Literatur vom gleichen Autor/der gleichen Autor*in
plus bei Google Scholar

Bibliografische Daten exportieren
 

Machine Learning and Technostress as Important Aspects for Improving the Performance of Data Scientists in Contemporary Marketing Contexts

Titelangaben

Derra, Nicholas Daniel:
Machine Learning and Technostress as Important Aspects for Improving the Performance of Data Scientists in Contemporary Marketing Contexts.
Bayreuth , 2021 . - IX, 204 S.
( Dissertation, 2021 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00005398

Volltext

Link zum Volltext (externe URL): Volltext

Abstract

Based on recent developments caused by the big data revolution, data science has massively increased its importance for businesses. Within the marketing context, various types of customer data have become available in enormous amounts and need to be processed as efficiently as possible for creating valuable knowledge. Therefore, data scientists’ performance has become crucial for marketing departments to achieve competitive advantages in the modern highly digitalized economy.
Within the raising field of data science, machine learning has become an outstanding trend since these approaches are able to automatically solve numerous classification and prediction problems with enormous performance. Thus, machine learning is seen as a key technology which will radically transform business practice in the future. Even though machine learning has already been applied to various marketing tasks, research is still at an early stage requiring further investigations of how marketing can successfully benefit from machine learning applications.
Besides these data-driven opportunities provided by digitalization, technostress has evolved into an enormous downside of digitalized workplaces, leading to a significant decrease in employees’ performance. However, existing research lacks to provide evidence about different coping strategies and their potential to support employees in overcoming technostress. Furthermore, research currently fails to consider technostress regarding both highly digitalized occupational groups like data scientists and respective workplace environments for providing a deeper understanding of how employees suffer from stress caused by the use of digital technologies.
Due to these recent challenges for data scientists, this cumulative thesis provides useful insights and new opportunities by focusing on machine learning and technostress issues as two aspects which promise major potentials for enhancing data scientists’ performance in today’s marketing contexts. Five research papers are included for effectively tackling both fields of research: three papers deliver both methodological and empirical findings for extending machine learning in marketing research by examining model architectures as well as applying machine learning to recent marketing problems. In addition, two research papers contribute to research by providing knowledge about technostress issues of data scientists as a heterogeneous and highly digitalized occupational group as well as examining different coping strategies for effectively overcoming stress due to the use of digital technologies. Beyond that, the findings deliver practical implications for marketing managers who aim to improve the performance of data scientists in a contemporary marketing environment.

Abstract in weiterer Sprache

Aufgrund der jüngsten Entwicklungen, die durch die Big Data Revolution verursacht wurden, hat die Bedeutung von Data Science für Unternehmen massiv zugenommen. Im Marketingkontext sind verschiedene Arten von Kundendaten in enormen Mengen verfügbar und müssen so effizient wie möglich verarbeitet werden, um wertvolles Wissen zu schaffen. Daher ist die Leistung von Data Scientists für Marketingabteilungen entscheidend geworden, um in der modernen hochdigitalisierten Wirtschaft Wettbewerbsvorteile zu erzielen.
Innerhalb des aufstrebenden Feldes Data Science hat sich das maschinelle Lernen zu einem herausragenden Trend entwickelt, da diese Ansätze in der Lage sind, zahlreiche Klassifizierungs- und Vorhersageprobleme mit enormer Performance automatisch zu lösen. Daher wird maschinelles Lernen als eine Schlüsseltechnologie angesehen, die die Geschäftspraxis in Zukunft radikal verändern wird. Auch wenn maschinelles Lernen bereits auf verschiedene Marketingaufgaben angewandt wurde, befindet sich die Forschung noch in einem frühen Stadium, sodass weitere Untersuchungen erforderlich sind, wie das Marketing erfolgreich von Anwendungen des maschinellen Lernens profitieren kann.
Neben diesen datengetriebenen Möglichkeiten, die die Digitalisierung bietet, hat sich Technostress zu einem enormen Nachteil digitalisierter Arbeitsplätze entwickelt, der zu einem signifikanten Leistungsabfall der Mitarbeiter führt. Allerdings fehlt es in der bisherigen Forschung an Erkenntnissen über verschiedene Bewältigungsstrategien und deren Potenzial, Mitarbeiter bei der Bewältigung von Technostress zu unterstützen. Darüber hinaus versäumt es die Forschung derzeit, Technostress sowohl in Bezug auf hoch digitalisierte Berufsgruppen wie Data Scientists als auch in Bezug auf die jeweiligen Arbeitsplatzumgebungen zu betrachten, um ein tieferes Verständnis dafür zu erlangen, wie Mitarbeiter unter dem durch die Nutzung digitaler Technologien verursachten Stress leiden.
Aufgrund dieser aktuellen Herausforderungen für Data Scientists bietet diese kumulative Dissertation nützliche Einblicke und neue Möglichkeiten, indem sie sich auf maschinelles Lernen und Technostress als zwei wesentliche Aspekte konzentriert, die große Potenziale für die Verbesserung der Leistung von Data Scientists im heutigen Marketingkontext versprechen. Fünf Forschungsarbeiten sind enthalten, die beide Forschungsfelder effektiv bedienen: Drei Arbeiten liefern sowohl methodische als auch empirische Erkenntnisse zur Erweiterung des maschinellen Lernens in der Marketingforschung, indem sie sowohl bestimmte Modellarchitekturen untersuchen als auch maschinelles Lernen auf aktuelle Marketingprobleme anwenden. Darüber hinaus tragen zwei Arbeiten zur Forschung bei, indem sie Erkenntnisse zur Technostress-Problematik von Data Scientists als heterogene und hoch digitalisierte Berufsgruppe liefern sowie unterschiedliche Bewältigungsstrategien zur effektiven Stressbewältigung durch den Einsatz digitaler Technologien untersuchen. Darüber hinaus liefern die Ergebnisse praktische Implikationen für Marketingmanager, die die Leistung von Data Scientists in einem zeitgemäßen Marketingumfeld verbessern wollen.

Weitere Angaben

Publikationsform: Dissertation
Keywords: Data Science; Data Scientist; Machine Learning; Technostress
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XIV - Marketing und Innovation > Lehrstuhl Betriebswirtschaftslehre XIV - Marketing und Innovation - Univ.-Prof. Dr. Daniel Baier
Forschungseinrichtungen > Institute in Verbindung mit der Universität > Betriebswirtschaftliches Forschungszentrum für Fragen der Mittelständischen Wirtschaft e.V.
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XIV - Marketing und Innovation
Forschungseinrichtungen
Forschungseinrichtungen > Institute in Verbindung mit der Universität
Titel an der UBT entstanden: Ja
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Eingestellt am: 08 Mai 2021 21:00
Letzte Änderung: 10 Mai 2021 05:31
URI: https://eref.uni-bayreuth.de/id/eprint/65150