Fortschritte in der Darstellung komplexer Daten mittels Lernalgorithmen der Graphentheorie und des Maschinellen Lernens haben bereits in vielen Feldern wertvolle neue Erkenntnisse gebracht. Die Betrachtung ökonomischer Prozesse als Netzwerke findet aufgrund ihres intuitiven Charakters und ihrer Repräsentativität immer mehr Zuspruch. So lässt sich jede Transaktion als Teil eines Netzwerkes darstellen. Prominente Beispiele sind hierbei Handel zwischen Ländern, Energiemärkte oder Migrationsströme. Jedoch bleiben quantitative Betrachtungen dieser Beziehungen mithilfe von modernen Netzwerkmethoden bis jetzt weitgehend aus.

Um die Schnittstelle zwischen diesen Algorithmen und den volkswirtschaftlichen Modellen zu etablieren, müssen bestehende Methoden, wie das „Graph Embedding“, „Graph Neural Networks“ und „Knowledge Graphs“ auf die Eigenheiten ökonomischer Prozesse angepasst werden. Insbesondere sind Kontextinformationen der einzelnen Transaktionspartner, wie z.B. deren Nationalität oder Distanz zueinander, von Relevanz. Aufgrund des ständigen Wandels ökonomischer Systeme ist ein weiterer Schwerpunkt die Anpassung existierender Methoden, um die Dynamiken und temporale Kontextinformationen abzubilden. Weitere Herausforderungen sind die adäquate Repräsentation der hohen Dimensionalität ökonomischer Daten, deren extreme Verteilungen sowie die Veränderung der Netzwerkstruktur über die Zeit.