Entwicklung eines kontextualisierten MAB (multi-armed-bandit), um das Potential des Recommender Systems mittels Reinforcement-Learning auszuschöpfen

In Deutschland steigt der E-Commerce-Umsatz für Bekleidung, getrieben durch Passform, Bequemlichkeit und Preis-Leistungs-Verhältnis. Die Corona-Pandemie verstärkte Onlinebestellungen, doch Rücksendungen verursachen hohe Kosten und CO2-Emissionen. Die Modeindustrie trägt über 10% der globalen CO2-Emissionen bei und muss diese bis 2030 um über 50% reduzieren, um das 1,5°C-Ziel zu erreichen. Deutschland führt mit bis zu 50% Retouren im europäischen Vergleich. Gesetze wie die "Obhutspflicht" sollen der Vernichtung retournierter Ware entgegenwirken, könnten jedoch bürokratischen Aufwand für Händler bedeuten. Datengetriebene Lösungen, insbesondere der Einsatz von reinforcement learning, bieten eine präventive Alternative zur Reduzierung von Retouren. Ein MAB-Konzept (multi-armed bandit) wird entwickelt, um das Recommender-System mittels reinforcement learning zu optimieren. Ziel ist eine automatisierte Anpassung an veränderte Marktsituationen, um den Revenue per User um 8-20% zu steigern und die Retourenquote um 10% zu senken. Die Kooperation mit dem Institut für Informationsverarbeitung (TNT) der Leibniz Universität Hannover fördert Innovation und Wissenstransfer. Perspektivisch soll das Recommender-System auf andere E-Commerce-Bereiche ausgeweitet werden, um Arbeitsplätze zu schaffen und die regionale Wirtschaft in Niedersachsen zu stärken.