Machine Learning

Warum sich der Handel mit Machine Learning auseinandersetzen sollte

Das Bundesministerium für Wirtschaft und Energie hatte Anfang 2020 die Studie „Perspektiven der Künstlichen Intelligenz für den Einzelhandel in Deutschland“ veröffentlicht. Durchgeführt wurde die Studie von dem Konsortium bestehend aus Youse, einem Unternehmen für User Experience Beratung, dem Deutschen Forschungszentrum für Künstliche Intelligenz und dem EHI Retail Institute. INTERNET WORLD hat mit Marco Atzberger, Mitglied der Geschäftsleitung im EHI Retail Institute, über Machine Learning im Handel gesprochen.

Warum sind Machine Learning und Künstliche Intelligenz jetzt aktuelle Themen im Handel?

Marco Atzberger: Leistungsfähige Computersysteme und die fast unbeschränkte Verfügbarkeit von Daten führen dazu, dass die theoretischen Erkenntnisse der KI-Forschung, die gar nicht so neu sind, endlich anwendbar sind. Der digitale Online-Handel hat dabei dem stationären Handel vorgemacht, welche Nutzenpotenziale durch eine fakten- und datengetriebene Unternehmenskultur gehoben werden können. Da kommt also einiges zusammen, was den Funken ausgelöst hat.

Beziehen sich die Ergebnisse der Studie „Perspektiven der künstlichen Intelligenz für den Einzelhandel in Deutschland“ nur auf den stationären Handel oder auch auf den digitalen Handel?

Atzberger: Wir unterscheiden ungern zwischen stationär und digital, sondern lieber in den Handel, der viele Daten hat und den ohne Daten. Da hat der Online-Handel einen Vorsprung, weil automatisch alle Daten digital vorliegen, aber auch der stationäre Handel – zumindest die Großen – sitzen auf vielen Milliarden Datensätzen, nehmen Sie alleine die Bondaten. In unserer Studie finden sich dann auch unzählige Beispiele, wie Dynamic Pricing, Personaleinsatzplanung, Chatbot, Steuerung der Logistik, Betrugsdetektion und andere. Die passen für jeden Handel, vielleicht jeweils mit einem eigenen kleinen Twist.

Sie haben in der Studie konkrete Anwendungen von Machine Learning und KI im Handel benannt und sie den vier Bereichen „Zentrale“, „Filiale“, „Logistik und Transport“ und „Kundenerfahrung“ zugeordnet. Können Sie jeweils Beispiele für KI-Anwendungen in diesen Bereichen geben?

Atzberger: Wir haben ein schönes Poster erstellt, das typische und realisierbare Anwendungen in den vier Bereichen aufzählt. Das sagt nichts darüber, wo die Maschine steht, denn die KI sitzt in der Regel in der Cloud. Sortiments- und Preisentscheidungen haben wir zum Beispiel der Zentrale zugeordnet, intelligente Spiegel und Putzroboter der Filiale. In der Logistik finden sich beispielsweise Kommissioniersysteme. Und unter Kundenerfahrung sind die angesprochen Chatbots aber auch visuelle Produkterkennung. Ein bunter Strauß also.

Ein Blick in Ihre Studie verdeutlicht, dass KI-Anwendungen im Handel nur von einer Minderheit eingesetzt werden. Was hindert Händler, stärker auf Machine Learning und KI zu setzen?

Atzberger: Nun – das ist die Realität. Alle sprechen darüber, die besten machen‘s. Es kommt zu einer zunehmenden Spreizung des Marktes in erfolgreiche und erfolglose Händler. Da sind drei große Entwicklungslinien, die bestimmen werden, wie es von heute aus weitergeht: Erstens die technische Entwicklung, und damit Preise und Verfügbarkeiten der Technologien für alle. Zweitens, die rechtliche Grundlage und damit die Frage, ob nur asiatische und amerikanische Anbieter eine Chance haben und drittens – und das kann der Handel beeinflussen – der eigene Umgang mit Innovation, Lernbereitschaft und natürlich auch Fehlertoleranz.

ML und KI benötigen große Datenmengen, auf deren Basis die Maschinen lernen können. Daten zu sammeln, zu strukturieren, zu transformieren, damit sie für Machine Learning herangezogen werden können, kostet Zeit und Geld. Lohnt sich das nur für große Unternehmen?

Atzberger: Jein – wenn Sie ein Ladengeschäft haben und nur 15 Kunden pro Tag haben und keine IT-Abteilung, dann werden sie auch keine individuelle KI-Softwareentwicklung betreiben – das ist doch klar. Wir werden aber sehen, dass auch für diese Kunden schlüsselfertige Lösungen entstehen. Das gilt für KI in der Glühbirne, die das Licht und den Energiebedarf steuert. Das gilt für das Kassensystem, das auf externe Quellen wie Preissuchmaschinen zurückgreift und Vorschläge für die Anpassung von Endverkäuferpreisen macht. Und das gilt für OCR-Software, die die Rechnung einliest und das Warenwirtschaftssystem mit Produktdaten füllt. Trotzdem bleibt in einem eigentümergeführten Einzelhandel der Eigentümer die zentrale Intelligenz.

Im Mittelalter variierten Preise auf den Marktplätzen je nach Tageszeit und Kunde

Dynamic Pricing und Predictive Analytics sind Kernanwendungsgebiete der KI. Ist Dynamic Pricing für jedes Handelsunternehmen relevant oder nur für bestimmte?

Atzberger: Es ist eigentlich ganz witzig, in den Frühformen des Handels also auf Marktplätzen im Mittelalter, war Dynamic Pricing die einzige Form – je nach Tageszeit und Kunde variierte der Preis für die Kartoffeln oder das Tuch. Erst mit dem Warenhaus kamen feste Preise. Das sitzt jetzt so im Selbstverständnis unserer Einkaufskultur, dass wir wechselnde Preise teilweise als unsozial oder unseriös einstufen.
Der Händler hat da zwei Perspektiven: Entweder hat meine Ware einen gerechtfertigten Wert und diesen verlange ich, oder ich optimiere ständig und kontinuierlich den Preis, um auch kleinste Potenziale auszuschöpfen. Dann muss der Händler entscheiden: ‚Mache ich dies im gesamten Sortiment oder nur bei einigen Eckartikeln?‘ Und vor allem ist die Frage zu beantworten: Was machen meine Kunden noch mit? Und ich möchte nur Datenschutz und Kartellrecht kurz in dieser Frage auch in Erinnerung rufen.

Was sind die Voraussetzungen oder Rahmenbedingungen für Dynamic Pricing?

Atzberger: Zum einen brauche ich die Daten, um meine Algorithmus der richtigen Preis finden zu lassen. Das sind Dinge wie eine Preis-Absatz-Funktion, auf einem allgemeinen oder sogar kundenindividuellen Niveau, Wettbewerberdaten, meine eigenen Bestände, meine eigenen Einkaufskonditionen etc. Je mehr Daten umso besser. Und dann benötige ich natürlich die Möglichkeit, die Preise auszuspielen. Für einen Online-Händler ist das einfach, der stationäre benötigt dafür in der Regel Elektronische Regaletiketten, so dass er tatsächlich kontinuierlich den Regalpreis ändern kann, ohne sein Personal ständig mit neuen Preisschildern durch das Geschäft zu schicken. Wir wissen aus der Luftfahrt, dass die Kunden dynamische Preise schlussendlich akzeptieren. Als Reaktion haben sie allerdings massiv auf Portale gesetzt, die Preisunterschiede transparent machen und der Wettbewerb hat die Preisspirale auch ohne Corona gefährlich weit nach unten gedreht.

Und wie steht es mit Predictive Analytics?

Atzberger: Predictive Analytics ist der Blick in die Kristalkugel – allerdings ohne Magie, sondern mit Mathematik und Daten. Man kann enorm viele Fragen an die Zukunft hierunter zusammenfassen. Im Zusammenhang mit dem Handel geht es oftmals um die Voraussage von Absatzmengen. Das hat große Vorteile. Man kann für einen ausreichend hohen Bestand sorgen, Produkte verfallen nicht, weil sie in zu großer Menge eingekauft wurden, der Kunde bekommt einen schnellen Service, man kann frühzeitig nachordern und die Logistikkette entspannen. Es ist also klar, das eine frühzeitige Kenntnis künftiger Verkäufe ein Wettbewerbsvorteil ist.
Die Komplexität ist nur ungeheuer groß, weil es immer einen weiteren Einflussfaktor gibt, der auch eine Rolle spielen kann. Der eigene Preis, die Preise des Wettbewerbes, Werbung, Wetter, Volksfeste, Baustelle vor dem Geschäft, Anlässe wie Black Friday oder Weihnachten, der Launch eines neuen Produktes und so fort. Ich denke, es ist klar, dass der menschliche Verstand hier schnell überfordert ist und dann eher zu einfachen Heuristiken greift, wie einen Mindestbestand oder die Vorjahreszahlen zu nutzen.

Nimmt die Bedeutung von Machine Learning im Handel und damit von Data Driven Commerce zu?

Atzberger: Wir haben ganz aktuell ein Projekt abgeschlossen, dass die künftigen Szenarien der KI im Handel analysiert und insgesamt acht mögliche Zukünfte identifiziert. Dier Mehrheit der Experten war sich dabei einig, dass wir in eine Handelswelt laufen, in der Machine Learning deutlich zunehmen wird. Die Daten und die Technologien sind da, sie gehen nicht weg und es lassen sich große Vorteile identifizieren.
Worüber keine Einigkeit herrschte, war die Frage, ob dieses Machine Learning von allen oder nur von einer technologische Führerschaft einsetzbar wird, und darüber, wie offensichtlich für den Kunden es stattfindet. Das hat viel mit der Haltung in der Gesellschaft zu tun und von jedem Einzelnen. Die Auseinandersetzung damit muss stattfinden sowohl in der Politik, aber auch in jedem Handelsunternehmen. Auch die KI- und ML-Community hat diese Diskussion zu führen.