Essays on Decision Support Systems
(Themenfeld C.5)

– Entwicklung neuer Ansätze für Machine Learning und deren Anwendung auf Produktretouren –

Die Motivation meiner Dissertation ist es einen Beitrag zu der Machine Learning und Predictive Analytics Literatur zu leisten. Neben der Entwicklung eigener Algorithmen entwickele ich ebenfalls Methoden, mit denen Machine Learning Algorithmen angewandt werden können, um Hypothesen zu testen. In meiner angewandten Forschung konzentriere ich mich auch Retouren im Onlinehandel.

In der gegenwärtigen Decision Support Systems Literatur wird die Entwicklung des Prognosemodell als der Forschungsbeitrag an sich verstanden. Selten werden Machine Learning Ansätze verwendet, um ein tieferes Verständnis für grundlegendere Zusammenhänge zu entwickeln. Ein wesentliches Ziel meiner Dissertation besteht darin, diese Forschungslücke zu schließen und Methoden zu entwickeln, mit denen durch Machine Learning zur Auswertung von Hypothesen und Theorien verwendet werden kann.

Shmueli und Koppius (2011) diskutieren die Möglichkeiten für einen solchen Ansatz in der Wirtschaftsinformatik. Sie argumentieren, dass derartige Ansätze, vielversprechend wie sie erscheinen mögen, bisher wenig beachtet wurden. Sie definieren darüber hinaus Kriterien für eine rigorose Auswertung von Predictive Analytics Modellen und heben insbesondere die Notwendigkeit einer Out-of-sample Evaluation hervor.

Allerdings betonen sie nicht die Bedeutung einer Untersuchung der statistischen Signifikanz solcher Out-of-sample Prognosen. I vertrete die Auffassung, dass die Untersuchung der statistischen Signifikanz von erheblicher Bedeutung ist, insbesondere wenn Predictive Analytics Ansätze über ihre traditionelles Anwendungsgebiet hinaus zur Evaluation von Hypothesen verwendet werden sollen. Einen dafür geeigneten statistischen Rahmen zu entwickeln ist einer der wesentlichen Beiträge meiner Doktorarbeit.

Produktretouren sind nicht nur ein bedeutender Kostenfaktor, sondern haben auch signifikanten Umwelteinfluss: Ungefähr 10% aller retournierten Produkte können nicht wieder verkauft werden und müssen entsorgt werden (Pur et al. 2013). Darüber hinaus führt der Transport von Produktretouren zu unnötigen Emissionen von Treibhausgasen: In der Bundesrepublik führen Produktretouren zu zusätzlich CO2-Emissionen von jährlich 143,000 Tonnen (Asdecker 2014).

Produktretouren wurden in der Marketingliteraur diskutiert, jedoch wurden dabei Predictive Analytics Ansätze vernachlässigt. Außerdem wurden die Umweltaspekte in der Literatur kaum diskutiert.

Ich möchte derartige Ansätze verwenden, nicht nur um Verhaltensmuster zu beobachten, sondern auch um ein tieferes Verständnis für die zugrundelegenden Zusammenhänge zu entwickeln. Auf Basis dieser Erkenntnisse möchte ich dann ein Decision Support System entwickeln, mit welchem sich Produktretouren reduzieren lassen.


Asdecker, B. 2014. Statistiken Retouren Deutschland - Definition, http://www.retourenforschung.de/definition_statistiken-retouren-deutschland.html, retrieved 2014/5/28.
Pur, S., Stahl, E., Wittmann, M., Wittmann, G., and Weinfurter, S. 2013. Retourenmanagement im Online Handel - Das Beste daraus machen, Regensburg: ibi research an der Universität Regensburg GmbH.
Shmueli, G., and Koppius, O. R. 2011. ?Predictive Analytics in Information Systems Research.,? MIS Quarterly (35:3), pp. 553?572.