Was die Erfolge im Machine Learning für den stationären Handel bedeuten.

Mit Machine Learning können im stationären Handel viele Prozesse optimiert werden.

Mit dem wachsenden Erfolg der großen E-Commerce-Händler wurde in den letzten Jahren schon oft das Ende des stationären Handels beschworen. Eine interessante Entwicklung ist daher, dass einerseits immer mehr Händler Online-Stores anbieten und andererseits inzwischen sogar Online-Retailer wie Amazon lokale Filialen eröffnen. Die Kunden des Online-Riesen sollen im stationären Handel die gleichen Vorteile genießen wie im Online-Store. Ähnlich wie Amazon es mit diesem Projekt vormacht, könnte der stationäre Handel in vielerlei Hinsicht von den Vorteilen der Digitalisierung und Data-Science-Methoden profitieren. Im Moment werden jedoch Methoden wie Deep Learning bzw. Machine Learning im stationären Handel erst sehr selten eingesetzt.

Der stationäre Handel kann auf vielfältige Weise von #Data Science profitieren. #MachineLearning Klick um zu Tweeten

Das Prinzip von Machine Learning

Machine Learning ist eine Data-Science-Methode, die es einem Algorithmus ermöglicht, sich selbst zu optimieren. Dieser Lernfähigkeit ist besonders für Anwendungsfälle im stationären Handel hilfreich. Nehmen wir zum Beispiel ein Handelsunternehmen, das mit verderblichen Gütern oder anderen Fast Moving Consumer Goods handelt. Bei dieser Gruppe von Waren ist es entscheidend, den Bedarf und die voraussichtlich benötigten Lagerbestände so genau wie möglich abzuschätzen. Verderbliche Güter, die nicht verkauft werden, mindern den Gewinn. Machine Learning hilft im stationären Handel dabei, Abschreibungen zu reduzieren. Das gelingt, indem die voraussichtliche Nachfrage in Abhängigkeit von Faktoren wie Wetter und Temperatur, früheren Absätzen und Gewinnmargen berechnet wird. Da Machine-Learning-Algorithmen aus Erfahrung lernen, wird ihre Vorhersagegenauigkeit im Lauf der Zeit immer besser.

Lesetipp: In diesem Artikel erklären wir die grundlegende Funktionsweise von Machine Learning.

Optimierung von Lagerraum durch Predictive Analytics

Nicht nur die Prognose der exakt benötigten Menge bei verderblichen Waren ist eine Herausforderung. Ganz generell sind zu große Bestandsmengen an Waren problematisch. Insbesondere bei Artikeln, die nur wenig an Umsatz und Gewinn bringen, aber teuer gelagert werden müssen, gilt es den Bedarf so genau wie möglich zu berechnen. Der verfügbare Lagerraum muss so effizient wie möglich genutzt werden. Große Warenmengen, die nur wenig Gewinn bringen, nehmen rentableren Waren unnötig Platz weg. Gleichzeitig orientiert sich der Einkaufspreis an der Menge der bestellten Ware.

Auch weil Kunden erwarten, dass Waren in ausreichender Menge verfügbar sind, dürfen die bestellten Mengen nicht zu gering sein. Darüber hinaus sollte die Ware im Idealfall nicht ausgehen, da Händler ihre Kunden ansonsten im schlimmsten Fall an die Wettbewerber verlieren. Die Herausforderung besteht also darin, ein optimales Verhältnis von Warenmenge, Nutzung von Lagerraum, voraussichtlicher Nachfrage und Gewinnmargen zu ermitteln – eine ideale Optimierungsaufgabe für Machine-Learning-Algorithmen.

Tante Emma 2.0: Individualisierung der Customer Journey

Früher war der persönliche Kontakt im Tante-Emma-Laden ein wichtiger Teil des Einkaufserlebnisses. Im digitalen Zeitalter wird die persönliche Note und die Konzentration auf die individuellen Bedürfnisse der Kunden wieder zentral. Individualisierung und Personalisierung kann auch den stationären Handel wieder beleben und attraktiver machen. Durch die Vernetzung der Dinge (IoT), digitale Preisschilder, RFID-Sensoren und mobiles Internet sind der Personalisierung der Customer Journey kaum Grenzen gesetzt. Verfügt ein Kunde beispielsweise über eine App von einem Händler, lassen sich anhand von bisherigen Präferenzen oder Bonus-Punkten individuelle Angebote erstellen und in Echtzeit übermitteln. Produkte könnten sogar automatisch eine Nachricht mit einem Angebot auslösen und an Kunden schicken, die gerade in der Nähe sind. Machine Learning trägt dazu einen entscheidenden Anteil, weil die Preise und Angebote maßgeschneidert kalkuliert werden können.

Mit #MachineLearning kann das Einkaufserlebnis im stationären Handel stärker personalisiert werden. Klick um zu Tweeten

Preisoptimierung im stationären Handel

Kunden sind seit Jahren daran gewöhnt, dass Benzinpreisen mitunter stark schwanken und sich mehrfach am Tag ändern können. Auch im Online-Handel lässt sich diese Erfahrung machen. Um den optimalen Preis für seine Waren zu erzielen, passt der Online-Riese Amazon seine Preise weltweit viele Millionen Mal pro Tag an. Solche Anpassungen können auch im stationären Handel sinnvoll sein. Welcher Artikel für welchen Preis verkauft wird, hängt von vielen Faktoren ab. Der Wert von bestimmten Waren wie beispielsweise Mode-Artikel sind stark von den aktuellen Trends, der Jahreszeit und dem persönlichen Geschmack abhängig. Der Preis anderer Waren wird in Abhängigkeit von Lagerbeständen, Verfügbarkeit, Preis an den Weltmärkten oder lokaler Nachfrage kalkuliert. Um Preise flexibel zu gestalten, lassen sich die Machine-Learning-Algorithmen so trainieren, dass sie alle relevanten Faktoren einbeziehen und wenn nötig die Preise minutengenau kalkulieren.

Bessere, automatisierte Entscheidungen durch ML

Die konkreten Use Cases wie Preisoptimierung, Lagerraumoptimierung und Personalisierung der Customer Journey zeigen, dass Machine Learning im stationären Handel generell zu einer Verbesserung der Qualität von Entscheidungen führt. Dabei können komplexe Zusammenhänge berücksichtigt werden – wenn nötig auf die Minute genau. Insofern stellt Machine Learning auch keine Bedrohung für bestehende Jobs dar, weil hier Bereiche erschlossen werden, die es vormals in dieser Form noch nicht gab. Der stationäre Handel profitiert in mehrerlei Hinsicht:

  • Preise werden minutengenau kalkuliert, Lagerplatz optimiert und die Customer Journey personalisiert.
  • Die Umsätze lassen sich steigern und Abschreibungen verringern.
  • Die Qualität der Entscheidungen wird verbessert und Entscheidungen können automatisiert werden.
  • Durch präzise Prognose-Modelle über zukünftige Entwicklungen, wird mehr Planungssicherheit hergestellt.
  • Für die Kunden gewinnt der stationäre Handel an Attraktivität.

Unternehmen im stationären Handel, die Machine Learning einsetzen, arbeiten darüber hinaus an einer Strategie, die auf Datenauswertung und Künstliche Intelligenz setzt. Eine solche Strategie ermöglicht es dem stationären Handel in Zeiten immer stärker werdenden Konkurrenzkampfes die Wettbewerbsfähigkeit zu erhalten. Da die Entwicklung in diesem Bereich sich gerade noch in einer frühen Phase befindet, können sich innovative Unternehmen sogar die Führungsposition in ihrem Bereich sichern.

Wollen Sie mehr über Machine Learning in Deutschland erfahren? Laden Sie sich kostenlos die Studie von Crisp Research herunter.

Download

Tags

top