Im weiteren Sinne sind Algorithmen „Schritt für Schritt Anleitungen“, die zu einem bestimmten Ziel führen sollen. Das Wort Algorithmus wird meist in Verbindung mit mathematischen Objekten verwendet. Die einzelnen Schritte eines Algorithmus sind in der Regel mathematische Operationen. Durch die Übersetzung dieser Operationen in einen Softwarecode entsteht ein funktionierender Algorithmus. Es gibt regelbasierte Algorithmen und nicht-regelbasierte Algorithmen. Ersteres sind von Menschen festgelegte, statische Regeln. Letzteres sind Algorithmen, die auf maschinellem Lernen (einem Teilbereich der künstlichen Intelligenz) basieren.

Der Begriff der Attrition oder Abwanderungsrate kommt aus den Wirtschaftswissenschaften und beschreibt den Rückgang der Zahl der Käufer eines Produkts oder einer Dienstleistung, z. B. aufgrund des Alters des Produkts oder des verstärkten Wettbewerbs.

Der Begriff Big Data stammt aus der englischen Sprache und bedeutet übersetzt “große Datenmenge” oder “Massendaten”. Diese Daten sind entweder zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert, um sie mit manuellen Methoden der Datenverarbeitung auszuwerten.

Der Begriff Black-Box Machine Learning meint den Teil des maschinellen Lernens, bei dem die Algorithmen Entscheidungen treffen, ohne dass der Entscheidungsfindungsweg für die das System nutzende Menschen nachvollziehbar, einsehbar oder transparent ist.

Eine Business-to-Business Geschäftsbeziehung besteht zwischen zwei oder mehreren Unternehmen. Ihr gegenüber steht eine Business-to-Consumer (B2C) Beziehung, bei der eine Geschäftsbeziehung zwischen einem Unternehmen und einem Endkunden umschrieben wird.

Die Churn Rate oder Abwanderungsrate gibt an, wie viele Kunden eines Unternehmens über einen bestimmten Zeitraum im Vergleich zum bestehenden Kundenstamm gegangen sind.

Clustering ist ein Überbegriff für verschiedene Methoden, die zum unüberwachten Lernen zählen und damit eine gängige Technik für die statistische Datenanalyse. In der Datenwissenschaft wird sie genutzt, um wertvolle Erkenntnisse aus unseren Daten zu gewinnen. Mit Hilfe dieser Methode sollen Gruppen gefunden werden, bei denen sich die Elemente innerhalb eine Gruppe sehr ähnlich sind (Kohärenz), während die Gruppen sich gegenseitig so stark wie möglich unterscheiden sollten (Isoliertheit).

Cross-Selling oder Querverkauf beschreibt das bestehende Potenzial ein weiteres Produkt oder eine weitere Dienstleistung an einen Kunden zu verkaufen, der bereits ein anderes Produkt oder eine andere Dienstleistung kauft.

Der Customer Lifetime Value oder Kundenlebenswert ist der Barwert der zukünftigen Cashflows, die der Kundenbeziehung zugeschrieben werden. Er wird auch beschrieben als der Gesamtwert eines Kunden für ein Unternehmen während der gesamten Dauer seiner Geschäftsbeziehung.

Beim Deep Learning oder tiefergehenden Lernen erhält der Algorithmus Rohdaten und entscheidet selbst, welche Merkmale relevant sind. Es ist ein Zweig des maschinellen Lernens, der neuronale Netze mit vielen Schichten verwendet. Ein solches tiefes neuronales Netzwerk analysiert Daten ähnlich wie ein Mensch ein Problem betrachten würde.

Ein Entscheidungsbaum ist ein Diagramm, welches verwendet werden kann, um eine Vorgehensweise zu bestimmen, die die statistische Wahrscheinlichkeiten eines zuvor festgelegten Ereignisses aufzeigt. Aufgrund seiner Ähnlichkeit mit der namensgebenden Pflanze wird das Diagramm als Entscheidungsbaum bezeichnet, der normalerweise als vertikales Diagramm oder mit Zweigen dargestellt wird. Basierend auf der Entscheidung selbst repräsentiert jeder “Zweig” des Entscheidungsbaums eine mögliche Entscheidung.

Dynamic Pricing oder dynamische Preissetzung bezeichnet ein Verfahren zur Festsetzung des Preises für ein Produkt oder eine Dienstleistung, bei dem sich der Preis danach richtet, welche Merkmale der potenzielle Käufer hat, oder welche Umstände (zum Beispiel Nachfrage- und Wettbewerbssituation) gerade vorherrschen.

Kausalität ist die Beziehung zwischen Ursache und Wirkung. Dies ist die Abfolge von Ereignissen und Zuständen, die sich aufeinander beziehen. Daher ist A die Ursache der Wirkung B und B wird von A verursacht.

Eine Korrelation misst die Stärke einer statistischen Beziehung zwischen Variablen. Im Fall einer positiven Korrelation gilt “je mehr Variable A,desto mehr B” oder umgekehrt, bei einer negativen Korrelation „je mehr Variable A,desto weniger Variable B“.

Das Gebiet der künstlichen Intelligenz umfasst die Erforschung und Konstruktion intelligenter Systeme (intelligent agents), die ihre Umwelt wahrnehmen und handeln, um ihre Erfolgschancen zu maximieren. Oft wird sie auch als Wissenschaft beschrieben, die Maschinen Dinge tun lässt, die bei menschlicher Ausführung Intelligenz erfordern würden.

Maschinelles Lernen ist der Prozess, bei dem Computer die Art und Weise, wie sie Aufgaben ausführen, durch Lernen aus neuen Daten ändern, ohne dass ein Mensch Anweisungen in Form eines Programms geben muss. Hierbei imitieren Algorithmen die Art und Weise, wie Menschen lernen und verbessern auf diese Weise schrittweise ihre Genauigkeit.

Der Bereich der prädiktiven Analytik versucht, mit Hilfe verschiedener Techniken wie Data Mining, Modellierung, maschinellem Lernen und anderen aus Vergangenheitsdaten Vorhersagen über die Zukunft zu treffen.

Die prädiktive Vertriebs Analytik ist ein Unterbereich der Prädiktiven Analytik, der sich ausschließlich auf Prognosen im Bereich des Vertriebs bezieht.

Die Random Forest Methode ist ein Algorithmus aus der Reihe der Klassifizierungs- und Regressionsverfahren, der eine Kombination vieler verschiedener Entscheidungsbäume nutzt, um die bestmögliche Entscheidung treffen zu können.

Überwachtes Lernen ist eine Unterkategorie des maschinellen Lernens. Beim überwachten Lernen gibt es in der Regel eine Ergebnisvariable, die den Lernprozess steuert. Es zeichnet sich insbesondere dadurch aus, dass markierte Datensätze verwendet werden, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse genau vorhersagen können. Es gibt mehrere überwachte Algorithmen für maschinelles Lernen wie Entscheidungsbäume, K-Nearest Neighbour (KNN), Support Vector Machines (SVM) und Random Forests.

Im Gegensatz zum überwachten Lernen, bei dem es eine Ergebnisvariable gibt, die den Lernprozess leitet, werden beim unüberwachten Lernen Modelle nicht beschrifteten Daten ohne vordefinierte Klassen oder Beispiele erstellt. Das bedeutet, dass kein “Supervisor” zur Verfügung steht und das Lernen sich auf heuristische Anleitungen stützen muss, die das System durch die Untersuchung von verschiedene Beispieldaten oder die Umgebung generiert. Diese Algorithmen entdecken somit versteckte Muster oder Datengruppierungen, ohne dass ein menschliches Eingreifen erforderlich ist.