Data Mining Challenge: Rücksendungen hängen nicht nur von der Produktqualität ab

Statt auf die Suche nach Goldnuggets zu gehen, erstellten die Studierenden im Rahmen der diesjährigen Data Mining Challenge verschiedene Data Mining Modelle und gewannen dabei Erkenntnisse aus Daten. Dabei war es besonders wichtig, sich tief in den Datensatz und den Anwendungsfall einzuarbeiten, um wichtige neue Variablen abzuleiten und damit den KI-Algorithmus zu unterstützen.

In diesem Jahr galt es die Rücksendungen eines Online-Shops zu prognostizieren. Mit einer guten Prognose können Kunden, die wahrscheinlich Artikel zurücksenden werden, bereits bei Bestellung explizit auf einen Versandkostenbeitrag im Falle einer Rücksendung hingewiesen werden. Einige Kunden reagieren darauf und verzichten, z.B. drei gleiche Pullover mit unterschiedlichen Größen zu bestellen. Das senkt die Kosten und spart CO2. Die Studierenden lernen im Rahmen der Veranstaltung Data Mining von Professor Klingert an praxisorientierten Beispielen verschiedene Verfahren zur datenbasierten Prognose mit Hilfe von Algorithmen der Künstlichen Intelligenz kennen.

Die diesjährige Gewinnerin der Data Mining Challenge ist Frau Julia Kunze.

Ihr Prognosemodell konnte die Rücksendungen deutlich besser vorhersagen als alle anderen abgegebenen Modelle. Ihre wichtigste, selbst abgeleitete Variable war die Rücksendequote der Kunden in der Vergangenheit.

Sendet ein Kunde Produkte häufig zurück, dann wird er das auch in der Zukunft tun – ein nachvollziehbarer Zusammenhang. Während menschliche Entscheider sich oft auf eine oder wenige Variablen stützen, konnte Frau Kunze mit weiteren Variablen und dem geschickten Einstellen des Modells das Ergebnis weiter verbessern und kam so zu einem herausragenden Ergebnis.