In tijden van verandering biedt dit boek een onmisbaar vangnet voor elke manager. Het schetst op speelse maar diepgaande wijze het strijdtoneel waarop organisaties zich momenteel bevinden. 'Organisaties op scherp' reikt onmisbare stutten aan: het geeft aan hoe men opbouwend tegen verandering kan aankijken en waar zich de mogelijkheden bevinden om verandering om te toveren tot een boeiend en uitdagend gebeuren.$ Door te veranderen zoeken organisaties een plaats tussen chaos en orde. De auteurs tonen aan hoe deze twee eeuwige vijanden met elkaar verzoend kunnen worden. Ze geven aan hoe organisaties zich overeind kunnen houden in een omgeving waarin verandering dagelijkse kost is. Daartoe reiken ze onmisbare ingrediënten aan voor een geslaagd veranderingsproces.

Customer churn prediction models aim to detect customers with a high propensity to attrite. Predictive accuracy, comprehensibility, and justifiability are three key aspects of a churn prediction model. An accurate model permits to correctly target future churners in a retention marketing campaign, while a comprehensible and intuitive rule-set allows to identify the main drivers for customers to churn, and to develop an effective retention strategy in accordance with domain knowledge. This paper provides an extended overview of the literature on the use of data mining in customer churn prediction modeling. It is shown that only limited attention has been paid to the comprehensibility and the intuitiveness of churn prediction models. Therefore, two novel data mining techniques are applied to churn prediction modeling, and benchmarked to traditional rule induction techniques such as C4.5 and RIPPER. Both AntMiner+ and ALBA are shown to induce accurate as well as comprehensible classification rule-sets. AntMiner+ is a high performing data mining technique based on the principles of Ant Colony Optimization that allows to include domain knowledge by imposing monotonicity constraints on the final rule-set. ALBA on the other hand combines the high predictive accuracy of a non-linear support vector machine model with the comprehensibility of the rule-set format. The results of the benchmarking experiments show that ALBA improves learning of classification techniques, resulting in comprehensible models with increased performance. AntMiner+ results in accurate, comprehensible, but most importantly justifiable models, unlike the other modeling techniques included in this study.