DeepRule: KI-gestütztes Framework für Geschäftsregeln im Einzelhandel

Auf der Plattform arXiv wurde das neue Forschungsprojekt DeepRule vorgestellt, das ein integriertes System zur automatisierten Erzeugung von Geschäftsregeln für die Sortiments- und Preisoptimierung im Einzelhandel präsentiert.

Die Autoren betonen, dass herkömmliche theoretische Modelle oft nicht die Komplexität realer Märkte abbilden. Sie identifizieren drei zentrale Lücken: Erstens die Diskrepanz zwischen unstrukturierten Textdaten – etwa Verhandlungsprotokollen und Genehmigungsdokumenten – und der Notwendigkeit präziser Kundenprofile. Zweitens die Herausforderung, dynamische Merkmale wie nichtlineare Preiselastizität und zeitlich veränderliche Attribute zu modellieren. Drittens die operative Unmachbarkeit, wenn mehrere Geschäftsebenen gleichzeitig berücksichtigt werden müssen.

DeepRule begegnet diesen Problemen mit einer dreistufigen Architektur. Ein hybrider Knowledge‑Fusion‑Engine nutzt große Sprachmodelle (LLMs), um unstrukturierte Texte semantisch zu analysieren und in strukturierte Features zu überführen, wobei gleichzeitig das Fachwissen von Managern eingebunden wird. Anschließend wird ein spieltheoretisches, constraints‑basiertes Optimierungsverfahren eingesetzt, das die Interessen von Lieferanten und Händlern ausbalanciert und Gewinnverteilungen als endogene Ziele berücksichtigt. Abschließend liefert eine interpretierbare Entscheidungs‑Distillation, die LLM‑unterstützte symbolische Regression nutzt, um Preisstrategien zu finden und zu optimieren, wobei ökonomische Priors wie nichtnegative Elastizität als harte Constraints in die mathematische Ausdruckssuche eingebettet werden.

Die Entwickler haben DeepRule in realen Einzelhandelsumgebungen getestet und konnten die Funktionsfähigkeit des Frameworks in praxisnahen Szenarien demonstrieren. Das System bietet damit einen vielversprechenden Ansatz, um komplexe Geschäftsregeln effizient und nachvollziehbar zu generieren.