Der Wissenschaftspreis wird in drei Kategorien vergeben. Die Auszeichnungen sind mit insgesamt 65.000 Euro dotiert.

Bestes Start-up: Menschliche Teilnehmer in der Marktforschung vollständig digitalisiert

Die Digital Customer Twins von Experial (Uni Wuppertal) sind hochentwickelte, KI-basierte digitale Abbilder realer Zielgruppen, die menschliche Teilnehmer simulieren und präzise Antworten für strategische Marketing- oder Einkaufsentscheidungen von Handelsunternehmen liefern. Die digitalen Zwillinge basieren auf umfangreichen Datensätzen und den neuesten Entwicklungen im Bereich des maschinellen Lernens und der natürlichen Sprachverarbeitung. Im Gegensatz zu menschlichen Teilnehmern haben sie keine Motivationsprobleme, wie sie bei realen Stichproben häufig auftreten. Zudem werden sie ständig mit aktuellen Daten und Trends versorgt, was sie für dynamische Branchen wie den Handel besonders wertvoll macht. Mit dieser Technologie gewinnen Unternehmen bis zu 100-mal schneller und kostengünstiger Erkenntnisse als mit herkömmlichen, auf menschlichen Teilnehmern basierenden Methoden.

Beste Dissertation: Intelligente Verpackungssysteme entlang der Lieferkette

Die Arbeit von Claudia Waldhans (Uni Bonn) untersucht den Einsatz von intelligenten Verpackungssystemen zur produktbegleitenden Temperatur- und Haltbarkeitskontrolle entlang ausgewählter Lieferketten von Frischeprodukten. Im Rahmen der Arbeit wurde eine neue Methode mit einer App und einer serverbasierten Datenbank zur Messung und Interpretation des Entfärbungsprozesses von intelligenten Verpackungssystemen entwickelt. Die App ist in der Lage, auch unter Praxisbedingungen eine detaillierte Farbauslesung zu ermöglichen. In Pilotstudien wurde die Anwendung des App-basierten Auslesesystems sowohl für die Temperaturüberwachung als auch für die Haltbarkeitsvorhersage von rohen Fleischprodukten und Fertigsalaten validiert. Sowohl im Labor als auch in einer Praxisstudie konnte gezeigt werden, dass mithilfe der App die Resthaltbarkeit der untersuchten Produkte unter verschiedenen simulierten Temperaturbedingungen vorhergesagt werden kann. Die Ergebnisse dienen als Beleg für App-basierte Anwendungen intelligenter Verpackungssysteme und bieten große Potenziale für den Handel.

Beste Masterarbeit: Cross-Effekte bei Produkten im stationären Handel

Kaufentscheidungen von Kundinnen und Kunden basieren häufig nicht nur auf einzelnen Produkten, sondern auch auf den Beziehungen zwischen diesen Produkten, den sogenannten Cross-Effekten. Die Arbeit von Daniel Schoess (ETH Zürich) stellt ein multimodales Deep-Learning-Modell vor, das diese Beziehungen abbildet und zur Verbesserung von Nachfrageprognosen oder Sortimentsentscheidungen im stationären Einzelhandel eingesetzt werden kann. Das Modell ermöglicht die präzise Bestimmung von Cross-Effekten zwischen verschiedenen Produkten mittels multimodaler KI. Dabei wird eine Vielzahl von Produktmerkmalen wie Text- und Bilddaten verwendet. Da das Modell keine nutzerspezifischen Daten benötigt, ist es besonders für den stationären Handel geeignet. Rund 45 Prozent der gemeinsam gekauften Produktpaare im Testdatensatz liegen im Embedding-Raum nahe beieinander und sind sich sehr ähnlich.

Der Wissenschaftspreis wird unterstützt von unseren Partnern Arvato Systems, Epam, Devoteam, Ferrero und KPMG.