9783339139467 - causal inference and causal machine learning for data-driven management: applications in corporate finance and marketing (schriftenreihe innovative betriebswirtschaftliche forschung und praxis) de wasserbacher, helmut (1 resultados)
- Tapa blanda
- Primera edición
Librería: Verlag Dr. Kovac GmbH, Hamburg, AlemaniaVerlag Dr. Kovac GmbH
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 98,80
Envío por EUR 17,60Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 5 disponibles
Softcover. Condición: neu. 1. Auflage. - in englischer Sprache - Schriftenreihe innovative betriebswirtschaftliche Forschung und Praxis, Band 578 360 pages. -------------------------------------------------------------------------------------------------------------------------------------------------------------------- REZENSIO…N in: Ãsterreichische Zeitschrift für Kartellrecht, ÃZK 2024 / Heft 5, S. 201-203: "[.] Die Verfügbarkeit unfassbar umfassender und vielfältiger Datensätze (big data) kann sich als Segen und Fluch zugleich erweisen, wie die vorliegende Dissertation eines international agierenden Managers zeigt, der selbst an der Schnittstelle von Naturwissenschaft, Finanzen und prädiktiven Technologien sitzt. [.] Wasserbacher warnt [.] vor [.] einer kritiklosen Anwendung derartiger Techniken und Werkzeuge. Denn ansonst kann es zu fragwürdigen Schlussfolgerungen kommen, sofern dem datengetriebenen Management keine Werkzeuge zur Erstellung passender Kausalfragen und zur Ãberprüfung von deren Anwendung zugrunde liegen, um die entsprechende Anwendungspraxis begleiten und bei Bedarf lenken zu kà nnen. [.] Werden die einschlägigen Werkzeuge quasi "von der Stange" - also ohne sie den konkreten Umständen und Erfordernissen anzupassen - angewandt, so kà nnen die auf ihnen basierenden unternehmerischen Entscheidungen scheitern. [.] Während Wasserbacher die Entstehung der drei Forschungsarbeiten aus dem "Innenleben eines Unternehmens" unterstreicht, sieht er zum Thema KI-Regulierung groÃe Relevanz für die Leser(innnen) der ÃZK, zumal mit dem bereits oben erwähnten EU AI Act "die weltweit erste 'horizontale' KI-Regulierung und Aufsichtspflicht eingeführt" werde, was aber Hintergrundwissen über KI als Technologie erforderlich mache. [.] Die hier vermittelten Einsichten aus der vordersten Front eines Managers kà nnen dabei wertvolle Dienste leisten." -------------------------------------------------------------------------------------------------------------------------------------------------------------------- The availability of large amounts of data, coupled with artificial intelligence and machine learning as suitable techniques to exploit them, has led to increasing interest in data-driven management. Data are turned into insights, and insights into management decisions. In the midst of this passion for artificial intelligence, practitioners must remain aware that most machine learning methods maximize predictive performance. This is not the same as identifying causal patterns. Outside a valid causal framework, machine learning will lead to flawed conclusions about causal effects, and thus to incorrect decisions. Data-driven management requires appropriate tools for causal questions. This book discusses in-depth three concrete examples in the areas of corporate finance and marketing. In financial forecasting, planning and analysis (FP&A), machine learning appears well suited for the highly automated extraction of information from large amounts of data. However, FP&A practitioners need to distinguish between forecasting tasks and tasks related to planning and resource allocation. Off-the-shelf machine learning typically fails for causal inference and is not suited for planning and resource allocation. In pharma marketing, the field force traditionally plays an important role. However, does a traditional field force still add value in an otherwise digital and virtual marketing mix? To answer this question, the impact of a field force within an omnichannel strategy is evaluated in a business experiment. The third use case applies double machine learning to the capital structure puzzle and credit ratings. Double machine learning performs data-driven variable selection out of a large set of individual company characteristics and models their relationship with leverage and credit ratings without any strong assumption about the underlying functional form. This allows to quantify the causal effect of credit ratings, along the rating scale, on the leverage ratio.
