Zurück zur Bibliothek

Kernfrage Neu

KI-aufbereitet · Von Autoren geprüft

Wie können Unternehmen Aktionsgutscheine profitabler verteilen, ohne Gegenreaktionen bei Kunden auszulösen?

Theory-Informed Dynamic Coupon Distribution via Graph-Augmented Offline Reinforcement Learning
Juntao Wu, Hongfei Bao · International Conference on Information Systems (ICIS) · 2026
Illustration zu: Wie können Unternehmen Aktionsgutscheine profitabler verteilen, ohne Gegenreaktionen bei Kunden auszulösen?

Lädt den Spotify-Player; Spotify kann Cookies setzen. Dieses Gerät merkt sich Ihre Auswahl.

Zentrale Ergebnisse

  • Das vorgeschlagene Framework erzielte eine Einlöserate von 19,05 % und einen ROI von 0,615, was statistisch signifikante Verbesserungen bei den Einlöse- und Trefferraten im Vergleich zu neun Basismethoden darstellt (p < 0,01).
  • Das Framework übertraf acht der neun Benchmark-Modelle beim Return on Investment statistisch signifikant (p < 0,05 oder p < 0,001), während es im Vergleich zur gewichteten Per-Decision-Importance-Sampling-Baseline einen positiven, aber nicht signifikanten ROI-Unterschied zeigte (p = 0,30).
  • Ablationsregressionen über mehrere Testfenster hinweg bestätigten, dass die zielduale Q-Zerlegung, welche die Konversion von der langfristigen Nachhaltigkeit trennt, den größten marginalen Beitrag zur Reduzierung des Testfehlers leistete (p < 0,01).
  • Durchgängiges gemeinsames Training und verhaltenstheoretisch geleitete Texteinbettungen führten im Vergleich zu generischen vorhersageorientierten Ansätzen ebenfalls zu statistisch signifikanten Fehlerminderungen (p < 0,01).

Bedeutung für die Praxis

CIO / IT-Leitung

Allocate budget to initiate an offline reinforcement learning pilot (such as the GRACE framework) that merges transactional, relational, and LLM-derived customer review data instead of relying solely on standard short-term predictive conversion models.

IT-Management

Audit existing customer data pipelines to ensure transactional, graph relational structures, and text-based review profiles can be ingested jointly for graph attention network and offline RL model training.

Unternehmensstrategie

Restructure current promotional guidelines away from simple volume-driving discounts toward a dual-objective metric that explicitly balances immediate sales conversion against long-term brand equity and customer psychological resistance.

Forschung

Investigate how behavioral theory-guided text embeddings and dual-objective Q-decomposition can be adapted to mitigate consumer manipulation fatigue and improve long-term ROI in offline RL setups.

Politische Entscheidungsträger

Draft guidelines requiring retailers to transparently disclose how customer review data and relational profiles are utilized by algorithmic pricing and dynamic coupon targeting systems to protect consumer privacy.

Zusammenfassung

Diese Studie entwickelt GRACE, ein Offline-Reinforcement-Learning-Framework für die dynamische Coupon-Zielgruppenansprache, das Transaktions-, Beziehungs- und Kundenbewertungsdaten zusammenführt. Das System kombiniert Graph-Attention-Netzwerke, psychologisches Profiling über große Sprachmodelle und eine duale Wertzerlegung, um die unmittelbare Vertriebskonversion mit dem langfristigen Markenwert in Einklang zu bringen. Der Ansatz wird anhand eines empirischen Datensatzes mit 2,68 Millionen Coupon-Datensätzen einer großen Teegetränke-Einzelhandelskette evaluiert.

Problemstellung

Die meisten Verkaufsförderungen im Einzelhandel scheitern, weil Gutscheine ungenutzt bleiben oder Käufe unnötig subventionieren, die Kunden ohnehin getätigt hätten. Zudem konzentrieren sich herkömmliche Empfehlungs- und Reinforcement-Learning-Modelle rein auf kurzfristige wirtschaftliche Gewinne und vernachlässigen den psychologischen Widerstand der Konsumenten gegen wahrgenommene Manipulation sowie das Risiko, den Markenwert durch übermäßige Rabattierungen zu schwächen.

Transkript
Host: Willkommen zu einer neuen Ausgabe von A.I.S. Insights — powered by Living Knowledge. Mein Name ist Anna Ivy Summers. Heute betrachten wir eine aktuelle Studie mit dem Titel „Theoriegeleitete dynamische Coupon-Verteilung mittels graphenerweitertem Offline-Reinforcement-Learning“, vorgelegt von Juntao Wu und Hongfei Bao. Die Studie untersucht, wie Unternehmen Rabattaktionen präziser steuern können, indem sie Transaktions-, Beziehungs- und Textdaten zusammenführen. Bei mir ist Alex Ian Sutherland. Alex, welches konkrete Problem im Handel greift diese Arbeit auf?
Expert: Hallo Anna. Die Ausgangslage betrifft viele Unternehmen: Ein Großteil der Verkaufsförderungen verfehlt das angestrebte Ziel. Häufig verfallen Gutscheine ungenutzt, oder sie rabattieren Käufe, die Kunden ohnehin zum regulären Preis getätigt hätten. Zudem optimieren gängige Empfehlungs- und Reinforcement-Learning-Systeme meist primär kurzfristige Transaktionsgewinne. Das vernachlässigt psychologische Effekte: Konsumenten können Abwehrmechanismen gegen empfundene Beeinflussung entwickeln, und dauerhafte Preisnachlässe bergen das Risiko, den langfristigen Markenwert zu schwächen.
Host: Ein klassischer Konflikt zwischen kurzfristigem Umsatz und langfristiger Markenwirkung. Wie nähert sich die Studie dieser Herausforderung methodisch?
Expert: Das Autorenteam schlägt ein Framework namens GRACE vor. Es basiert auf Offline-Reinforcement-Learning, lernt also aus bereits vorhandenen historischen Daten, ohne im laufenden Geschäftsbetrieb experimentelle Risiken einzugehen. Das System kombiniert drei Bausteine: Erstens Graph-Attention-Netzwerke, um Verflechtungen zwischen Kunden und Produkten abzubilden. Zweitens psychologisches Profiling auf Basis von Kundenbewertungen mittels großer Sprachmodelle. Und drittens eine zielduale Wertzerlegung, die den unmittelbaren Kaufimpuls getrennt von der nachhaltigen Kundenbeziehung modelliert.
Host: Getestet wurde das Ganze anhand von 2,68 Millionen Coupon-Datensätzen einer großen Teegetränke-Kette. Welche Ergebnisse wurden dabei gemessen?
Expert: Das Framework erzielte eine Einlöserate von 19,05 Prozent und einen Return on Investment von 0,615. Hinsichtlich der Einlöse- und Trefferraten übertraf das Modell neun Basismethoden statistisch signifikant bei einem Signifikanzniveau von p unter 0,01. Beim Return on Investment schnitt das Framework im Vergleich zu acht der neun Referenzmodelle statistisch signifikant besser ab, mit p-Werten unter 0,05 beziehungsweise unter 0,001. Im Vergleich zur Methode des gewichteten Per-Decision Importance Sampling war der ROI-Unterschied zwar positiv, aber mit einem p-Wert von 0,30 statistisch nicht signifikant.
Host: Das liefert ein differenziertes Bild. Welche Komponenten des Frameworks trugen besonders zu diesen Ergebnissen bei?
Expert: Regressions- und Ablationstests zeigten, dass die duale Q-Zerlegung den größten messbaren Beitrag zur Verringerung des Testfehlers leistete, ebenfalls signifikant mit p unter 0,01. Die Trennung zwischen Vertriebskonversion und Markennachhaltigkeit stabilisiert somit die Schätzung. Auch das durchgängige Training aller Komponenten sowie die theoriegeleiteten Texteinbettungen führten gegenüber herkömmlichen vorhersageorientierten Ansätzen zu signifikanten Fehlerminderungen mit p unter 0,01.
Host: Was bedeutet das nun konkret für die betriebliche Praxis? Welche Handlungsansätze ergeben sich für Entscheider im Marketing?
Expert: Für Unternehmen ergeben sich handfeste Anwendungen. Erstens lassen sich Streuverluste und unnötige Margenverluste begrenzen: Rabatte werden gezielter an Kunden adressiert, bei denen ein tatsächlicher Verhaltensanreiz erforderlich ist. Zweitens zeigt die empirische Untersuchung, dass unstrukturierte Kundenbewertungen in Verbindung mit Beziehungsgraphen verwertbare Signale für Preisaktionen liefern. Drittens erhalten Marketingteams eine methodische Grundlage, um Kampagnen so zu budgetieren, dass der unmittelbare Absatz nicht zulasten der langfristigen Preisbereitschaft und Markenwahrnehmung geht.
Host: Zusammenfassend bietet die Studie eine fundierte Basis, um Kundenansprache und Coupon-Budgets datenbasiert und zugleich markenschonend zu steuern. Alex, danke für die Einordnung der Ergebnisse. Und Ihnen vielen Dank fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Bis zur nächsten Folge.
Expert: Danke, Anna. Bis zum nächsten Mal.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

dynamic coupon distribution, promotion reactance theory, graph neural networks, offline reinforcement learning, theory-informed analytics, customer targeting