Humboldt-Universität zu Berlin - Wirtschaftswissenschaftliche Fakultät

Online-Sprechstunde: Montags, 09.00 - 10.00

BItte buchen Sie einen Termin via Moodle.

Stefan Lessmann promovierte 2007 und habilitierte sich 2012 an der Universität Hamburg. 2014 wechselte er an die Humboldt-Universität zu Berlin, wo er den Lehrstuhl für Wirtschaftsinformatik leitet. Er ist Associate Editor für DSS, IJDS, IJF und weitere internationale Fachzeitschriften sowie BISE Department Editor. Prof. Lessmann hat umfangreiche Drittmittel eingeworben und zahlreiche Beiträge in führenden internationalen Zeitschriften (u. a. EJOR, DSS, TSE) sowie Konferenzbänden (z. B. ICML, ICIS, ECIS) veröffentlicht.

Seine Forschung befasst sich mit Methoden des Machine Learning und der künstlichen Intelligenz (ML/AI) und deren Anwendung zur Information, Unterstützung und Automatisierung von Entscheidungen im Marketing und im Risiko­management. Zu den häufig eingesetzten Methoden zählen Natural Language Processing, kausales Machine Learning sowie Verfahren der erklärbaren und verantwortungsvollen KI.

Prof. Lessmann engagiert sich im Bereich Wissens­transfer und in Beratungsprojekten mit Industriepartnern – von Start-ups über globale Unternehmen bis hin zu Non-Profit-Organisationen.

Eine vollständige Liste meiner Publikationen bietet mein Google Scholar profile.

Ausgewählte Studien, welche meine Forschungsinteresse gut verdeutlichen, wären z.B.: 

• Bokelmann, B., & Lessmann, S. (2025). Heteroscedasticity-aware stratified sampling to improve uplift modeling. European Journal of Operational Research, 325(1), 118–131. https://doi.org/10.1016/j.ejor.2025.02.030
• Craja, P., Kim, A., & Lessmann, S. (2020). Deep learning for detecting financial statement fraud. Decision Support Systems, 139, 113421. https://doi.org/10.1016/j.dss.2020.113421
• Haupt, J., & Lessmann, S. (2022). Targeting customers under response-dependent costs. European Journal of Operational Research, 297(1), 369–379. https://doi.org/10.1016/j.ejor.2021.05.045
• Kozodoi, N., Jacob, J., & Lessmann, S. (2022). Fairness in credit scoring: Assessment, implementation and profit implications. European Journal of Operational Research, 297(3), 1083–1094. https://doi.org/10.1016/j.ejor.2021.06.023
• Kozodoi, N., Lessmann, S., Alamgir, M., Moreira-Matias, L., & Papakonstantinou, K. (2025). Fighting sampling bias: A framework for training and evaluating credit scoring models. European Journal of Operational Research, 324(2), 616–628. https://doi.org/10.1016/j.ejor.2025.01.040
• Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: Online Appendix. European Journal of Operational Research, 247(1), 124–136. https://doi.org/10.1016/j.ejor.2015.05.030
• Lessmann, S., Haupt, J., Coussement, K., & De Bock, K. W. (2021). Targeting customers for profit: An ensemble learning framework to support marketing decision-making. Information Sciences, 557, 286–301. https://doi.org/10.1016/j.ins.2019.05.027
• Medina-Olivares, V., Lessmann, S., & Klein, N. (2024). The Deep Promotion Time Cure Model. IEEE Transactions on Neural Networks and Learning Systems, 35(12), 18848 – 18858. https://doi.org/10.1109/TNNLS.2024.3398559
• Schirmer, M., Eltayeb, M., Lessmann, S., & Rudolph, M. (2022, July 17–23). Modeling Irregular Time Series with Continuous Recurrent Units.Proceedings of Machine Learning Research Proc. of the 39th Intern. Conf. on Machine Learning (ICML'2022), PLMR, Baltimore, MD, USA.