Schlüsselwort-Archives: KI

16Feb/23

Wandel im Handel durch Künstliche Intelligenz

von Prof. Antonio Krüger – Deutsches Forschungszentrum für Künstliche Intelligenz GmbH Saarbrücken –

Digitalisierung, Digitale Zwillinge, Kontrollübergabe und smarte Sensorik sind technologische Konzepte, wie wir sie vor allem aus der Industrie kennen. Entsprechend aufbereitet und mit Realdaten gefüttert, lassen sie sich innovativ für neue Ansätze im Handel nutzen. Welche Rolle Künstliche Intelligenz dabei spielen kann, erforscht das Innovative Retail Laboratory (IRL) des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI). Ein Einblick in aktuelle Forschungsvorhaben.

Am interessantesten scheint KI zurzeit für die mittelständischen Player in den nationalen Märkten. Die während der Pandemie erweiterten Online-Angebote gilt es jetzt auszubauen und wichtiger noch, mit dem stationären Handel zu verschmelzen. Wie eine konsequente Verbindung von analoger und digitaler Welt aussehen kann, um Kundenerlebnisse und Serviceleistungen für alle Seiten gewinnbringend zu gestalten, erforschen die Partner im Projekt Knowledge4Retail (K4R). Ein vielversprechender Ansatz ist das Konzept des „Digitalen Zwillings“. Gemeint ist ein Datenabbild, das möglichst viele Eigenschaften eines analogen Objekts, z. B. einer Filiale, digital bereitstellt und das Mehrwertdienste wie die Optimierung von Filialprozessen anbietet.

Wenn Maße, Abverkaufszahlen, Bestandsmenge eines Produkts und sein Standort im Regal bekannt und virtuell abbildbar sind, dann kann KI Prozesse bei der Kommissionierung von Click&Collect-Bestellungen oder der Wiederbefüllung von Regalen optimieren, indem arbeitsökonomische Laufwege und treffsichere Nachfüllbedarfe berechnet werden. Auf der Basis der Berechnungsergebnisse können im Lager autonome Service-Robotern bestückt werden, die dann selbstständig zum Zielregal fahren und so die Mitarbeitenden entlasten. Die im Rahmen des Projektes entstandene K4R-Plattform steht allen Interessierten als OpenSource-Lösung zur Verfügung.

Multimodale Mensch-Maschine-Interaktion

Der Umgang mit Situationen, die ein autonomes Roboter-System nicht allein bewältigen kann und bei denen es die Kontrolle abgeben muss, bleibt dabei eine wesentliche Herausforderung. Bislang wurde die Kontrollübergabe (engl. Transfer of Control, ToC) weitgehend isoliert betrachtet. Im DFKI-Forschungsprojekt CAMELOT rückt die Entwicklung von Systemen in den Fokus, die aus vergangenen Situationen lernen können, um ihr Verhalten in zukünftigen, ähnlichen Situationen zu verbessern. Die Übergabe der Kontrolle an den Menschen wird effizienter, in einigen Fällen sogar obsolet, was auch eine Kernforderung der Industrie ist, die sich mit diesem Thema auseinandersetzt. CAMELOT betrachtet die Aufgabenstellung aus dem Blickwinkel selbstlernender Systeme und multimodaler Mensch-Maschine-Interaktion. Modelle des maschinellen Lernens unterstützen das System bei der Erkennung und Klassifikation von Situationen. Die Modelle sind mehrfach adaptiv: Sie lernen selbst durch Beobachtung, können aber auch durch einen Benutzer angelernt werden, um besser mit neuen Situationen umzugehen. Multimodalität spielt dabei einerseits als Quelle für die Erkennung von Benutzerverhalten in Reaktion auf das System eine Rolle, aber auch für die natürliche Kommunikation zwischen System und Benutzer, falls es zu einer Kontrollübergabe kommt.

Mit der Frage, wie analoge Einkaufsvorgänge besser digitalisiert werden können, beschäftigte sich das IRL auch im Rahmen des Forschungsprojekts VICAR. Das Projekt hatte zum Ziel, die Laufwege in stationären Geschäften datenschutzkonform in Echtzeit zu erfassen und zu analysieren. Nutzbar sind die Ergebnisse z. B. als Basis intelligenter KI-Dienste, die Kundinnen und Kunden während ihres Einkaufs Produkte empfehlen oder den zielgerichteten Einsatz von Mitarbeitenden auf der Fläche planen. Durch Analyse und Visualisierung der Kundenströme können weitere Aspekte wie die optimale Produktplatzierung oder auch Anomalien wie Diebstahlversuche abgeleitet werden. Grundlage der im Projekt betrachteten Daten sind dabei Videodaten, die bereits heute durch Systeme zum Diebstahlschutz anfallen. Durch den Einsatz innovativer Technologien wie z. B. maschinelles Lernen kann aus diesen Daten neues Wissen generiert werden.

Customer Experience verbessern

Kunden schätzen frische, regionale Produkte. Lange Wartezeiten an der Frischetheke oder an der Kasse hingegen werden als Ärgernis empfunden und schmälern das Einkaufserlebnis. KI-Methoden können dazu beitragen, Warteschlagen am Point-of-Sale zu vermeiden und die Customer Experience im stationären Einzelhandel zu .

Wie genau das geschehen kann, damit befassen sich Forschende im Projekt KoPoSaB (Kollaborations-Plattform zur KI-optimierten Steuerung autonomer Bot-Systeme). Neben technischen Aspekten, wie z. B. einer intelligenten und sich fortlaufend adaptierenden Routengenerierung, spielt auch die Kommunikation – insbesondere zwischen maschinellen Systemen und Menschen – mit Hilfe multimodaler Schnittstellen eine wichtige Rolle. So können präzise Vorhersagemodelle z. B. über die Wartezeit am Point-of-Sale erstellt werden, die es Kundinnen und Kunden ermöglichen, die Wartezeit sinnvoll zu nutzen. Solche Systeme wirken sich somit unmittelbar positiv auf die Erfahrungen der Kundinnen und Kunden aus, entlasten die Mitarbeitenden und optimieren die Personalplanung.

KI-Methoden für den wirtschaftlichen Betrieb im Wohnumfeld

In noch stärkerem Maß lassen sich intelligente Dienste nutzen, wenn man das vernetzte Zuhause beim Einkauf im stationären Handel miteinbezieht. Intelligente Dienste, die Informationen aus dem „smarten Kühlschrank“ nutzen, können bei der Reduktion von Lebensmittelabfällen helfen oder im Zusammenspiel mit mobilen Applikationen und Technologien wie Augmented Reality (AR) im Geschäft Hilfestellung bei Ernährungsfragen geben.

Entwickelt und erprobt werden diese KI-Methoden für den wirtschaftlichen Betrieb im Wohnumfeld in ForeSight, der Plattform für kontextsensitive, intelligente und vorausschauende Smart-Living-Services, die Wohnungswirtschaft, Technologieanbieter, Verbände, Handwerk und Wissenschaft zusammenbringt. Auf Basis einer gesicherten, Gaia-X-konformen Infrastruktur, allgemein akzeptierter, ethisch fundierter KI- und Machine Learning-Methoden und einer branchenübergreifenden, herstellerneutralen und koordinierten Zusammenarbeit von über 75 Organisationen werden heute schon die Grundlagen für das Wohnen von morgen geschaffen. Die Verknüpfung mit dem Handel als benachbarter Domäne spielt dabei eine wichtige Rolle.

Doch wie können die Forschungsergebnisse in die Anwendung gelangen?

Neben der direkten Kooperation mit Unternehmen aus der Industrie steht mit dem Mittelstand-Digital Zentrum Handel, an dem das DFKI gemeinsam mit dem Handelsverband Deutschland e.V. (HDE), dem EHI Retail Institute, der IFH Köln und ibi research beteiligt ist, eine branchenspezifische Anlaufstelle für kleine und mittlere Unternehmen des Einzel- und Großhandels in Deutschland zur Verfügung. Das Zentrum informiert mittelständische Unternehmen anbieterunabhängig und kostenfrei und unterstützt sie so dabei, ihre Geschäftsmodelle mithilfe digitaler Anwendungen und Technologien nachhaltig zukunftssicher zu gestalten.

08Apr/19
BrandLogistics.NET Marken Content Sync mit Handel

Digitalisierung und Category Management

1. „Ich, alles, sofort und überall.“

Der eCommerce als eine Erscheinungsform der Digitalisierung stellt den stationären Handel vor große Herausforderungen: Zum einen verlagern die Kunden nicht nur Einkäufe und somit Umsätze auf den Online-Kanal, zum anderen verändern sich auch die Ansprüche der Kunden an den stationären Handel. Kunden können im eCommerce ein unbegrenztes Sortiment (‚alles‘), zu jeder Zeit (‚sofort‘) und an jedem Ort über das Smartphone (‚überall‘) erwerben. Außerdem sind die Angebote im eCommerce häufig personalisiert (‚ich‘) und somit relevant für den Kunden.

Der stationäre Handel kann jedoch aufgrund des begrenzten Platzes auch nur ein eingeschränktes Sortiment anbieten. Dieses muss jedoch mehr denn je an die jeweiligen Kundenbedürfnisse standortgenau angepasst sein.

2. Künstliche Intelligenz – die Wunderwaffe für den stationären Handel?

Über Preise, Sortimente und Werbung entscheiden im stationären Handel (noch) Menschen. Der einzelne Category Manager ist für alle Kunden und für alle Standorte des Händlers in seiner Category verantwortlich. Daraus ergibt sich eine große Komplexität (viele Artikel und viele Standorte), die ein einzelner Mensch nur mit Vereinfachungsstrategien bewältigen kann:

– Sortimentsbildung, die an Größenclustern orientiert ist

– Preisvariationen nur auf Basis von wenigen Preisclustern

– Massenhandzettel-Werbung mit geringer regionaler Differenzierung und v. a. keiner Zielgruppendifferenzierung

Künstliche Intelligenz kann komplexe Zusammenhänge in Sekundenschnelle erfassen und (zumindest) auf Basis historischer Daten optimalere Entscheidungen als der Category Manager, der auf Basis von Vereinfachungsstrategien handeln muss, treffen.

Dabei hat die künstliche Intelligenz in den letzten Jahren deutlich an Präzision gewonnen und kann Aufgaben, die früher scheinbar nur der Mensch lösen konnte, heute schon besser erfüllen.

Hinzu kommt, dass die künstliche Intelligenz nicht nur das ‚Ist‘ auf Basis historischer Daten optimieren kann, sondern zunehmend durch ‚Predictive Analysis‘ bessere Voraussagen als der Mensch über die Zukunft treffen kann.

3. Künstliche Intelligenz und Preispolitik

Die Preispolitik hat einen hohen und direkten Einfluss auf das EBIT eines Unternehmens. Bei einer Durchschnittsrendite von 2 % (Umsatzrendite) würde sich der EBIT um 50 % (auf 3 %) erhöhen, wenn es mit einer intelligenteren Preispolitik gelänge, ein nur um 1 % höheres Preisniveau durchzusetzen. Der Kunde zahlt in diesem Beispiel für einen Warenkorb statt 20 € dann 20,20 €. Aufgrund der geringen Preiskenntnis der Kunden über einzelne Preise erscheint dies nicht unmöglich.

Künstliche Intelligenz kann die Preiselastizitäten und v.a. auch die Kreuzpreiselastizitäten eines Produktes in die Preisentscheidung miteinbeziehen. Diese Auswirkungen einer Preisveränderung können auf Standortebene und auf Kundenebene unterschiedlich sein. Das Dynamic Pricing ermöglicht es dem Händler standortgenau und z. T. auch kundengenauer den Preispunkt zu ‚setzen‘, der für die individuellen Preisbereitschaften der Kunden optimiert werden kann und somit die Rentabilität des Händlers deutlich verbessern würde.

Electronic Shelf Labeling (ESL) und kundenindividuelle Rabatte über Apps sind dabei die Enabler, um eine solche für den Category Manager zu komplexe Preispolitik auch tatsächlich umsetzen zu können. Die Preisfindung wird dabei der künstlichen Intelligenz überlassen.

4. Künstliche Intelligenz und Sortimentspolitik

Die Kundenbedürfnisse werden zunehmend differenzierter. Die vielfältigen Anforderungen an Sortimente zeigt das sog. ‚Rad der Ernährungstrends‘ (z.B. Bio, Lactosefrei, Convenience, Super Food, Veggie, Functional Food, Regional, LowCarb).

Ein Sortimentsaufbau auf Basis von niedrig/mittel/hoch Preislage kann den heutigen unterschiedlichen Erwartungen der Kunden nicht mehr gerecht werden.

Außerdem unterscheiden sich die Anforderungen der Kunden auch noch in Abhängigkeit vom Standort, denn die Kundenstruktur kann sich von Standort zu Standort signifikant unterscheiden. Auch diese Komplexität kann der Category Manager heute nicht mehr bewältigen. Künstliche Intelligenz kann standortgenau das optimale Sortiment ermitteln und auch in häufigeren Optimierungszyklen an die sich ändernden Ansprüche der Kunden anpassen. Wenn die Sortimentsfindung ‚maschinell‘ durchgeführt würde, dann könnten die Sortimente aber auch standortindividuell definiert und optimiert werden und nicht mehr nur in Clustern mit vielen Standorten.

5. Künstliche Intelligenz und Handzettel-Werbung

Handzettelwerbung ist ein Instrument des Massenmarketing. Es werden einheitliche Handzettel für alle Kunden erstellt. Dabei sind jedoch i.d.R. für den einzelnen Kunden viele Werbeartikel nicht relevant. Diese Relevanz kann wiederum durch personalisierte Angebote, z. B. über Apps hergestellt werden. Die Relevanz für den einzelnen Kunden kann aber ein einzelner Category Manager für z. B. 20 Mio. Kunden jede Woche nicht ermitteln. Diese Aufgabe können nur Algorithmen der künstlichen Intelligenz erfüllen.

Letztendlich muss es das Ziel sein, in der Zukunft auf die Massenhandzettel-Werbung komplett zu verzichten und nur noch über personalisierte, relevante Promotions den Kunden in den stationären Laden zu ‚locken‘. Wenn der Händler auf die Handzettelwerbung verzichten würde, stände ein Budget von ca. 6 % (v. Umsatz) zur Verfügung. Denn zum einen erspart sich der Händler die direkten Kosten für die Handzettelproduktion und -verteilung in Höhe von ca. 1 % (v. Umsatz) und zum anderen werden durch Handzettel-Promotions ca. 5 % (v. Umsatz) in die Marge investiert (20% Promotionanteil x Ø-25 % Preisreduktion = 5 % v. Umsatz). Dieses Budget kann optimaler und relevanter genutzt werden, um die bisherige Lockvogelfunktion des Handzettels zu übernehmen.

6. Target Group Management oder Category Management?

Der Handel entdeckt aufgrund von Kundenkarten und/oder Apps das Denken in Zielgruppen bzw. Personas. Deutlich wird, dass es nicht den Durchschnittskunden gibt, sondern dass Kunden aus unterschiedlichsten tlw. sich gegenseitig konterkarierenden Motiven eine Einkaufsstätte besuchen. Daher stellt sich die Frage, ob der Handel primär eine Zielgruppe managen sollte und erst sekundär eine Category. Denn die Frage der sog. Profilierungs-Warengruppe im Category Management Ansatz wird von jeder Zielgruppe durchaus anders beantwortet und sollte sich nicht nur am Durchschnittskunden orientieren. In einem ersten Schritt könnte eine Matrix-Organisation aus Category Manager und Target Group Manager dieses Zielgruppendenken im Unternehmen stärker zur Geltung bringen.

Letztendlich könnte aber das Zielgruppen Management das Category Management ablösen, v.a. wenn es gelänge, die wesentlichen Gestaltungsparameter (Preis,Sortiment, Werbung) v.a. durch künstliche Intelligenz entscheiden zu lassen. Das Zielgruppen Management befindet sich dann überwiegend nur noch auf einer strategischen Ebene, die taktische Ebene übernimmt die künstliche Intelligenz.

Prof. Dr. Stephan Rüschen Professor für Lebensmittelhandel/Food Retail Duale Hochschule Baden-Württemberg Heilbronn

Prof. Dr. Stephan Rüschen
Professor für Lebensmittelhandel/Food Retail
Duale Hochschule Baden-Württemberg Heilbronn

Seit 2013 Professor für Lebensmittelhandel an der DHBW Heilbronn
Bis 2012 in verschiedenen Funktionen (Einkauf, Marketing, Corporate Development) von Metro Cash & Carry in Deutschland, Ungarn und Westeuropa, zuletzt Customer Management Director in der Geschäftsführung von Metro Cash & Carry Deutschland

Forschungsschwerpunkte:
Handelsmarketing, Einkauf/Category Management, Unternehmensführung, Betriebsformen im LEH