Aktuell erfolgt die Akquise als Kaltakquise, ohne zu berücksichtigen, ob die potenziellen Kundinnen und Kunden basierend ihrer individuellen Merkmalen Interesse an einer Geschäftsbeziehung haben könnten. Ziel der Arbeit ist es, mithilfe von Machine Learning eine optimierte Liste zu erstellen, die Kundinnen und Kunden in zwei Gruppen einteilt: solche mit hohem potenziellem Interesse und solche mit voraussichtlich keinem Interesse.

Es wurde eine Literaturrecherche durchgeführt. Basierend dararuf wurde die Problemstellung als ein überwachtes Machine-Learning-Problem eingestuft und eine Auswahl an möglichen Algorithmen für die Lösung des Problems identifiziert. Es zeigte sich, dass der K-Nearest Neighbor Algorithmus (KNN) die besten Ergebnisse erzielte. Das Modell wurde trainiert, das optimale K (definiert als die Anzahl der Nachbarn) festgelegt und die Modellgüte bewertet.

Das Ergebnis ist eine Liste, die potenzielle Kundinnen und Kunden in zwei Gruppen klassifiziert: Kundinnen und Kunden, welche basierend ihrer individuellen Merkmalen ein Interesse an einer Geschäftsbeziehung mit der Auftraggeberschaft haben können und jene, bei denen dies nicht vermutet wird. Kundinnen und Kunden mit Potenzial können nun gezielt für die Kaltakquise kontaktiert werden. Das Modell erreichte eine hohe Güte. Zur Verbesserung des Modells werden folgende Handlungsempfehlungen gegeben: Erfolgreiche Abschlüsse und Terminvereinbarungen kennzeichnen, damit diese Erkenntnisse ins Model implementiert werden können, die Datenbasis für eine optimierte Merkmalauswahl erweitern und zusätzlich eine logistische Regression einbauen, um die Wahrscheinlichkeit der Klassenzugehörigkeit zu bestimmen. Diese Massnahmen können die Genauigkeit und den Erfolg des Modells weiter verbessern.