Hintergrund und Ziele der Studie
In der Studie wurden 126 Vertreter kanadischer Sportvereine befragt. Dabei wurden vier Leistungsbereiche berücksichtigt: Mitgliederbindung, Servicequalität, finanzielle Stabilität und sportlicher Erfolg. Vier Machine-Learning-Modelle (Ridge-Regression, Bagged-Regression, Random Forest und Gradient Boosting Machine) kamen zum Einsatz. Die Ergebnisse zeigen, dass Machine-Learning-Modelle die Aussagekraft im Vergleich zu linearen Modellen erhöhen. Random Forest übertrifft die anderen Modelle hinsichtlich des mittleren quadratischen Fehlers und teilweise des mittleren absoluten Fehlers sowie des R-Quadrats.
Erkenntnisse der Studie und Implikationen
Für mehrere Prädiktoren in den vier betrachteten Dimensionen, wie z.B. der Nutzung externen Wissens, Vertrauen, Coopetition, Alter und Dienstalter des Clubvertreters, wurden nichtlineare Beziehungen festgestellt. Die Autoren präsentieren den Einsatz gemeinsamer Computertechniken in der Not-for-Profit-Forschung, um zwei relevante Ziele zu erreichen: die Aussagekraft zu verbessern und die Interpretierbarkeit von Vorhersagemodellen zu erhalten.
Kontakt
Lehrstuhl für Sport- und Gesundheitsmanagement
Prof. Dr. Jörg Königstorfer
Uptown München Campus D
Georg-Brauchle-Ring 60/62
80992 München
Tel. +49.89.289.24559
Fax +49.89.289.24642
info.mgt@mh.tum.de