AI und Machine Learning im Retail-Sektor

KI (Bild: Shutterstock.com/agsandrew)

64 Prozent der deutschen Unternehmen setzen sich derzeit intensiv mit dem Thema Machine Learning auseinander und rund ein Fünftel setzt bereits ML-Technologien ein. Dr. Hanna Köpcke, Gründerin und CTO von Webdata Solutions, erklärt im Gastbeitrag für silicon.de die Einsatzperspektiven im Handel.

Intelligenz ist die Fähigkeit, durch abstraktes logisches Denken und über lernende Prozesse Herausforderungen zu meistern. Ein Mensch ist in unseren Augen intelligent, wenn er über ein breites Wissensspektrum verfügt, eine analytische Denkweise an den Tag legt oder kreativ und schnell handeln kann. Durch die fortschreitenden Entwicklungen im Technologie-Bereich erweisen sich seit geraumer Zeit auch Systeme und Software als intelligent. In diesem Zusammenhang spricht man von Artificial Intelligence, kurz AI oder auch künstliche Intelligenz.

 Dr. Hanna Köpcke, Gründerin und CTO von Webdata Solutions (Bild: Webdata Solutions)

Dr. Hanna Köpcke, die Autorin dieses Gastbeitrags für silicon.de, ist Gründerin und CTO von Webdata Solutions (Bild: Webdata Solutions)

Eine der häufigsten Techniken im Bereich der Künstlichen Intelligenz ist Maschinelles Lernen (Machine Learning oder kurz ML). Maschinelles Lernen basiert auf einer Technologie, die anhand von Algorithmen in der Lage ist zu lernen und sich weiterzuentwickeln.

Durch maschinelles Lernen generiert ein künstliches System komplexes Wissen aus Erfahrung. Dafür lernt es aus konkreten Beispielen und Best Practices und kann das Erlernte im Anschluss verallgemeinern und der jeweiligen Situation anpassen. Es identifiziert in den Daten Muster, die auf unbekannte Daten transferiert werden.

Deep Learning ist ein Teilbereich des Machine Learnings und nutzt künstliche neuronale Netze. Vereinfacht gesagt, orientieren sich diese Rechenverfahren an der Arbeitsweise des Gehirns und simulieren dazu ein dicht verwobenes Netz aus einfachen Nervenzellen. Wie ihr natürliches Vorbild lernen sie aus der Erfahrung, indem sie die Stärke der simulierten Neuronenverbindungen passgenau ändern.

Status quo im Online-Handel

64 Prozent der deutschen Unternehmen setzen sich derzeit intensiv mit dem Thema Machine Learning auseinander und rund ein Fünftel setzt bereits ML-Technologien ein. Zu diesem Ergebnis kommt die empirische Studie Machine Learning im Unternehmenseinsatz von Crisp Research, The unbelievable Machine Company und Hewlett Packard Enterprise.

E-Commerce (Bild: Shutterstock/cybrain)

Auch der Online-Handel kann sich diesem Thema nicht entziehen. Chat- und Service-Bots, welche die Kommunikation zwischen Kunden und Unternehmen im Online-Shop vereinfachen und verbessern, sind nur ein Vorteil dessen, was durch Machine Learning und AI erst möglich ist. Außerdem werden somit intelligente Prognosesysteme und Personalisierung ermöglicht.
Doch das funktioniert nur, wenn die zugrunde liegenden Daten passen und richtig sind. Ansonsten droht das bekannte “Garbage in – Garbage out”. Die notwendige Datenqualität sicherzustellen, ist ein schwieriges Unterfangen. Gerade in Zeiten von Big Data, in denen die Menge der Daten, die Zahl der Datenquellen und die Varianz der Datentypen ständig zunehmen, wachsen auch die Herausforderungen.

Der Einsatz von Machine Learning im Product Matching

Ob der stationäre Markt oder der Online-Handel – in kaum einer anderen Branche herrscht ein derartig großes Datenchaos, das bewältigt werden muss. In erster Linie zeigt sich die Heterogenität der Daten – d.h. uneinheitliche Bezeichnungen der Daten – dafür verantwortlich.

Uneinheitliche Bezeichnungen entstehen unter anderem durch die Verwendung von:

  • Domänenspezifischen Bezeichnungen und Abkürzungen: Im Bereich Fashion ist zum Beispiel “lg. A.” eine Abkürzung für “Lang arm”. Im Bereich Elektronik ist LG ein Markenhersteller.
  • Heterogenen Bezeichnungen für Größen und Stückangaben: S vs. 36 oder 6 Stück vs. 2×3 Stück
  • Heterogenen Schreibweisen von Modellbezeichnungen: DHI655FX vs. DHI 655 FX oder DHI-655 FX.
  • Synonymen: Im Bereich Fashion bezeichnen zum Beispiel Hoody, Hoodie und Kapuzenpullover einen Pullover mit Kapuze

Bei weltweit agierenden Unternehmen kommt außerdem die Verwendung unterschiedlicher Sprachen erschwerend hinzu.

Genutzt wird das Maschinelle Lernen auch beim sogenannten Product Matching. Wenn es darum geht, den Datenbestand von Produkten mit uneinheitlichen Bezeichnungen – sogenannten Duplikaten – zu bereinigen oder mit anderen Daten zu verknüpfen, beispielsweise für die Durchführung von BI Analysen oder im Rahmen von Dynamic Pricing, dann ist der Prozess des Product Matching entscheidend. Eine manuelle Bereinigung der Daten ist sowohl zeit- und kostenintensiver als auch fehleranfälliger. Mit Machine Learning lässt sich Big Data hingegen schnell und verlässlich analysieren. Zudem sorgen durchdachte Algorithmen für die gründliche Zuordnung der komplexen Produktdaten.

Dynamic Pricing mit Machine Learning

Fast täglich gehen neue Shops online, gewinnen tausende Neukunden, die wiederum unzählige Produkte online über PC, Smartphone oder Tablet bestellen. Wer langfristig erfolgreich sein will, muss das Marktgeschehen und das Kunden- und Wettbewerberverhalten genau beobachten und kennen. Der Preis ist dabei sowohl für den Kunden als auch für das Unternehmen ein sehr sensibles und entscheidungskritisches Thema. Der Preiskampf wird härter und dank großer Online-Händler wie Amazon dynamischer denn je.

Künstliche Intelligenz (Bild: Shutterstock/agsandrew)

Das machen AI und maschinelles Lernen auch im Pricing-Sektor zu einem unverzichtbaren Mittel. Die Datenvolumina, die Unternehmen generieren, sammeln und bearbeiten müssen, sind zu enorm und komplex, als dass sie manuell gemanagt werden können. Technologien, die auf ML basieren, bieten einen notwendigen Ansatz, um diese anspruchsvolle Analyse schnell, effektiv und kosteneffizient durchzuführen.

Vorreiter sind Pure-Player wie Amazon und Ebay, die bereits heute ML vorteilhaft und gewinnbringend einsetzen. Auch mittelständische Unternehmen und Multichannel-Händler müssen ein dynamisches Preismanagement etablieren, das ihnen Marktanteile sichert, Margen erhöht und stets den aktuellen Bedingungen entspricht.

Dabei geht es längst nicht mehr um eine reine Niedrigpreisstrategie, die das Risiko von Verlusten bis hin zur Geschäftsaufgabe stark erhöht. Durch eine aktive Preisbeobachtung und –optimierung können Händler sogar Margen erhöhen und ihre Verhandlungsbasis mit Lieferanten stärken. Ziel soll es nicht sein, stets der Günstigste am Markt zu sein, sondern immer nah an der Konkurrenz und dem Marktgeschehen zu bleiben und eine dynamische Preisstrategie zu etablieren.

Ausgewähltes Whitepaper

So lassen sich Risiken bei der Planung eines SAP S/4HANA-Projektes vermeiden

Ziel dieses Ratgebers ist es, SAP-Nutzern, die sich mit SAP S/4HANA auseinandersetzen, Denkanstöße zu liefern, wie sie Projektrisiken bei der Planung Ihres SAP S/4HANA-Projektes vermeiden können.

Um das Preismanagement durch eine gesteigerte Produktivität effizienter zu gestalten, bedarf es einer Fokussierung auf Marktdaten. Der gesamte Pricing-Sektor bedient sich zukünftig vermehrt wissenschaftlicher Methoden und der Mathematik, um Entscheidungen zu treffen.

Machine Learning schafft Wettbewerbsvorteile

Mit gut durchdachten Preisveränderungen lassen sich langfristig Gewinne steigern und Marktanteile sichern. Eine aktive, dynamische Pricing-Strategie sollte deshalb fester Bestandteil im Unternehmen sein. Möglich wird die tagesaktuelle, marktrelevante Anpassung der Preise durch eine hohe Markttransparenz und die Beobachtung der nationalen und internationalen Konkurrenz. Mit modernster Technologie, die auf künstlicher Intelligenz basiert, wird dieses Vorgehen so einfach und kosteneffektiv wie nie. Händler im E-Commerce können so ihre Prozesse deutlich beschleunigen sowie optimieren und so dem Wettbewerb einen deutlichen Schritt voraus sein.