Year: 2020
Author: Gebhardt, Marcel
Der Betriebswirt, Vol. 61 (2020), Iss. 3 : pp. 185–192
Abstract
Summary
In market intelligence practice, there is a certain lack of clarity regarding the differences and use of the concepts of (causal) explanation and (empirical) prediction. It is often assumed that models with a high explanatory power are suitable for prediction as well. This paper tries to question this understanding by discussing the differences between explanation and prediction.
Zusammenfassung
In der Market Intelligence-Praxis ist eine gewisse Unklarheit hinsichtlich der Unterschiede und der Verwendung der Konzepte der (kausalen) Erklärung und (empirischen) Prognose festzustellen. Häufig wird angenommen, dass Modelle mit einer hohen Erklärungskraft auch per se für die Prognose geeignet sind; d.h. häufig wird kausale Erklärung mit empirischer Prognose gleichgesetzt. Dieses Verständnis versucht der Beitrag durch Diskussion der Unterschiede zwischen Erklärung und Prognose in Frage zu stellen und herauszustellen, weshalb eine differenzierte Behandlung beider Zielrichtungen in der Praxis häufig von zentraler Bedeutung sein kann.
You do not have full access to this article.
Already a Subscriber? Sign in as an individual or via your institution
Journal Article Details
Publisher Name: Global Science Press
Language: German
DOI: https://doi.org/10.3790/dbw.61.3.185
Der Betriebswirt, Vol. 61 (2020), Iss. 3 : pp. 185–192
Published online: 2020-07
AMS Subject Headings: Duncker & Humblot, Deutscher Betriebswirte-Verlag GmbH
Copyright: COPYRIGHT: © Global Science Press
Pages: 7
Author Details
-
Aggarwal, C. (2018): Neural Networks and Deep Learning, Basel.
Google Scholar -
Ahn, J.-H./Han, S.-P./Lee, Y.-S. (2006): Customer churn analysis: Churn determinants and mediation effects of partial defection in the Korean mobile telecommunications service industry, in: Telecommunications Policy, 30, S. 552–568.
Google Scholar -
Alpaydin, E. (2014): Introduction to machine learning, 3. Aufl., Cambridge.
Google Scholar -
Cepeda Carrión, G./Henseler, J./Ringle, C./Roldán, J. (2016): Prediction-oriented modeling in business research by means of PLS path modeling, Introduction to a JBR special section, in: Journal of Business Research, 69, 10, S. 4545–4551.
Google Scholar -
Hastie, T./Tibshirani, R./Friedman, J. (2009): The elements of statistical learning, Data mining, inference, and prediction, 2. Aufl., New York.
Google Scholar -
Shmueli, G. (2010): To Explain or to Predict?, in: Statistical Science, 25, 3, S. 289–310.
Google Scholar -
Shmueli, G./Koppius, O. (2011): Predictive Analytics in Information System Research, in: MIS Quarterly, 35, 3, S. 553–572.
Google Scholar -
Shmueli, G./Sarstedt, M./Hair, J./Cheah, J.-H./Ting, H./Vaithilingam, S./Ringle, C. (2019): Predictive model assessment in PLS-SEM: guidelines for using PLSpredict, in: European Journal of Marketing, 53, 11, S. 2322–2347.
Google Scholar -
Vafeiadis, T./Diamantaras, K./Sarigiannidis, G./Chatzisavvas, K. (2015): A comparison of machine learning techniques for customer churn prediction, in: Simulation Modelling Practice and Theory, 55, S. 1–9.
Google Scholar
| Section Title | Page | Action | Price |
|---|---|---|---|
| Marcel Gebhardt: Market Intelligence: erklären oder prognostizieren? | 1 | ||
| Summary | 1 | ||
| Zusammenfassung | 1 | ||
| Verständnis kausaler Erklärung | 2 | ||
| Verständnis empirischer Prognose | 3 | ||
| Kausale Erklärung vs. empirische Prognose | 3 | ||
| Beispiel: Kundenabwanderungsanalyse | 5 | ||
| Ausblick | 6 | ||
| Literatur | 7 |