KI im Einzelhandel: Fortschritte und Potenziale
Der Einzelhandel ist aufgrund der gestiegenen Preissensitivität der Kunden und des allgemeinen Margendrucks seit Langem unter Druck. Um dem entgegenzuwirken, sollen durch Digitalisierungsinitiativen Prozesse wie Einkauf- und Nachschubplanung optimiert, Zusatzverkäufe durch personalisierte Verkaufsempfehlungen angeregt sowie Preise und Sortimente effizienter gestaltet werden. Die größte Herausforderung stellt die immense Menge an Artikel- und Kundendaten dar. Big Data eröffnet zwar interessante Einsatzszenarien für künstliche Intelligenz wie beispielsweise kassenlose Filialen, doch die dafür erforderliche hohe Datenqualität ist vor allem für unsichtbare, im Hintergrund ablaufende Prozesse entscheidend.
Herausforderung Datenqualität
Eine zentrale Schwierigkeit für Retailer besteht darin, die Verkäufe über die verschiedenen Absatzkanäle wie stationäre Filialen, Online-Marktplätze und -Shops oder Katalogverkäufe zu harmonisieren. Die Menge an Produktinformationen wächst kontinuierlich, während gleichzeitig das Sortiment anhaltenden Veränderungen unterworfen ist. Deshalb müssen Einzelhändler täglich große Mengen neuer Produktdatensätze mit jeweils bis zu Hunderten Attributen erfassen und mutieren. Zusätzlich gewinnt die Einbeziehung strukturierter und unstrukturierter Daten aus Produktbildern und Videos durch den zunehmenden E-Commerce an Bedeutung. Diese Datenpflege ist aufwendig und fehleranfällig, da sie auf den eingehenden Produktinformationen und den daraus abzuleitenden zahlreichen Regeln basiert. Fehlerhafte Datenqualität kann indes verheerende Konsequenzen wie Falschlieferungen, unterschiedliche Preise für identische Produkte nach sich ziehen. Obendrein droht eine sinkende Kundenzufriedenheit, welche sich in Zeiten von Social Media schnell verbreitet.
Regeln zur Stammdatenpflege können aber bereits etablierten ERP-Systemen wie SAP for Retail Schwierigkeiten bereiten. Retailer greifen deshalb nicht selten zu Eigenentwicklungen, um ihr ERP zu erweitern. Damit verbunden sind hohe Kosten für Wartung, eine sinkende Flexibilität der Systeme und unzureichende Funktionalitäten. Standardisierte, modifikationsfrei ins ERP integrierbare Add-ons können Abhilfe schaffen.
Standardisierte KI-Erweiterungen
Machine Learning, eine Teildisziplin der künstlichen Intelligenz, ermöglicht es, Prüfregeln flexibel und ohne Einbezug der IT-Abteilung zu erstellen und anzupassen. Algorithmen identifizieren dabei Plausibilitätsregeln, führen autonom Fehlerkorrekturen durch oder unterbreiten dem Anwender automatisch Vorschläge für Korrekturen. Die daraus gewonnenen Informationen fließen als Trainingsdaten wieder zurück ins System, wodurch dieses nach und nach eine korrekte Klassifizierung selbst erlernt.
KI am Anfang einer Entwicklung
Solche Teilautomatisierungen mittels künstlicher Intelligenz senken Fehlerquoten und Prozesskosten und ermöglichen schließlich eine optimierte Nachschub- oder Aktionsplanung sowie filialspezifische Sortimentierung. Mittlerweile können Retailer auch gemeinsam mit ihren Lieferanten auf Wetter-, Event- oder Geodaten zurückgreifen, um die Planung und Verfügbarkeit der Produkte zu verbessern und Zero-Waste-Vorhaben zu verfolgen. Die Qualität der Artikeldaten ist daher besonders wichtig für die Effizienz der Warenwirtschaftsprozesse. Die kontinuierliche Weiterentwicklung und die Integration von KI-Lösungen versprechen, die heute noch bestehenden Hürden in Zukunft effizient zu überwinden und die Leistungsfähigkeit der Systeme erheblich zu steigern. Mit einer ausgefeilten Stammdatenpflege wird der Weg für zukunftsweisende KI-Anwendungen wie Just-Walk-Out-Läden, intelligente Warenkörbe, digitale Spiegel und andere smarte Anwendungen geebnet, die den Einzelhandel revolutionieren können.
