Wissen hoch N Themen
KI reduziert Retouren im Online-Modehandel

04. 01. 2021
Verfasst von: Bodo Rosenhahn, Marco Rudolph

KI reduziert Retouren im Online-Modehandel

Eine Frau sucht über ihr Handy Mode in einem Online-Shop. © Agenturfoto
Nachhaltig bestellen mit KI: Statt viel Kleidung zum Anprobieren zu bestellen und wieder zurückzusenden, soll eine neue KI-Anwendung Produkte vorschlagen, die besser zum individuellen Kundenprofil und zur Körperform passen. Das senkt Kosten und schont Ressourcen.

Die hohen Retouren-Quoten von Mode sind für Onlinehändler und die Umwelt ein großes Problem. Forschende der Leibniz Universität Hannover und das Start-up Dresslife wollen den Onlinehandel mithilfe künstlicher Intelligenz (KI) effizienter und wirtschaftlicher gestalten. Die KI generiert individuelle Produktempfehlungen für Kunden, die ihrem Stil und ihrer Passform entsprechen.

Individuelles Kundenprofil vermeidet Fehlkäufe

Retouren erreichen im Mode-Onlinhandel eine Quote von bis zu 80 Prozent, weil die bestellte Kleidung nicht passt oder nicht gefällt. Das ist nicht nur frustrierend für die Kundinnen und Kunden, die das Paket wieder zurückschicken müssen. Die hohe Rücksendequote treibt auch beim Onlinehändler die Kosten für Logistik und Bearbeitung in die Höhe. Das zurückgeschickte Paket muss von Beschäftigten ausgepackt, die Ware geprüft, gegebenenfalls gereinigt und neu verpackt werden. Die Auswirkungen: Wertverlust durch Gebrauchsspuren, geschmälerte Gewinnmargen der Onlinehändler, unnötige Transporte, erhöhte CO2-Emissionen, verschwendetes Verpackungsmaterial, ineffiziente Geschäftsprozesse bis hin zur Vernichtung der zurückgesendeten Ware.

Kundenverhalten analysieren

Am Forschungszentrum L3S entwickeln KI-Experten gemeinsam mit dem hannoverschen Start-up Dresslife ein System, das die hohen Retourenquoten im Fashion-E-Commerce mithilfe von künstlicher Intelligenz verringern soll (Projektseite). Kundinnen und Kunden sollen anhand ihres individuellen Profils gezielter Kleidungsstücke finden, die ihrem persönlichen Stil und ihrer Passform entsprechen. Um ihnen passende Produkte vorzuschlagen, verwenden die Forschenden ein tiefes neuronales Netz, welches sowohl das Kundenverhalten („collaborative filtering“) als auch die Produktdaten miteinbezieht.

In einem Koordinatensystem mit roter Punktwolke verbinden blaue Linien einzelne Punkte. © L3S
Maschinelle Lernverfahren ermöglichen die Navigation eines Kunden durch einen virtuellen Raum von Produkten und lernen von seinem Verhalten und Feed-back.

Produktempfehlungen generieren

Für die Vorhersage, welches Kleidungsstück in welcher Größe am wahrscheinlichsten passt, wird jedes Produkt und jeder Kunde explizit modelliert. Die künstliche Intelligenz lernt für die Produktempfehlungen von der Kaufhistorie, vom Modeprofil und vom menschlichen Feedback. Zum Beispiel können die Kunden Angaben zur Körperform machen oder zurückmelden, wenn ihnen Kragenweite, Hosenlänge oder Passform nicht gefällt. Durch die Methoden des Deep Learnings baut das L3S-Team Informationsasymmetrien zwischen Konsument, Warensortiment und Unternehmen ab. In Zukunft können Kunden dafür in einem virtuellen Raum navigieren, der durch ein maschinelles Lernverfahren über eine nicht-lineare Dimensionsreduktion automatisch für sie erstellt wurde – und wenn sie zufrieden sind, schicken sie weniger Ware zurück.

Prof. Dr. Bodo Rosenhahn
Address
Forschungszentrum L3S
Projekt Retourenreduktion
Leibniz Universität Hannover
Prof. Dr. Bodo Rosenhahn
Address
Forschungszentrum L3S
Projekt Retourenreduktion
Leibniz Universität Hannover
Marco Rudolph, M. Sc.
Address
Forschungszentrum L3S
Projekt Retourenreduktion
Leibniz Universität Hannover
Marco Rudolph, M. Sc.
Address
Forschungszentrum L3S
Projekt Retourenreduktion
Leibniz Universität Hannover
Leibniz Universität Hannover, uni transfer
Leibniz Universität Hannover, uni transfer

Bestellen Sie unseren Newsletter.
Folgen Sie uns auf LinkedIn.
Abbonieren Sie unseren RSS-Feed.