300 Sozialwissenschaften
Refine
Document Type
- Article (reviewed) (7)
- Working Paper (7)
- Contribution to a Periodical (5)
- Book (1)
- Part of a Book (1)
- Article (unreviewed) (1)
- Report (1)
Has Fulltext
- yes (23) (remove)
Is part of the Bibliography
- yes (23) (remove)
Keywords
- Bildungsmanagement (3)
- Corona (3)
- Entrepreneurship (3)
- COVID-19 (2)
- Social Media (2)
- Abopreise (1)
- Angemessene Information (1)
- BI-System (1)
- Bio-Siegel (1)
- Branding (1)
Institute
Bei vielen Marketingthemen geht es nicht nur um die Vermittlung eines konkreten Kundennutzens, mit dem aufgezeigt wird, welches Problem mit dem beworbenen Produkt – seien es nun Sachgüter oder Dienstleistungen – gelöst werden kann, sondern um die emotionale Ansprache der Zielgruppen. Dabei ist es keineswegs nur eine Kommunikationsaufgabe, sondern die Produktkonzeption und die Gesamtausrichtung des Marketings verändern sich so, dass eine Teilhabe am Produkt, der Produktentwicklung und der Produktidee möglich wird.
Für viele Studierende sind Vorkurse der erste Kontakt zu Hochschullehre und Mitstudierenden. Wie kann der fachliche Einstieg in einem digitalen Lehrformat trotz fehlender Präsenz gelingen und persönliche Unterstützung, ein erstes Kennenlernen und soziale Eingebundenheit gefördert werden? Diesem Erkenntnisinteresse folgend stellt der folgende Beitrag ein digitales Brückenkursformat mit Elementen zur Interaktion, Kommunikation und Kollaboration vor, das mit ca. 400 Studierenden in zehn Kursen mit acht Lehrbeauftragten umgesetzt und entlang der o.g. Frage evaluiert wurde. Um den Transfer auf andere Lehrveranstaltungen zu erleichtern, wurde das Konzept in ein didaktisches Entwurfsmuster übertragen.
Prediction of Claims in Export Credit Finance: A Comparison of Four Machine Learning Techniques
(2020)
This study evaluates four machine learning (ML) techniques (Decision Trees (DT), Random Forests (RF), Neural Networks (NN) and Probabilistic Neural Networks (PNN)) on their ability to accurately predict export credit insurance claims. Additionally, we compare the performance of the ML techniques against a simple benchmark (BM) heuristic. The analysis is based on the utilisation of a dataset provided by the Berne Union, which is the most comprehensive collection of export credit insurance data and has been used in only two scientific studies so far. All ML techniques performed relatively well in predicting whether or not claims would be incurred, and, with limitations, in predicting the order of magnitude of the claims. No satisfactory results were achieved predicting actual claim ratios. RF performed significantly better than DT, NN and PNN against all prediction tasks, and most reliably carried their validation performance forward to test performance.