Sieben Tipps, wie Einzelhändler von KI profitieren können

Künstliche Intelligenz (KI) und Machine Learning sind in unserem täglichen Leben allgegenwärtig. Dabei darf man sich moderne KI-Systeme nicht wie die humanoiden Wesen in Spielbergs Film „A.I. – Künstliche Intelligenz“ oder den Computer HAL in Kubricks „2001: Odyssee im Weltraum“ vorstellen. Sie sind einfach Softwarelösungen, die uns helfen, effizienter durch den Alltag zu kommen. Von selbstfahrenden Autos bis zur Vereinbarung von Terminen – KI-basierte Systeme vereinfachen uns das Leben. Tatsächlich begegnen wir dem ein oder anderen KI-System mehrmals am Tag, zum Beispiel, wenn Fotos in unserem Social-Media-Account verlinkt oder Zeitpläne in unserer Kalender-App angepasst werden – inklusive Benachrichtigung zum richtigen Zeitpunkt. Die meisten Apps auf unseren Smartphones nutzen auf irgendeiner Ebene KI und Machine Learning.

7_ways_retailers_benefit_from_ai_v1.3_de.png

Wie können Einzelhändler von KI profitieren?

Die Herausforderungen für Einzelhändler lassen sich in zwei Bereiche einteilen: die Aspekte des Geschäfts, die direkt mit dem Kunden zu tun haben, und alle anderen.

Die Customer Experience (CX) zu verbessern, ist dabei eine der größten Herausforderungen für den Einzelhandel. Durch die immer engere Verflechtung von Online- und Offlinewelt gewinnen E-Commerce und Omnichannel-Handel an Bedeutung. Die Kunden nutzen immer häufiger Webseiten und Smartphone-Apps, um nach Produkten zu suchen und mit dem Anbieter, anderen Kunden oder Freunden zu interagieren.

 

Sieben Wege, um die Customer Experience zu verbessern

  • Der „persönliche Einkaufsberater“: Beim Kauf neuer Kleidung fragen wir uns oft, ob es ein bestimmtes Kleidungsstück auch in einer anderen Größe oder Farbe gibt; beim Onlineshopping interessieren uns die Zahlungs- und Rückgabebedingungen. In einem Geschäft nach einem Verkäufer zu suchen oder im Onlineshop die FAQs zu durchforsten, kann sehr frustrierend sein. Deshalb wurden inzwischen neue Arten von digitalen Einkaufsberatern entwickelt (beispielsweise der Einkaufsberater, der auf IBM Watson basiert), die die Qualität des Gesprächs mit dem Berater oder dem Chatbot auf ein ganz neues Niveau bringen. KI-Systeme ermöglichen natürlichere Gespräche, sie können befragt werden wie eine reale Person und sind in der Lage genau so zu antworten.
  • Die virtuelle Umkleidekabine: Beim Onlineshopping wird immer ein bisschen Glück benötigt. Manchmal ist es schwierig einzuschätzen, wie das Kleidungsstück in Wirklichkeit aussieht (z. B. der Stoff, das Muster oder die Farbe) und es fällt ohne Anprobe oft schwer zu beurteilen, ob das neue Kleid oder die neue Bluse passt. Spezialisten wie metail.com bieten deshalb virtuelle Umkleidekabinen an. Unter Verwendung eines Fotos und einiger Maßangaben sind die Machine-Learning-Algorithmen in der Lage zu veranschaulichen, wie ein neues Kleidungsstück an einem selbst aussieht. So kann man besser beurteilen, ob die Größe und die Farbe passen, und entscheiden, ob man es tatsächlich kaufen will.
  • Persönliche Empfehlungen: Amazon hat die virtuelle Umkleide mit Echo Look noch weiterentwickelt. So heißt die neue Kamera des Unternehmens, die mit hoher Tiefenschärfe, Mikrofon, Lautsprecher und Internetanschluss ausgestattet ist und Fotos sowie Videos des Nutzers in Outfits aus dem eigenen Kleiderschrank macht. Mit der Zeit bekommt Amazon einen vollständigen Überblick über den gesamten Kleiderschrank und kann neue Produkte empfehlen oder mit dem integrierten Stylecheck dazu beraten, ob eine bestimmte Kombination gut aussieht.

Sich mit dem Kunden zu befassen, ihm die richtige Auswahl zur richtigen Zeit anzubieten und all seinen Bedürfnissen gerecht zu werden, ist für jeden Einzelhändler erfolgsentscheidend. Operative Exzellenz ist jedoch genauso wichtig. Den Handel abzuschließen, aber die Erwartungen nicht zu erfüllen, ist ein sicherer Weg, um Kunden zu verlieren.

  • Lagermanagement: Das Bestandsmanagement ist die Grundlage, um das operative Geschäft im Einzelhandel zu optimieren. Obwohl es heute zum größten Teil elektronisch gesteuert wird, ist es immer noch eine anspruchsvolle Aufgabe. Abhängig von der Geschäftssparte und dem Wert jedes einzelnen Produktes, erlaubt die Kennzeichnung mit RFID-Etiketten, genau nachzuvollziehen, wie viele Artikel auf Lager sind und wo sie sich im Lager befinden. Die Einführung solcher Systeme ist jedoch nicht immer praktikabel. Das Unternehmen Simbe Robotics hat kürzlich den Roboter „Tally“ entwickelt, der in der Filiale herumfährt und den Bestand in jedem Regal dokumentiert. Da diese Aufzeichnungen mehrmals am Tag stattfinden können, auch wenn Kunden im Laden sind, gewinnen die Mitarbeiter Zeit, sich um diese zu kümmern. Genaue Bestandsdaten sind unerlässlich, um im nächsten Schritt die Warendisposition zu automatisieren.
  • Automatisierte Warendisposition: Die Warendisposition zu optimieren, hilft Einzelhändlern auf verschiedene Weise. Optimale Warenbestände stellen sicher, dass die Kunden immer die Produkte bekommen, die sie wollen während die Kapitalbindung, Transport- und Logistikkosten sowie – im Falle von verderblichen Waren – Abschriften durch verdorbene Produkten minimiert werden. Moderne KI-basierte Systeme können Daten aus Warenwirtschaftssystemen, historische Verkaufsdaten sowie externe Einflussfaktoren wie das Wetter oder lokale Ereignisse und Feiertage berücksichtigen, um daraus präzise Prognosen des künftigen Bedarfs zu erstellen. Diese können dann genutzt werden, um unter Berücksichtigung von Einschränkungen durch Chargen, Lieferzyklen und die Lebensdauer eines bestimmten Produkts den Lagerbestand zu optimieren. Die Optimierung betrifft einen oder mehrere definierte KPIs wie den Gewinn, Out-of-Stock-Raten, Abschriften oder Kapitalbindung. Anwender können auch zwischen gewichteten Kombinationen dieser KPIs wählen oder sogar die Optimierung „weicher“ KPIs wie der Kundenzufriedenheit als Ziel definieren. Diese weichen KPIs müssen allerdings sehr sorgfältig definiert und gemessen werden. Eine Strategie, die eine Reihe von KPIs definiert, die optimiert werden sollen, erlaubt dem KI-basierten Bestellsystem, optimale Bestellentscheidungen für jedes einzelne Produkt in jeder Filiale oder an jedem POS zu treffen.
  • Dynamische Preisgestaltung: Welcher Preis ist der Beste für ein bestimmtes Produkt? Den „besten“ Preis zu bestimmen, ist eine der Kernaufgaben jedes Einzelhändlers. Was jedoch für einen einzelnen oder eine Handvoll Artikel einfach umsetzbar ist, wird zu einem unüberwindlichen Berg, sobald Zehntausende Produkte in Hunderten Filialen berücksichtigt werden müssen. Ferner können Preise variieren, je nachdem ob Warenbestand, Werbeaktionen, Wettbewerbspreise o. Ä. in die Kalkulation mit einbezogen werden. Moderne KI-basierte Preissysteme legen Preise nicht direkt fest, sondern folgen einer Preisstrategie für einzelne Artikel, Produktgruppen oder anderen größeren Einheiten. So will ein Unternehmen möglicherweise in einem Bereich den Gewinn steigern, in einem anderen den Umsatz und in einem dritten Marktanteile in einem neuen Markt gewinnen. Auch kombinierte Strategien sind möglich, wenn beispielsweise der Gewinn um 80 % und der Umsatz um 20 % verbessert werden soll. Nachdem die Preisstrategie definiert ist, kann das KI-basierte System die Preiselastizität anhand des Umsatzverlaufs im Markt messen und die Preise einzelner Artikel an bestimmten Verkaufsstellen automatisch optimieren.
  • Automatisierung der Geschäftsprozesse: Heutzutage ermöglichen die KI-basierte Warendisposition und Preisgestaltung Einzelhändlern, einen großen Teil ihrer betrieblichen Entscheidungen zu automatisieren. Wie die Erfahrung zeigt, können bis zu 99 % aller operativen Entscheidungen in diesen Bereichen automatisiert werden, was den Experten erlaubt, sich auf die wesentlichen Entscheidungen zu konzentrieren, die ein Eingreifen oder eine Änderung der Strategie erfordern. Statt die Anzahl der Mitarbeiter zu verringern, gehen die Spezialisten nicht mehr im täglichen Arbeitspensum unter, sondern bekommen die Zeit, über die beste Vorgehensweise in besonders schwierigen Fällen nachzudenken. Mit Amazon Go hat Amazon erst kürzlich bewiesen, dass nicht nur Aufgaben im Backoffice automatisiert werden können, sondern – zumindest prinzipiell – auch Schritte, die den Kunden direkt betreffen. In dem experimentellen Lebensmittelgeschäft gibt es keine Kassen mehr. Stattdessen erfassen KI-basierte Systeme, was die Kunden kaufen und was sie wieder ins Regal zurückstellen. Obwohl dieses zurzeit einzige Geschäft dieser Art das Potenzial des Konzepts beweist, ist die Technologie noch nicht „serienreif“. The Verge zufolge funktioniert das System nur, wenn nicht mehr als 20 Kunden gleichzeitig im Laden sind – eine Zahl, die für alle außer die allerkleinsten Lebensmittelgeschäfte zu gering ist.
Dr. Ulrich Kerzel Dr. Ulrich Kerzel

earned his PhD under Professor Dr Feindt at the US Fermi National Laboratory and at that time made a considerable contribution to core technology of NeuroBayes. After his PhD, he went to the University of Cambridge, where he was a Senior Research Fellow at Magdelene College. His research work focused on complex statistical analyses to understand the origin of matter and antimatter using data from the LHCb experiment at the Large Hadron Collider at CERN, the world’s biggest research institute for particle physics. He continued this work as a Research Fellow at CERN before he came to Blue Yonder as a Principal Data Scientist.