf Basis der Kohonen Self-Organizing Feature Maps mit der Klassifikationsleistung hierarchischer bzw. nicht-hierarchischer Clusteranalysen zu verringern. Die auf Basis simulierter Daten erzielten Ergebnisse legen nahe, die traditionellen Ansätze geeignet mit den neueren Methoden zu kombinieren, beispielsweise durch die Schätzung der Clusteranzahl mittels hierarchischer Analysen sowie die anschließende Zuordnung von Beobachtungen zu Segmenten mit Hilfe neuronaler Netze.
Inhaltsübersicht:
Problemstellung
1.1 Segmentierung von Daten
1.2 Grundsätzliches zur Problematik bei Verfahrensvergleichen
1.3 Praktische Relevanz
1.4 Zielsetzung und Aufbau der Arbeit
2. Grundlagen konnektionistischer Analyseverfahren
2.1 Entwicklungsgeschichte
2.2 Konnektionistische Netztopologien und Lernalgorithmen
2.3 Darstellung ausgewählter Einsatzbereiche für konnektionistische Analyseverfahren
3. Analytische Vorgehensweise
3.1 Segmentierung von Daten
3.2 Prognose der Segmentzugehörigkeit
3.3 Auswahl geeigneter Daten und Gütekriterien für den Verfahrensvergleich
4. Stand der Forschung
4.1 Segmentierung von Daten
4.2 Prognose der Segmentzugehörigkeit
4.3 Tabellarischer Literaturüberblick
5. Durchführung des Verfahrensvergleichs
5.1 Generierung der verwendeten Ausgangsdaten
5.2 Anmerkungen zur eingesetzten Analysesoftware
5.3 Verfahrensvergleich von Segmentierungsansätzen
5.4 Prognose der Segmentzugehörigkeit
6. Ergebnisüberblick
7. Zusammenfassung, Konsequenzen für die Praxis und Ausblick