Der praktische Einsatz von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) wird immer wichtiger. Heutzutage nutzen Einzelhändler diese intelligenten Technologien in erster Linie für Predictive Analytics – von einfachen Reports und Dashboards, die zeigen, was passiert ist, gehen sie hin zu Prognosen, die zeigen, was passieren wird. Diese Verschiebung ermöglicht es Unternehmen, ihre Entscheidungsfindung anhand folgender Prozesse zu optimieren:
- Regression und Klassifikation
Beim sogenannten überwachten maschinellen Lernen (Supervised Learning) lernt das IT-System auf Basis eines Trainingsdatensatzes, bei dem die korrekten Antworten bereits existieren. Wir wissen also, was wir vorhersagen wollen. Dadurch haben z. B. Banken die Möglichkeit, Kreditausfallrisiken zu berechnen oder IT-Abteilungen Spam-Nachrichten zu erkennen.
- Clustering
Beim unüberwachten maschinellen Lernen (Unsupervised Learning) lernt der Algorithmus, selbständig Muster und Zusammenhänge zu erkennen, ohne dass ihm eindeutige Zielvariablen vorgegeben werden. Hier wissen wir also nicht, was wir vorhersagen. Dabei werden wiederkehrende Muster identifiziert, um verschiedene Variablen miteinander zu verknüpfen und überwachte Modelle anhand von Feedback-Schleifen zu verbessern.
- Bestärkendes Lernen (Reinforcement Learning)
Dies wird auch als „Deep Learning“ bezeichnet und ermöglicht eine neue Stufe der End-to-End-Automation, bei der die Modelle anpassungsfähiger werden und größere Datenmengen nutzen, um noch genauer zu werden. Es eignet sich insbesondere für komplexe Aufgaben wie die Bild- und Spracherkennung, erfordert aber eine gezielte Programmierung und Frameworks samt leistungsfähiger Hardware und Rechenleistung.
Die Vorteile für Online-Händler
Die oben genannten Funktionalitäten sowie der Zugang zu größeren Datenmengen verschaffen Online-Händlern entscheidende Wettbewerbsvorteile, denn durch personalisierte Empfehlungen kann die Customer Experience (CX) wesentlich verbessert werden. Auch beim Thema Kundenbindung erweisen sich KI-Modelle als sehr vorteilhaft: Sie können zum einen mögliche Kundenabwanderungen vorhersagen und zum anderen die Betrugserkennung optimieren – beides trägt letztlich dazu bei, Umsatzverluste zu verhindern.
Ein weiterer Aspekt ist die Verbesserung des Website-Traffics und der Bestandsverwaltung. Dies wird möglich, da stark besuchte Seiten oder Abschnitte der Webseite erkannt bzw. eine potenzielle Lagerknappheit vorhergesagt werden kann. Auch das Social Media Management lässt sich durch Text- und Stimmungsanalysen optimieren, so dass die Unternehmen in der Lage sind, schnell auf aktuelle Themen zu reagieren.
Analytics-Reife und ML
Einzelhändler, die KI/ML im E-Commerce einsetzen, haben grundsätzlich schon einen sehr hohen Analytics-Reifegrad erreicht. Das heißt, sie haben bereits gründliche Datenstrategien entwickelt, die auf ihre Geschäftsziele ausgerichtet sind. Diese klare Verbindung zwischen KI-Nutzung und Unternehmenszielen hilft, die Zustimmung des Managements zu sichern und zu gewährleisten, dass die analytischen Ziele mit den allgemeinen Zielen des Unternehmens übereinstimmen.
Unternehmen, die Advanced Analytics nutzen, verfügen in der Regel auch über agile, offene Datenarchitekturen, die die Datendemokratisierung vorantreiben, sodass alle Mitarbeitenden Zugang zu den für sie relevanten Daten haben. Datenteams sollten jedoch nicht von einem einzigen Tool abhängig sein. Schließlich müssen sie auch die eingehenden Daten aus anderen Abteilungen des Unternehmens verstehen.
Der Einsatz von KI hängt zudem mit der Planung von Technologien für eine Organisation zusammen. Daher sollten sich Unternehmen auf folgende Aspekte fokussieren:
- Automatisierung, die die Datenvalidierung angesichts explodierender Datenmengen optimiert.
- Industrialisierung, um Anwendungsfälle und potenzielle KI-Innovationen zu erfassen.
- Interoperabilität, die die Nutzung spezifischer Technologien ermöglicht und die Nachvollziehbarkeit von Projekten gewährleistet.
- Operational Governance, um die Einfachheit und Zuverlässigkeit von Analysen sicherzustellen und die Kosten im Rahmen zu halten.
- Benutzerorientiertes Design, das gewährleistet, dass sowohl erfahrene als auch unerfahrene Anwender die Analysewerkzeuge verstehen.
Zwei unterschiedliche Wege, wie Exasol KI-/ML-Projekte unterstützt
Unsere Datenbank verfügt über erweiterte User Defined Functions (UDFs), mit denen R-, Python– oder Java-Codes direkt in SQL ausgeführt werden können, was die Datenbearbeitung beschleunigt und das Datenvolumen erhöht. Außerdem ermöglichen wir durch schnellere Auswertungen und sofortige Prognosen Predictive Analytics in Echtzeit, ohne die Daten an externe Systeme senden zu müssen.
Unsere Plattform umfasst auch „Test- und Trainingsprozesse“, um die besten Modelle zu identifizieren – obwohl das Ganze sehr daten- und zeitintensiv ist. Dies wird durch mehrere Integrationen ermöglicht, die die Modellentwicklung automatisieren und vereinfachen. Dazu zählen ML-Tools wie AWS Sagemaker und TurinTech.
Mit diesen Funktionalitäten waren wir in der Lage, einen weltweit führenden Sportartikelhersteller, wo wir R-basierte Loading...UDFs zum Aufbau der Kundendatenbank eingesetzt haben, noch besser zu unterstützen. Unsere Plattform verwaltet dabei mehr als 250 Millionen Kunden und umfasst über 8.000 zeitbasierte Datenpunkte pro Eintrag. Diese reichen von grundlegenden Merkmalen wie dem Geschlecht bis hin zu komplexeren Messgrößen wie der Kauflust auf bestimmte Artikel innerhalb eines definierten Zeitraums. Modelliert wurden diese Datenpunkte, indem Daten aus verschiedenen Quellen – darunter Daten von Website-Browsing, sozialen Medien und Vertriebsinformationen – miteinander kombiniert wurden. Dabei wird jeder Datenpunkt innerhalb von 24 Stunden nach jeder neuen digitalen Interaktion der Kunden aktualisiert.
Umsetzung von KI/ML in der Praxis
Eine Sache ist sicher: KI-Modelle funktionieren nur mit hochwertigen Daten. Und das bedeutet: Unternehmen müssen sich auf Qualität und Governance konzentrieren. In-Memory-Analytics-Datenbanken werden aufgrund ihrer Analysefähigkeiten zum Treiber für die Erstellung, die Speicherung und das Laden von Features in ML-Trainings-Tools. Diese Tools werden davon profitieren, dass sie enger in die Datenspeicher des Unternehmens integriert werden. So können sie effizienter mit größeren Datenmengen arbeiten und eine höhere Skalierbarkeit des Systems gewährleisten.
„Low Code“ oder „No Code“ ML wird immer besser und macht die Entwicklung zugänglicher, während R und Python zu Low-Level-Fallback-Optionen geworden sind, wenn die GUI nicht ausreicht. Wir werden darüber hinaus eine allmähliche Verlagerung von Standardlösungen hin zu spezifischen, intern generierten Modellen beobachten.
KI/ML wird in allen Branchen weiterwachsen. Die Demokratisierung von Analytics wird es Datenexperten ermöglichen, sich auf komplexe Szenarien zu konzentrieren und die Personalisierung der Customer Experience zur Norm zu machen. Die Technologie wird sich über das Front-End hinaus auf alle Geschäftsprozesse ausdehnen, um das bestmögliche Kundenerlebnis zu bieten und die Rentabilität zu steigern.
Weitere Informationen zum Wandel von Analytics im Einzelhandelssektor finden Sie hier.