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 % zu den 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.