Preference-Based-Recommender-Systeme: Individuelle neuronale Präferenzmodellierung am Beispiel von Investmentfonds

شناخت ترجیحات مشتری یکی از مهم ترین پیش نیازهای یک خط مشی محصول موفق است و اندازه گیری آن موضوع اصلی در تحقیقات بازاریابی است.

توبیاس اشنایدر نوع جدیدی از سیستم توصیه کننده را ارائه می دهد که بر اساس مدل‌سازی ترجیحات در طرح‌های تجربی و در آن شبکه‌های عصبی به عنوان یک روش جدید و انعطاف‌پذیر برای مدل‌سازی ترجیح عمل می‌کنند. در یک برنامه نمونه، او مناسب بودن رویکرد خود را به عنوان یک سیستم توصیه برای صندوق‌های سرمایه‌گذاری بررسی می‌کند، با توجه به معاوضه ریسک و بازده سرمایه‌گذاران. نتایج به تقسیم بندی روشن سرمایه گذاران اجازه می دهد و اطلاعات مهمی در مورد طراحی آمیخته بازاریابی برای صندوق های سرمایه گذاری ارائه می دهد. علاوه بر این، جنبه های جالب دیگری نیز مشخص می شود، به عنوان مثال ارتباط بین ترجیحات تعیین شده و توسعه در بازارهای سرمایه.

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.