Vorhersage von Produkt-Rücksendungen mit Data Science Master-Thesis-Projekt von Yielva Kunz

Fastlinks:
Einleitung | Das Projekt | Ergebnisse und Erkenntnisse | Programm Information | Kontakt | Info-Events

Yielva Kunz, Absolventin des MSc in Applied Information and Data Science an der Hochschule Luzern, verfasste ihre Masterarbeit zum Thema künstliche Intelligenz im E-Commerce mit Fokus auf die frühzeitige Vorhersage von Produktrücksendungen.

Zunächst zu dir persönlich: Welche Hashtags beschreiben dich am besten?

#MutzurLücke

Erzähl uns mehr zu den Hashtags.

Was im Studium als Lern-Motto begann, ist heute mein Weg, neue Ideen und Abenteuer anzupacken.

Nun zu deiner beruflichen Tätigkeit: Was machst du bei Zurich Insurance?

Ich arbeite bei Zurich Insurance als Business & Data Analyst. Dort bin ich in Automatisierungsprojekten tätig und unterstütze dabei, innovative Lösungen zu implementieren, die Prozesse vereinfachen und effizienter gestalten.

Was hast du vorher gemacht?

Vor meiner aktuellen Rolle war ich als Data Analyst im Digital Sales tätig. Während des Masters wollte ich etwas Neues ausprobieren, in eine ganz andere Branche eintauchen und dabei auch mal Corporate-Luft schnappen. Mit dem Master in Applied Information and Data Science stehen einem viele Wege offen, und momentan bin ich noch dabei herauszufinden, was mir am meisten Spass macht.

Erzähl uns von deinem Forschungsprojekt.

Meine Masterarbeit beschäftigt sich mit der Vorhersage von Produktretouren in Echtzeit. Rücksendungen nehmen stark zu. Viele bestehende Modelle nutzen historische Nutzerdaten, also Informationen über vergangenes Verhalten einzelner Kunden, um Rücksendungen vorherzusagen. Diese Daten fehlen aber bei Gastnutzern oder Erstbesuchern. Mein Ansatz arbeitet ausschliesslich mit anonymen Browsing-Daten und soll das Rücksende-Risiko direkt während des Browsens erkennen, um proaktive Massnahmen vor dem Kaufabschluss zu ermöglichen.

Welche Daten und Methoden hast du verwendet und welche wichtigen Erkenntnisse hast du daraus gewonnen? 

Für mein Projekt habe ich mit umfangreichen, anonymisierten Clickstream-Logfiles eines europäischen Fashion-Retailers gearbeitet, die das Browsing-Verhalten von Nutzer:innen über 26 Wochen abbilden. Aus den Daten konnte ich Informationen zu Klicks, Scroll-Aktivitäten, Seitenaufrufen, Zeit auf einzelnen Seiten, Warenkorbinteraktionen, Produktdetails und viele weitere Features extrahieren – insgesamt 29 Variablen aus vier Kategorien.

Ich habe ein LSTM-Modell (Long Short-Term Memory) eingesetzt, um zeitabhängige Muster zu erkennen, die auf eine bevorstehende Retoure hinweisen. Die Daten wurden mit einem Rolling-Window-Ansatz in Trainings- und Testsets aufgeteilt, um reale Bedingungen zu simulieren. Zur Analyse der wichtigsten Einflussfaktoren habe ich Feature-Permutation, Accuracy Dropout und Integrated Gradients verwendet.  

Besonders relevant waren Interaktions- und Warenkorb-Features, und Rücksende-Signale unterscheiden sich teils zwischen Mobile und Desktop. Vollständige Retouren traten häufig bei hoher Warenkorbdurchmischung, Rabatten und niedrigen Artikelpreisen im Verhältnis zum Gesamtwarenkorb auf.

Wie können deine Ergebnisse unserer Gesellschaft helfen?

Die Ergebnisse zeigen Potential, dass das Rücksende-Risiko von Produkten bereits vor dem Kaufabschluss in Echtzeit allein anhand anonymisierter Browsing-Daten vorhergesagt werden kann. Das bietet sowohl wirtschaftliche als auch ökologische Vorteile: Unternehmen können proaktiv Retouren reduzieren, wodurch Kosten gesenkt und der ökologische Fussabdruck durch weniger Transport und Verpackungsmüll verringert wird.

Wie möchtest du dein Projekt in Zukunft weiterverfolgen?

Es könnte untersucht werden, wie sich die Vorhersagen weiter verbessern und skalieren lassen, etwa durch alternative Modellarchitekturen oder zusätzliche Features. Ziel wäre, die Forschung in praktische Anwendungen zu überführen, sodass Unternehmen proaktive Massnahmen zur Reduzierung von Retouren direkt umsetzen können. Ausserdem könnte man prüfen, wie sich die Methode auf verschiedene Branchen und Produkttypen übertragen lässt.

Wie hat dein Studium das Projekt beeinflusst?

Das Masterstudium hat mir die idealen Grundlagen und Methoden an die Hand gegeben, um mein Projekt erfolgreich umzusetzen. Besonders die Kombination aus Data Science, Machine Learning und praxisnahen Anwendungsfällen hat mir geholfen, komplexe Zusammenhänge zu verstehen und sie direkt in meinem Forschungsprojekt anzuwenden.

Welchen Rat würdest du anderen geben, die ähnliche Projekte starten? 

Sich genug Zeit nehmen, die Daten wirklich zu verstehen. Erst wenn man die Daten gut kennt, lassen sich Modelle sinnvoll entwickeln, Muster erkennen und valide Ergebnisse erzielen. Gleichzeitig lohnt es sich, flexibel zu bleiben und die Erkenntnisse während des Projekts kritisch zu hinterfragen.

Und nun zum Schluss: Welchen neuen Hashtag strebst du für die Zukunft an?

#Neugierigkeit, weil ich mir für die Zukunft wünsche, Bestehendes immer wieder mutig zu hinterfragen und neugierig zu bleiben.

Wir bedanken uns bei Yielva Kunz für das Engagement und die Zeit, um mit uns dieses wundervolle Forschungsprojekt zu teilen.