Detailansicht
Recommender systems in grocery retail
a multi objective optimization problem
Christian Jan Orlowski
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Business Analytics
Betreuer*in
Jan Fabian Ehmke
DOI
10.25365/thesis.81187
URN
urn:nbn:at:at-ubw:1-23249.36569.980083-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Der Lebensmitteleinzelhandel arbeitet mit Nettomargen von ein bis drei Prozent, was die Rentabilität in hohem Maße abhängig von der kumulativen Effizienz operativer Entscheidungen macht, einschließlich der Frage, welche Produkte welchen Kunden empfohlen werden sollen. Standard-Empfehlungssysteme optimieren jedoch ausschließlich auf Kundenrelevanz und behandeln jedes Produkt aus Sicht des Händlers als gleichermaßen wünschenswert, wobei Marge, Bestandsdruck, Verderblichkeit, Cross-Selling-Potenzial und strategische Prioritäten ignoriert werden. Diese Arbeit befasst sich mit dem daraus resultierenden Spannungsfeld durch die Entwicklung und empirische Evaluierung eines Frameworks zur Transformation von Standard-Empfehlungssystemen im Lebensmitteleinzelhandel in geschäftsbewusste (business-aware) Systeme, die gemeinsam Kunden- und Händlerziele bedienen. Zwei Empfehlungsmodelle, TIFU-KNN und ReCANet, werden durch vier Integrationsmethoden erweitert: multiplikatives Scoring, Weighted-Sum Mixed Integer Programming (MIP), Epsilon-Constraint-MIP und direkte Modellanpassungen. Die Ziele des Einzelhändlers werden durch einen fünfdimensionalen business value score operationalisiert, und alle Methoden werden auf dem Dunnhumby-Datensatz unter Verwendung von Recall, NDCG und aggregiertem Geschäftswert sowie einer Analyse der Auswirkungen auf Kundenebene evaluiert. Die Ergebnisse zeigen, dass bedeutsame Steigerungen des Geschäftswerts von 8-22 % bei moderaten Genauigkeitseinbußen von 1-7 % erreichbar sind, dass die Effizienz dieses Trade-offs jedoch weniger von der Wahl der Integrationsmethode abhängt als von den strukturellen Eigenschaften des zugrundeliegenden Modells, nämlich der Diversität der Kandidatenmenge, der Score-Varianz und der Form der Score-Verteilung. TIFU-KNN übertraf ReCANet konsistent über alle Integrationsmethoden hinweg, was darauf hindeutet, dass die Qualität der Kandidatenmenge eine Obergrenze darstellt, die durch noch so viel Post-Processing nicht überwunden werden kann. Die Integration auf Repräsentationsebene erzielte den günstigsten Trade-off und lieferte eine Steigerung des Geschäftswerts von etwa 3 % bei nahezu null Genauigkeitsverlust. Die Analyse auf Kundenebene ergab zudem, dass Post-Processing und Methoden auf Modellebene systematisch unterschiedliche Nutzersegmente beeinflussen, was heterogene Behandlungsrichtlinien motiviert. Zusammengenommen definieren diese Ergebnisse geschäftsbewusste Empfehlungen neu als eine Frage danach, wo in der Pipeline das Geschäftssignal einfließt, und nicht nur danach, wie.
Abstract
(Englisch)
Grocery retail operates on net margins of one to three percent, making profitability highly sensitive to the cumulative efficiency of operational decisions, including which products to recommend to which customers. Standard recommender systems, however, optimize solely for customer relevance and treat every product as equally desirable from the retailer’s perspective, ignoring margin, inventory pressure, perishability, cross-selling potential, and strategic priority. This thesis addresses the resulting tension by developing and empirically evaluating a systematic framework for transforming standard grocery recommenders into business-aware systems that jointly serve customer and retailer objectives. Two recommender models, TIFU-KNN and ReCANet, are extended through four integration methods: multiplicative scoring, weighted-sum Mixed Integer Programming, epsilon-constraint MIP, and direct model adjustments. Retailer objectives are operationalized through a five-dimensional business value score, and all methods are evaluated on the Dunnhumby dataset using Recall, NDCG, and aggregate business value, alongside a customer-level impact analysis. The results show that meaningful business value gains of 8–22% are achievable at modest accuracy costs of 1–7%, but that the efficiency of this trade-off depends less on the choice of integration method than on structural properties of the underlying model, namely candidate-set diversity, score variance, and score-distribution shape. TIFU-KNN consistently outperformed ReCANet across all integration methods, even under provably optimal MIP formulations, indicating that candidate-set quality imposes an upper bound that no amount of post-processing can overcome. Representation-level integration achieved the most favorable trade-off, delivering approximately 3% business value gains at near-zero accuracy cost. Customer-level analysis further revealed that post-processing and model-level methods affect systematically different user segments, which motivates heterogeneous treatment policies. Taken together, these findings reframe business-aware recommendation as a question of where in the pipeline the business signal enters, rather than merely how.
Schlagwörter
Schlagwörter
(Deutsch)
Empfehlungs Systeme Lebensmittel Einzelhandel Multi Objective Optimierung
Schlagwörter
(Englisch)
Recommender Systems Grocery Retail Multi Objective Optimization
Autor*innen
Christian Jan Orlowski
Haupttitel (Englisch)
Recommender systems in grocery retail
Hauptuntertitel (Englisch)
a multi objective optimization problem
Publikationsjahr
2026
Umfangsangabe
100 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Jan Fabian Ehmke
Klassifikationen
54 Informatik > 54.20 Datenverarbeitungsanlagen. Allgemeines ,
85 Betriebswirtschaft > 85.99 Betriebswirtschaft. Sonstiges
AC Nummer
AC17892288
Utheses ID
80813
Studienkennzahl
UA | 066 | 977 | |