Daniel Wolf Ansprechpartner: Ansprechpartner

Mit Künstlicher Intelligenz zu besseren Sortimenten

Künstliche Intelligenz (KI) ist heutzutage allgegenwärtig und damit auch für die Optimierung des Sortimentsmanagements hochgradig relevant. Viele Online-Händler wie Amazon nutzen KI bereits, um durch gezielte Vorhersagen interne Abläufe zu verbessern oder zusätzliche Umsätze zu generieren. Während der Online-Handel über die Webseite sein „Sortiment“ schnell an Trends und Kundenbedürfnisse ausrichten kann, muss der stationäre Handel mit einer begrenzten Ladenfläche arbeiten. Für den stationären Handel ist es daher erfolgskritisch, im Rahmen eines strukturierten Sortimentsmanagements regelmäßig sein Sortiment zu überarbeiten, damit dieses den Kundenbedürfnissen und aktuellen Trends gerecht wird. Aus unserer Erfahrung kann eine Sortimentsüberarbeitung, beispielsweise im Lebensmitteleinzelhandel, zu einer Umsatzsteigerung von im Durchschnitt 2% bis 3% in der überarbeiteten Warenkategorie führen.

Für das Sortimentsmanagement bei stationären Händlern ergeben sich drei Herausforderungen, die mit künstlicher Intelligenz adressiert werden können:

Die Herausforderungen

Lange Zeitspanne zwischen Sortimentsüberarbeitungen

Eine Sortimentsüberarbeitung löst eine Vielzahl angrenzender Prozesse aus, z.B. die Planogrammerstellung, Supply-Chain-Planung und die Umsetzung auf der Fläche. Dies führt zu hohem Aufwand in der gesamten Prozesskette. Vor diesem Hintergrund werden im stationären Handel einzelne Warenkategorien nur alle 2-3 Jahre überarbeitet.

Hoher Abstimmungsbedarf

Mehrere Unternehmensfunktionen wie etwa Logistik, Vertrieb und Category Management müssen im Rahmen der Umsetzung zusammenarbeiten. Dies kann durch die höhere Komplexität in der abteilungsübergreifenden Kommunikation zu Herausforderungen in Abstimmungsprozessen führen.

Viele manuelle Analysen

Absatz- und Umsatzhistorien, Kundenbedarfe, Lieferantenprognosen und weitere Analysen werden mit hohem manuellen Aufwand zusammengeführt. In diesen Fällen können Ineffizienzen entstehen, die es idealerweise in jedem Fall zu erkennen und nachhaltig zu vermeiden gilt.

Lösungsansätze aus der Praxis

Ein modernes Sortimentsmanagement sollte künstliche Intelligenz einsetzen, um sowohl den Automatisierungsgrad als auch die Ergebnisqualität zu erhöhen. Die zwei folgenden Lösungsansätze spiegeln dabei den allgemeinen Trend wieder, von einfacheren Analysen zu hochwertigeren Verfahren zu wechseln. Wie auch bei sonstigen Analysen gilt insbesondere für KI, dass Daten in hinreichender Qualität vorliegen müssen. Das Prinzip „Garbage in, Garbage out“ gilt hier umso mehr, da mit mangelhaften Daten auch mangelhafte KI-Modelle angelernt würden.

Automatisierung von Datenanalysen und Erkennung von Trends

Die Frage, “Welche neuen und für Kunden interessante Produkte sollen im Regal stehen?”, ist eine der Kernfragen bei der Überarbeitung des Sortiments. KI adressiert dabei zwei wesentliche Herausforderungen. Zum einen werden heute externe Daten häufig kaum genutzt, da es herausfordernd ist zu bestimmen, welche der vielen Datenpunkte eine gute Vorhersage für neue Produkttrends ermöglichen. Zu externen Daten gehören beispielsweise Wetterdaten sowie Trenddaten aus sozialen Medien wie Twitter oder den Nachrichten.

Zum anderen findet eine strukturierte Überarbeitung eines Sortiments oft nur punktuell nach längeren Zeitintervallen (Monate, Jahre) statt, da ganzheitliche Analysen hohe Aufwände erzeugen. Einzelne Anpassungen aufgrund aktueller Marktentwicklungen werden zwar im Tagesgeschäft vorgenommen – dafür aber ohne eine umfassend aktualisierte Datengrundlage bzw. -auswertung.

Gerade in diesen Fällen kann KI ihre Vorteile einbringen. Im Deep Learning bestimmt die KI schrittweise, welche der Datenmerkmale für die Vorhersage besonders relevant sind (z.B. Wetter, Warengruppe, Altersgruppe des Kunden, etc.). Das Modell entwickelt sich mit jedem neu gelernten Wert weiter. Dadurch wird die Sortimentszusammenstellung unterstützt. Für den Gesamtprozess der Überarbeitung bedeutet dies, dass dieser öfter und strukturiert durchgeführt werden kann. Dies hilft dabei, kundenorientierte Sortimente schneller im Markt abzubilden. Nichtsdestotrotz ist weiterhin Experten-Input erforderlich – sowohl fachlich als auch technisch.

Beispiel: Rossmann hat eine KI-Lösung eingeführt und diese mit historischen Verkaufszahlen sowie externen Trenddaten von Google und Amazon trainiert, um Verbrauchertrends der nächsten 18 Monate vorherzusagen. Als Ergebnis wurde in 2018 ein Cannabis (CBD) Öl eingelistet, noch bevor der Trend zu CBD-Produkten in 2019 in den Absatzzahlen erkennbar wurde. [1]

Lösungansatz 1: Künstliche Intelligenz automatisiert Datenanalyse und erkennt Trends

  • Reduziert manuelle Aufwände zur Datenaufbereitung und ermöglicht somit regelmäßigere Sortimentsüberarbeitungen
  • KI Kann auch für Entscheidungen im Tagesgeschäft aktuelle Daten und Vorschläge automatisch aufbereiten
  • KI ermöglicht Einbindung zusätzlicher Datenquellen
  • Qualität der Entscheidungen in der Sortimentsüberarbeitung und im Tagesgeschäft wird verbessert

Individuelle Sortimente in den Märkten

In einer idealtypischen Situation erhält jeder Markt im stationären Handel das Sortiment, welches für die lokalen Gegebenheiten und den Standort des Marktes am besten geeignet ist (z.B. regionale Produkte oder Produkte an Kaufkraft der Kunden angepasst). Das Zielbild sollte dabei aber nicht sein, dass in den Märkten eine Individualisierung des Sortiments auf Basis der Erfahrungswerte der Marktmitarbeiter stattfindet. Vielmehr sollte die Individualisierung des Sortiments durch die zentralen Category Manager auf Basis umfangreicher Datenanlysen erfolgen. Neben der Produktauswahl im Sortiment betrifft dies auch die Platzierung im jeweiligen Regal. Gegen eine Individualisierung der Sortimente sprechen heute insbesondere die hohen Aufwände aufgrund manueller Prozessschritte. In hunderten Märkten individuelle Sortimente, Planogramme etc. einzuführen, ist daher für Handelsunternehmen heute nicht möglich.

KI ermöglicht in diesem Fall mit historischen Verkaufsdaten sowie Daten zum jeweiligen Markt und dessen Umgebung ein umfassendes Modell zu erstellen. Es kann die lokalen Begebenheiten jedes Marktes sowohl für den Produktmix als auch die Platzierung im Regal berücksichtigen. Dadurch wird die Sortiments- und Planogrammerstellung automatisiert und es wird möglich, diese mit geringem Aufwand aber dennoch datengestützt marktindividuell durchzuführen und somit mehr Umsatz zu generieren.

Beispieldm entwickelt mit weiteren stationären Händlern ab 2019 eine KI-Plattform und nutzt diese, um „die optimale Sortimentszusammenstellung und -platzierung für die Filialen zu berechnen“. Dabei fließen Kunden-, Filial-, Abverkaufs- und Geomarketingdaten sowie die Erfassung der Regalbestände mit physischen Robotern ein. [2]

Lösungansatz 2: Künstliche Intelligenz ermöglicht individuellere Sortimente in den Märkten

  • KI ermöglicht eine individuelle Datenanalyse auf Regions- oder Marktebene
  • KI übernimmmt Schritte mit hohem manuellen Aufwand (z.B.. Planogrammerstellung)
  • Sortimente können individueller ausgesteuert und für den Standort jedes Marktes optimiert werden

Ganzheitlicher Ansatz für KI-Projekte

Safaric Consulting verfolgt in KI-Projekten für Sortimentsmanagement einen ganzheitlichen Ansatz, begonnen bei der Aufnahme der IST-Prozesse, dem Entwurf eines Zielbildes mit KI und der Begleitung der Umsetzung. Dabei können Sie auf unsere Erfahrung aus über 15 Jahren Beratung im Handel zählen – sei es bei der Reorganisation und dem Aufbau von (neuen) Unternehmensfunktionen mit Fokus auf KI im Handel, bei der Steuerung externer Dienstleister und der Verankerung von fokussierten KI-Innovationsprojekten im Tagesgeschäft Ihrer Organisation. Für Sie bewerten wir nicht nur laufende KI-Initiativen, sondern planen und managen neue KI-Initiativen, damit Sie die für Sie passenden KI-Komponenten im Sortimentsmanagement einsetzen.

Hintergrund: Sortimentsmanagement und Künstliche Intelligenz (KI)

Sortimentsmanagement

Sortimentsmanagement ist der zentrale Baustein eines modernen Category Management. Ausgehend von einer detaillierten Kundensegmentierung und einer darauf aufbauenden Analyse der Kundenbedürfnisse umfasst es die Sortimentsfindung und somit die Entscheidung, welche Artikel ins Sortiment aufgenommen werden und wie diese auf der Fläche dargestellt werden (z.B. Erstellung von Planogrammen).

Ein kritischer Erfolgsfaktor für ein gutes Sortimentsmanagement ist dabei, dass der Prozess eng mit anderen Prozessen des Category Management und angrenzender Abteilungen verknüpft ist. Nur so kann sichergestellt werden, dass alle relevanten Rahmenbedingungen (z.B. strategische Leitplanken, Makro-Marktlayoutstrategie und Lagerkapazitäten) bei der Sortimentsfindung berücksichtigt werden und alle Folgeprozesse (z.B. Logistikplanung, Aktionsmanagement, etc.) richtig arbeiten können.

Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) hat das Ziel menschliches Verhalten und Denken abzubilden. Darunter versteht man heutzutage insbesondere, dass aus Daten Muster „erkannt“ werden. Aus diesen Mustern wird eine Vorhersage in die Zukunft möglich. Die KI wird dabei häufig durch den Menschen in einer lehrenden Expertenfunktion begleitet, indem er die Ziele vorgibt – sprich, welches Ergebnis erwünscht ist und welches nicht. Man spricht hier vom „supervised learning“. Beginnt eine KI ohne Zielvorgabe zu lernen und Muster zu erkennen, spricht man hingegeben vom „unsupervised learning“ (z.B. Kunden segmentieren ohne Vorgabe der Segmente).

Beides fällt unter das sogenannte „Machine Learning“. Dort bedient sich eine KI aber nicht nur ganz neuer Verfahren, sondern macht traditionelle Verfahren der Mathematik durch moderne Technologien und Tools einfacher nutzbar. Besonderen Nutzen zieht man dabei aus dem sogenannten „Deep Learning“, das dem menschlichen Gehirn nachempfundene neuronale Netze nutzt. Diese haben die Eigenschaft, dass sie sich autonom mit neuen Datensätzen anpassen und Ihr Vorhersagemodell flexibel justieren, ohne dass manuell eingegriffen wird. Besonders relevant für den Handel sind daher KI-Anwendungsfälle, die sich „Deep Learning“ bedienen.

Quellen: [1] Business Insider, 2019; [2] Lebensmittelzeitung, 2019. 

Cookie-Hinweis

Diese Seite nutzt Cookies und Technologien von Dritten, um ihre Dienste anzubieten und zu verbessern. Bitte bestätigen Sie, dass Sie mit der Nutzung dieser Technologien und der Verarbeitung Ihrer personenbezogenen Daten für diese Zwecke einverstanden sind.

Cookies akzeptieren Einstellungen / Datenschutzhinweise
Einstellungen

Die von dieser Webseite verwendeten Cookies sind in zwei verschiedene Kategorien eingeteilt. Notwendige Cookies sind essentiell für die Funktionalität dieser Webseite, während optionale Cookies uns dabei helfen, das Benutzererlebnis durch zusätzliche Funktionen und durch Analyse des Nutzerverhaltens zu verbessern. Sie können der Verwendung optionaler Cookies widersprechen, was allerdings zu einer eingeschränkten Funktionalität dieser Webseite führen kann.

Cookies akzeptieren Nur notwendige Cookies akzeptieren Weitere Infos zu Cookies