Details

Autor(en) / Beteiligte

• Schneider, Tobias

Titel

Preference-Based-Recommender-Systeme : Individuelle neuronale Präferenzmodellierung am Beispiel von Investmentfonds [electronic resource]

Auflage

1st ed. 2005

Ort / Verlag

Wiesbaden : Deutscher Universitätsverlag

Erscheinungsjahr

2005

Link zum Volltext

• SpringerLink Books - AutoHoldings

Beschreibungen/Notizen

• Description based upon print version of record.
• 1 Einleitung -- 2 Einordnung als Recommender System -- 2.1 Hintergrund der Entwicklung von Recommender Systemen -- 2.2 Nutzen von Recommender Systemen -- 2.3 Typen von Recommender Systemen -- 3 Methodische Grundlagen eines PBRS -- 3.1 Fundierung in der experimentellen Wirtschaftsforschung -- 3.2 Kompositionelle und dekompositionelle Ansätze -- 3.3 Bestimmung relevanter Eigenschaften -- 3.4 Entscheidungsmodelle und PBRS -- 3.5 Zweistufiger Präferenzbildungsprozeß -- 3.6 Experimentelles Design -- 3.7 Präferenzmessung und Skalierung -- 3.8 Gütekriterien bei der Berechnung von Präferenzfunktionen -- 3.9 Präferenzmodellierung mittels Conjoint Analyse -- 3.10 Präferenzmodellierung mit Neuronalen Netzen -- 3.11 Validitätsvergleich mit Artificial Data -- 4 Grundlagen eines PBRS für Investmentfonds -- 4.1 Rahmenbedingungen für eine Online-Anlageberatung -- 4.2 Anlageberatung — Ausgangspunkte und Qualitätsdefizite -- 4.3 Portfolio-Theorie als Leitlinie der Anlageberatung -- 4.4 Operationalisierungen von Rendite und Risiko -- 5 cliXXon — ein PBRS für Investmentfonds -- 5.1 Technische und organisatorische Grundlagen von cliXXon -- 5.2 Empfehlungsprozeß bei cliXXon -- 5.3 Ergebnisse der Analyse -- 5.4 Implikationen -- 6 Zusammenfassung und Ausblick.
• Die Vorlieben der Kunden zu kennen zählt zu den wichtigsten Voraussetzungen für eine erfolgreiche Produktpolitik, und ihre Messung ist ein zentrales Thema der Marketingforschung. Tobias Schneider stellt einen neuen Typus von Recommender-Systemen vor, der auf der Modellierung von Präferenzen in experimentellen Designs beruht und bei dem neuronale Netze als neue, flexible Methode der Präferenzmodellierung fungieren. In einer Beispielapplikation untersucht er die Eignung seines Ansatzes als Empfehlungssystem für Investmentfonds, wobei die Rendite-Risiko-Trade-Offs von Kapitalanlegern im Vordergrund stehen. Die Ergebnisse erlauben eine trennscharfe Segmentierung der Anleger und geben wichtige Hinweise zur Gestaltung des Marketing-Mix für Investmentfonds. Darüber hinaus werden weitere interessante Aspekte deutlich, z.B. der Zusammenhang zwischen den ermittelten Präferenzen und der Entwicklung auf den Kapitalmärkten.
• German