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.

Nach dem Kurs können Sie qualifizierte Customer-Profiling-Ansätze mit IBM SPSS Statistics sicher einsetzen. Insbesondere die Interpretation der Ergebnisse wird für Sie kein Problem mehr dar- stellen.

Interessant für ... alle, die mehr über ihre Kunden wissen möchten, ihre Kundendaten professioneller nutzen und Kundenbeziehungen durch eine stärkere Kundenfokussierung individualisieren möchten. Die Kenntnis von Kundenprofilen, die Erstellung und Anwendung von Modellen zur (Neu-) Kundenklassifikation sowie die Definition von Entscheidungsregeln bilden eine wirkungsvolle Grundlage für gezielte Kundenansprachen, für die Beurteilung des Kundenverhaltens, ein intelligentes Kampagnenmanagement oder für eine zuverlässige Prognose des Kundenwertes.

• 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)

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