Volltext-Downloads (blau) und Frontdoor-Views (grau)

Einbindungsmöglichkeiten ML-gestützter Churn Analysen in die BI Software Qlik

  • Diese Masterarbeit untersucht, wie sich Churn Predictions mit der Business-Intelligence-Software Qlik realisieren lassen. Churn, also die Abwanderung von Kunden, stellt für viele Unternehmen eine erhebliche Herausforderung dar. Durch präzise Vorhersagen dieser Abwanderungen können Unternehmen proaktiv Maßnahmen ergreifen, um Kunden zu halten und ihre Geschäftsziele zu erreichen. Im ersten TeilDiese Masterarbeit untersucht, wie sich Churn Predictions mit der Business-Intelligence-Software Qlik realisieren lassen. Churn, also die Abwanderung von Kunden, stellt für viele Unternehmen eine erhebliche Herausforderung dar. Durch präzise Vorhersagen dieser Abwanderungen können Unternehmen proaktiv Maßnahmen ergreifen, um Kunden zu halten und ihre Geschäftsziele zu erreichen. Im ersten Teil der Arbeit wurde untersucht, wie Churn Predictions mittels Machine Learning durchgeführt werden können. Hierbei kam eine binäre Klassifikation zum Einsatz, um die Klassen „Churner“ und „No-Churner“ zu unterscheiden. Reale Daten der Firma Sauber Energie GmbH & Co. KG dienten als Grundlage für die Vorhersagen. Verschiedene Machine-Learning-Modelle wurden trainiert und evaluiert, wobei das LightGBM-Modell mit einem F1-Score von 94% das beste Ergebnis lieferte. Im zweiten Teil der Arbeit lag der Fokus auf der praktischen Umsetzung und Integration der Churn Predictions in Qlik. Drei verschiedene Methoden wurden evaluiert: Qlik Auto-ML, Qlik Sense Server-Side Extension und die Dateiablage. Jede dieser Methoden ermöglicht es, Churn Predictions in Qlik zu realisieren, wobei die Vor- und Nachteile stark von den technischen Besonderheiten der jeweiligen Methode abhängen. Für die Umsetzung eines Churn Dashboards bei Sauber Energie erwies sich die Dateiablage aufgrund der geringsten Implementierungshürde als am geeignetsten. Die Ergebnisse dieser Arbeit zeigen, dass die Integration von Churn Predictions in Qlik ein wertvolles Werkzeug für Unternehmen darstellt. Es ermöglicht ihnen, präzise Vorhersagen zu treffen und darauf aufbauend das Churnverhalten zu analysieren.show moreshow less

Download full text files

  • Masterthesis_Schaefer_Maximilian.pdf
    deu

Export metadata

Statistics

frontdoor_oas
Metadaten
Document Type:Master's Thesis
Zitierlink: https://opus.hs-offenburg.de/8960
Bibliografische Angaben
Title (German):Einbindungsmöglichkeiten ML-gestützter Churn Analysen in die BI Software Qlik
Author:Maximilian Schäfer
Advisor:Steffen Schlager, Christian Riffner
Year of Publication:2024
Publishing Institution:Hochschule Offenburg
Granting Institution:Hochschule Offenburg
Contributing Corporation:Novofactum GmbH
Place of publication:Offenburg
Publisher:Hochschule Offenburg
Page Number:IV, 85
Language:German
Inhaltliche Informationen
Institutes:Fakultät Wirtschaft (W)
Collections of the Offenburg University:Abschlussarbeiten / Master-Studiengänge / WINM
DDC classes:300 Sozialwissenschaften / 330 Wirtschaft
GND Keyword:Business Intelligence; Maschinelles Lernen
Tag:Churn; Machine Learning; Qlik
Formale Angaben
Open Access: Closed Access 
Licence (German):License LogoCreative Commons - CC BY - Namensnennung 4.0 International