04.12.2025, 10:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Forecasting Retailer Discount Strategies: A Comparative Analysis of Econometric and Machine Learning Models
Kurzfassung:
Diese Arbeit vergleicht ökonometrische und Machine-Learning-Ansätze zur Vorhersage wöchentlicher
Produktaktionen im österreichischen Einzelhandel. Grundlage sind über
80.000 Angebote aus digitalen Werbefoldern (2022–2024), aufbereitet zu einem Wochen-panel mit
Merkmalen zu Historie, Rezenz, Saisonalität und Wettbewerb. Untersucht werden Modelle von naiven
Regeln über Regressionen bis zu Ensembleverfahren.
Die Ergebnisse zeigen, dass Gradient-Boosting-Bäume (LightGBM) die höchste Genauigkeit erreichen
(AUC 0,75) und bereits durch Betrachtung der besten 5% der Vorhersagen rund 27% aller Aktionen
erfasst werden können. Die Prognostizierbarkeit unterscheidet sich deutlich: Kategorien wie Bier
und Softdrinks sowie Händler mit dichten Aktionskal-endern (BILLA, SPAR, PENNY) sind gut
vorhersagbar, während Discounter und seltene Kategorien schwieriger bleiben. Über alle Modelle
hinweg sind die eigene Aktionshistorie und gruppenweite Dynamiken die wichtigsten Prädiktoren.
Die Ergebnisse zeigen, dass verlässliche und interpretierbare Aktionsprognosen möglich sind – mit
Nutzen für Konsumenten, Händlerstrategien und Wettbewerbsbeobachtung.