Weniger ist mehr – Daniel Schoess gewinnt EHI/GS1 Wissenschaftspreis
Daniel Schoess hat für seine Masterarbeit den Wissenschaftspreis 2025 der EHI Stiftung und GS1 Germany erhalten. Der MSc MTEC Absolvent nutzt in seiner Arbeit einfache Daten, um Produktinteraktionen vorherzusagen – mit grossem Potenzial für den Handel.
Für Einzelhändler ist es entscheidend zu wissen, wie sich Produkte im Regal gegenseitig beeinflussen. Ob sich Artikel ergänzen oder ersetzen beeinflusst Sortimentsplanung, Preisgestaltung und Nachfrageprognosen massgeblich. Doch um diese Interaktionen vorherzusagen, sind meist umfangreiche, detaillierte Daten notwendig – und genau die fehlen vielen Händlern.
Daniel Schoess, Absolvent des MSc MTEC an der ETH Zürich, erhielt den Wissenschaftspreis 2025 der EHI Stiftung und GS1 Germany für seine Masterarbeit, die er am MIT mit Prof. Dr. Georgia Perakis absolvierte und von den D-MTEC Forschern Prof. Dr. Florian von Wangenheim und Dr. Sebastian Tillmanns betreut wurde. Schoess entwickelte eine Methode, um Produktinteraktionen mit minimalen Transaktionsdaten vorherzusagen.
Die Fragestellung entstand in Zusammenarbeit mit einem Industriepartner seiner Professorin am MIT. «Das Unternehmen wollte substitutionale und komplementäre Effekte mit einfachsten Mitteln messen – im Prinzip mit Kassenbelegen», erklärt Schoess.
Schoess griff auf seinen Informatikhintergrund zurück und orientierte sich an Empfehlungsalgorithmen, wie sie auch Netflix oder Amazon nutzen. Diese Systeme schlagen basierend auf Nutzerhistorien Produkte oder Inhalte vor. Die Grundlage für Schoess’ Modell sind sogenannte «Product Embeddings», virtuelle Darstellungen von Produkten basierend auf Bildern und Beschreibungen. Das Modell positioniert diese Embeddings in einem mehrdimensionalen Raum mittels Kassenzetteldaten und kann so die Beziehung zwischen Produkten ermitteln.
«Rund sechzig Prozent der Produkte im Testdatensatz waren komplett neu. Trotzdem konnte das Modell deren Interaktionen gut vorhersagen.»Daniel Schoess
Sein Ansatz behebt eine zentrale Schwäche traditioneller Empfehlungssysteme: Diese sind kaum in der Lage, Beziehungen für neue Produkte vorherzusagen, zu denen noch keine historischen Verkaufsdaten existieren. «Rund sechzig Prozent der Produkte im Testdatensatz waren komplett neu», so Schoess. «Trotzdem konnte das Modell deren Interaktionen gut vorhersagen.»
«Kauft jemand ein weisses T-Shirt, nimmt er wahrscheinlich kein weiteres, ähnliches T-Shirt, sondern eher eine passende Hose dazu», erläutert Schoess. Genau solche komplementären Beziehungen lassen sich durch sein Modell vorhersagen.
Für Händler könnte dieser Ansatz grosse praktische Vorteile bieten. «Die Methode lässt sich in Sortimentsplanung, Preisgestaltung und Nachfrageprognosen integrieren, auch für völlig neue Artikel», so Schoess. «Damit reduziert sich die Abhängigkeit von teuren Kundendaten erheblich.»
Bei der Zusammenarbeit mit Unternehmen merkte Schoess selbst, wie komplex der Umgang mit realen Unternehmensdaten ist: «Die Arbeit mit grossen Unternehmensdaten war herausfordernder als erwartet. Nicht nur, um die Daten zu bereinigen, sondern auch um den Anforderungen der Datensicherheit zu entsprechen. Der Aufwand war aber notwendig, um die Methode wirklich praxistauglich zu testen.»
Schoess forscht inzwischen als Doktorand am Center for AI Value der ETH Zürich weiter an der Verarbeitung multimodaler Daten zum Thema «mulimodal representation learning».
Wissenschaftspreis der EHI Stiftung und GS1 Germany
Der Wissenschaftspreis der EHI Stiftung und GS1 Germany zeichnet Forschende und Startups aus, deren wissenschaftliche Arbeiten und Projekte für Handel und Konsumgüterindustrie rele-vant sind. Der Preis ist mit insgesamt 65.000 Euro dotiert und würdigt praxisnahe wissenschaftli-che Leistungen.
Immer aktuell informiert
Möchten Sie stets die wichtigsten internen Informationen und News der ETH Zürich erhalten? Dann abonnieren Sie den Newsletter «Intern aktuell» und besuchen Sie regelmässig Staffnet, das Info-Portal für ETH-Mitarbeitende.
Kommentare
Noch keine Kommentare