IBM - Customer Profiling mit IBM SPSS Statistics

KURSZIEL
IBM - Customer Profiling mit IBM SPSS Statistics: Interessant für ... _x000D_

_x000D_

... alle, die mehr über ihre Kunden wissen möchten, ihre Kundendaten professioneller nutzen und Kundenbeziehungen _x000D_

_x000D_

durch eine stärkere Kundenfokussierung individualisieren möchten. Die Kenntnis von Kundenprofilen, die Erstellung und Anwendung von Modellen zur (Neu-) Kundenklassifikation sowie die Definition _x000D_

_x000D_

von Entscheidungsregeln bilden eine wirkungsvolle Grundlage für gezielte Kundenansprachen, für die Beurteilung des Kundenverhaltens, ein intelligentes Kampagnenmanagement oder für eine zuverlässige Prognose des Kundenwertes._x000D_

_x000D_

ZIELGRUPPE
Interessant für ... _x000D_

_x000D_

... alle, die mehr über ihre Kunden wissen möchten, ihre Kundendaten professioneller nutzen und Kundenbeziehungen _x000D_

_x000D_

durch eine stärkere Kundenfokussierung individualisieren möchten. Die Kenntnis von Kundenprofilen, die Erstellung und Anwendung von Modellen zur (Neu-) Kundenklassifikation sowie die Definition _x000D_

_x000D_

von Entscheidungsregeln bilden eine wirkungsvolle Grundlage für gezielte Kundenansprachen, für die Beurteilung des Kundenverhaltens, ein intelligentes Kampagnenmanagement oder für eine zuverlässige Prognose des Kundenwertes._x000D_

_x000D_

KURSINHALT
Mit verschiedenen Algorithmen von Entscheidungsbäumen und komplexen Modellansätzen aus Statistik und Data Mining werden die wichtigsten Methoden zur statistischen Profilierung, Modellierung und Regeldefinition vorgestellt. Dabei kommen die Module IBM SPSS Regression und IBM SPSS Decision Trees zum Einsatz. Die Durchführung der Analysen erfolgt jeweils anhand von praktischen Business Cases.
Themenübersicht

• Die Module IBM SPSS Decision Trees und IBM SPSS Regression
• Komplexe Methoden aus Statistik und Data Mining zur Charakterisierung von Zielgruppen
• Vorbereitung der Daten: Balancieren bei schiefen Verteilungen, Splitting in Trainings- und Testdaten
• Modellbau mit der binär logistischen und der multinomial logistischen Regression
• Gütekriterien der logistischen Regressionsmodelle
• Beurteilung der Qualität von Prognosefaktoren
• Validierung der Ergebnisse
• Entscheidungsbaummodelle
• CHAID- und C&RT-Algorithmus
• Split-Kriterien, Chi2-Maß und Gini-Index
• Gains Charts
• Anwendung des Prognosemodells zur Kundenselektion
• Erfolgskontrolle (Post-Processing)

VORRAUSSETZUNG
Kenntnisse im Umgang mit IBM SPSS Statistics und Erfahrungen zu Grundlagen der Statistik sind empfehlenswert._x000D_

_x000D_