Design und Untersuchung von Gewinn-maximierenden Empfehlungssystemen für den Online-Handel

• Antragsteller: Professor Dr. Oliver Hinz
• Fachliche Zuordnung: Operations Management und BWL-spezifische Wirtschaftsinformatik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 449023539

Unser Projekt hat insgesamt das Ziel, profit-maximierende Empfehlungssysteme (PMRS) im Online-Handel zu entwerfen und zu verstehen. In der initialen Phase unseres Projekts haben wir bereits die wichtigen Ziele erreicht und PMRS entworfen, getestet und ihrer Wirkung beschrieben. Die nun anstehende, potenzielle Fortsetzungsphase des Projekts verfolgt drei (neue) wesentliche Ziele. Das erste Ziel ist es, die Erkenntnisse über die effektive Gestaltung von PMRS und deren Wirkung aus der initialen Phase zu verallgemeinern und zu erweitern. Die Literatur lässt nämlich vermuten, dass sowohl die Art der Güter als auch die Einsatzdauer die Effekte des PMRS auf Kunden, Umsatz und Profit moderiert. Um dies zu untersuchen, weiten wir unsere Feldexperimente von hedonischen Gütern (hier: Spiele) auf utilitaristische Güter (hier: Bürobedarf) aus. Dies ereichen wir durch eine neue Kooperation mit einem Online-Händler für Bürobedarf, der 315 Mio.€ jährlichen Umsatz generiert und bereits den entsprechfenden Feldexperimenten zugestimmt hat. Außerdem wird die Dauer des aktuell laufenden Feldexperiments über sechs Monate hinaus verlängert, um Langzeiteffekte zu erfassen. Das zweite Ziel ist es, die Rolle von Erklärungen in PMRS (also erklärten Empfehlungen) in einer realen Umgebung zu analysieren. Vorherige Forschung hat hauptsächlich Erklärungen in regelbasierte Systeme in kontrollierten Laborumgebungen betrachtet. Wir bauen auf eigene Erkenntnisse aus Laborumgebungen, auf Literatur und auf neue Feldexperimente, um die Auswirkungen von Erklärungen auf Vertrauen und Akzeptanz von Empfehlungen im Online-Handel zu analysieren. Besonderes Augenmerk liegt auf der Anwendung von KI-Algorithmen und erklärbarer KI in Empfehlungssystemen im Online-Handel. Das dritte Ziel ist die Untersuchung der Integration von Large Language Models (LLM) wie beispielsweise ChatGPT in Empfehlungssysteme (und insbesondere PMRS) im Online-Handel. Die Verbreitung von LLMs wächst rasant in einer Vielzahl von Bereichen. Die Integration von LLMs ermöglicht potenziell automatisierte und interaktive Empfehlungen im großen Maßstab und könnte so die Kundenerfahrung verbessern. Gleichzeitig birgt sie Risiken, wie beispielsweise Datenschutzverletzungen und voreingenommene Empfehlungen. Wir zielen darauf ab, Rahmenbedingungen für die verantwortungsbewusste und zielorientierte Nutzung von LLMs in Empfehlungssystemen (und insbesondere in PMRS) zu entwickeln und deren Auswirkungen auf Kundenverhalten und -zufriedenheit sowie Umsatz und Profit zu bewerten.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Israel
• ausländischer Mitantragsteller: Professor Dr. Shachar Reichman