In den letzten Jahren sahen sich der Einzelhandel und andere verwandte Sektoren wie das verarbeitende Gewerbe und die Logistik mit einer weltweiten Pandemie, einem riesigen Schiff, das den Suezkanal blockierte, internationalen Krisen aller Art und vielen anderen Dingen konfrontiert, die, um ein Zitat aus Blade Runner zu verwenden, „ihr Leute nicht glauben würdet“.
Einige Auswirkungen dieser Ereignisse auf den Einzelhandel waren relativ vorhersehbar, darunter der sprunghafte Anstieg des Online-Verkaufs aufgrund der sozialen Distanzierung und einer schwerwiegenden Unterbrechung der Lieferkette. Andere hingegen bewiesen einmal mehr die Unberechenbarkeit des Marktes und des menschlichen Geistes, wie etwa die Panikkäufe von Toilettenpapier und die daraus resultierenden Engpässe.
Glücklicherweise haben sich die Einzelhändler nicht in der Verzweiflung verloren "wie Tränen im Regen" (ja, ein weiteres Blade Runner-Zitat) und riefen nach einer Lösung. Die Antwort der Technologie auf ihre Gebete und vor allem auf ihre Investitionen war maschinelles Lernen. Lassen Sie uns herausfinden, wie mit Hilfe von Beratern für maschinelles Lernen der Einzelhandel sich neu erfinden und eine optimierte Arbeitsweise finden kann.
Was bedeutet maschinelles Lernen im Einzelhandel
Maschinelles Lernen im Einzelhandel umfasst den Einsatz selbstlernender Computeralgorithmen, die darauf ausgelegt sind, riesige Datensätze zu verarbeiten, relevante Metriken, wiederkehrende Muster, Anomalien oder Ursache-Wirkungs-Beziehungen zwischen Variablen zu erkennen und so ein tieferes Verständnis der Dynamik zu erlangen, die diese Branche und die Kontexte, in denen Einzelhändler tätig sind, vorantreibt. Je mehr Einzelhandelsdaten maschinell lernende Systeme verarbeiten, desto mehr verfeinern sie ihre Leistung, indem sie neue Korrelationen erkennen und das von ihnen analysierte Geschäftsszenario besser einrahmen.
Diese Fähigkeiten werden in der Regel auf zwei Arten genutzt. Erstens kann maschinelles Lernen Augmented-Analytics-Lösungen antreiben, die im Vergleich zu traditionellen Methoden der statistischen Analyse viel tiefer in die Daten eindringen, selbst die feinsten Verbindungen zwischen Datenpunkten erkennen und besser mit neuen Trends und sich ständig verändernden Phänomenen umgehen können.
Zweitens ebnet die Mustererkennung des maschinellen Lernens den Weg für relevante Entwicklungen im Bereich der so genannten kognitiven Technologien, die es Maschinen ermöglichen, einige der angeborenen Fähigkeiten des Menschen zu replizieren. Dazu gehören Systeme zur Verarbeitung natürlicher Sprache, die das maschinelle Lernen nutzen, um die sprachlichen Muster menschlicher Kommunikation zu erkennen, um sie zu verstehen und nachzuahmen, sowie Computer-Vision-Lösungen, die Algorithmen nutzen, um visuelle Muster zu erkennen und sie mit bestimmten Objekten in Verbindung zu bringen.
Geschäftsmöglichkeiten des maschinellen Lernens im Einzelhandel
Praktisch bedeutet dies, dass Einzelhändler die Möglichkeit haben, maschinelles Lernen zu implementieren und es in einer Vielzahl von Geschäftsfunktionen und -szenarien zu nutzen, darunter:
- Markt- und Kundenanalysen zur Vorhersage bevorstehender Trends im Einzelhandel, wie z. B. Schwankungen der Produktnachfrage, und zur Entwicklung geeigneter Marketing-, Preis- und Wiederauffüllungsstrategien.
- Ein vollständig personalisiertes Einkaufserlebnis mit Empfehlungsmaschinen, gezielter Werbung, dynamischer Preisgestaltung und maßgeschneiderten Werbeaktionen, die auf den Bedürfnissen der Kunden basieren.
- Interaktive Lösungen für digitale Läden, um das typische Ladenerlebnis in einem virtuellen Szenario durch Chatbots, virtuelle Assistenten und kontextbezogenes Einkaufen zu replizieren.
- Machine learning-augmented logistics, um die Produktlieferung durch vorausschauenden Versand, intelligente Routenplanung und selbstfahrende Fahrzeuge oder Drohnen zu optimieren.
- Sicherheitsmaßnahmen im Einzelhandel zum Schutz Ihrer Vermögenswerte, Mitarbeiter und Kunden durch Videoüberwachung und zur Erkennung von Betrugsanzeichen durch Maschinenlernen-basierte Anomalie-erkennung.
Diese Anwendungen des maschinellen Lernens im Einzelhandel können durch ein ganzes Spektrum zusätzlicher Anwendungsfälle ergänzt werden, die durch künstliche Intelligenz und all ihre Unterzweige erschlossen werden und sich sowohl in ihren geschäftlichen Auswirkungen als auch in ihrer Durchführbarkeit unterscheiden, wie Gartner in seinem AI Use Case Prism for Retail für das Jahr 2021 detailliert darlegt.
Die Lage auf dem Markt
Heutzutage stützen sich die meisten KI-gestützten Softwarelösungen für den Einzelhandel auf die eine oder andere Weise auf die Fähigkeiten von Algorithmen des maschinellen Lernens. Wie Mordor Intelligence in seinem Bericht "2021 Artificial Intelligence in Retail Market" hervorhebt, ist maschinelles Lernen in der Tat einer der Haupttreiber für das Wachstum des globalen KI-Marktes in dieser Branche, da es den Marktteilnehmern ermöglicht, den Endverbrauchern ein personalisierteres und interaktiveres Einkaufserlebnis zu bieten.
Die Studie von Fortune Business Insight aus dem Jahr 2020, die sich mit demselben Thema befasst, wies hingegen auf die Rolle des maschinellen Lernens bei der Erstellung von Prognosemodellen und der Bereitstellung wertvoller Einblicke in die sich ständig ändernden Kundenpräferenzen hin. Damit ist maschinelles Lernen das führende Segment des globalen KI-Marktes im Einzelhandel, der von 3,75 Milliarden Dollar im Jahr 2020 auf 31,18 Milliarden Dollar im Jahr 2028 zu wachsen scheint.
In diesem Zusammenhang ist es erwähnenswert, dass die zunehmende Implementierung von maschinellem Lernen und verwandten Technologien im Einzelhandel nicht nur eine reaktive Maßnahme zur besseren Bewältigung der in unserer Einleitung genannten Herausforderungen war. Vielmehr handelt es sich dabei um eine proaktive Initiative, die darauf abzielt, die durch künstliche Intelligenz eröffneten Möglichkeiten zu nutzen, und die schließlich als Katalysator für die allgemeine Dynamik dient, die der Einzelhandel bereits in den vergangenen Jahren durchlaufen hat, wie etwa die Verlagerung von einem reinen Ladengeschäft hin zu einer Koexistenz von stationärem Handel und E-Commerce.
Lassen Sie uns diese Trends erforschen, indem wir einige der KI-Anwendungsfälle besser definieren, die das Potenzial des maschinellen Lernens im Einzelhandel nutzen.
1. Empfehlungsmaschinen
Da wir gerade den raschen Übergang vom Ladengeschäft zum Online-Einkauf erwähnt haben, beginnen wir unsere Zusammenstellung mit dem, was wir als den Deus ex Machina der großen E-Commerce-Plattformen wie Amazon betrachten können, nämlich Maschinen-lernen-getriebene Empfehlungssysteme.
Die Rolle dieser leistungsstarken Maschinen auf digitalen Marktplätzen ist das virtuelle Spiegelbild der Aufgaben eines menschlichen Verkäufers in einem physischen Geschäft, nämlich zu verstehen, mit welcher Art von Kunden wir es zu tun haben, und sie mit dem richtigen Produkt zu verbinden. Empfehlungssysteme tun dies durch:
- Segmentierung der Nutzer anhand ihrer persönlichen Daten, einschließlich Verhaltensmuster und früherer Käufe auf der Plattform, Kommentare in sozialen Medien, Browserverlauf, Produktbewertungen und mehr.
- Ergänzung dieser Analyse durch Produktinformationen und kontextbezogene Parameter wie allgemeine Markttrends oder geografische Lage.
- Nutzer mit maßgeschneiderten Vorschlägen zu versorgen, die ihrem Kundenarchetyp entsprechen, und diese Empfehlungen anschließend auf der Grundlage des Nutzerfeedbacks zu verfeinern, anstatt sie endlos in einem unüberschaubaren Produktlabyrinth umherirren zu lassen.
Dieser Prozess kann jedoch je nach Ansatz des jeweiligen Empfehlungssystems variieren:
- Empfehlungssysteme, die auf kollaborativer Filterung basieren, konzentrieren sich auf die Wahrnehmung der Produkte durch die Nutzer und schlagen Waren vor, die bereits von anderen Kunden mit ähnlichem Geschmack gekauft wurden.
- Empfehlungssysteme mit inhaltsbasierter Filterung berücksichtigen meist die spezifischen Eigenschaften des Produkts und bieten ähnliche Artikel an, wie sie der Kunde in der Vergangenheit bereits gekauft hat.
- Hybride Systeme stellen das am schnellsten wachsende Segment auf dem Markt der Empfehlungssysteme dar, da sie die Mechanismen und Vorteile beider Ansätze mit geeigneten Techniken kombinieren.
Steigern Sie Ihren Umsatz mit den maschinellen Lernlösungen von Itransition
2. gezieltes Marketing
Ein weiteres Instrument, das das Potenzial des maschinellen Lernens im E-Commerce ausschöpft, aber problemlos in der Lage ist, den Verkauf in den Geschäften und die gezielte Werbung zu fördern. Der zugrunde liegende Mechanismus ist dem von Empfehlungssystemen relativ ähnlich. Ein auf maschinellem Lernen basierendes Predictive-Analytics-System kann Nutzerdaten aus sozialen Medien oder E-Commerce-Plattformen sammeln und verarbeiten, um relevante Metriken zu untersuchen und deren Zusammenhänge zu erhellen. Dazu können gehören:
- Verhaltensfaktoren, wie Verweildauer auf der Website, Absprungrate und Konversionsrate
- Demografische Variablen, wie Alter und Geschlecht
- Psychografische Metriken zu Interessen und Persönlichkeit
- Geografische Daten wie Stadt und Region des Nutzers
Auf der Grundlage dieser Parameter und ihrer Wechselwirkungen (wie z. B. der wiederkehrenden Beziehung zwischen Alter oder kulturellen Interessen und bevorzugten Marken) prognostiziert das System die Interessen der Kunden und ihre Einstellung zu bestimmten Produkten, um bestimmte Käufer-Personas mit vollständig personalisierten Inhalten und Anzeigen anzusprechen. Ein Beispiel für erfolgreiches zielgerichtetes Marketing ist die amerikanische Kaufhauskette Macy's, die eine Predictive-Analytics-Lösung zur Feinabstimmung ihrer E-Mail- und Website-Marketingkampagnen eingeführt hat, was zu einem Anstieg der Online-Verkäufe um 10 % in nur drei Monaten nach der Einführung führte.
3. kontextbezogenes Einkaufen
Die Möglichkeiten, die das maschinelle Lernen im Einzelhandel für Vermarkter eröffnet, enden nicht mit gezielter Werbung. Ein weiterer Trick, um den virtuellen Weg zu verkürzen, der Kunden mit den Produkten verbindet, die sie suchen, ist das kontextbezogene Einkaufen. Diese hochgradig interaktive Softwarelösung, die auf Algorithmen des maschinellen Lernens und des maschinellen Sehens basiert, kann Waren, die in Online-Inhalten der wichtigsten Social-Media-Plattformen auftauchen, erkennen und hervorheben, so dass die Nutzer mit einem einfachen Klick in Ihr digitales Geschäft gelangen und den gewünschten Artikel kaufen können.
Der Anbieter von Video-E-Commerce-Plattformen, AiBUY, hat sich beispielsweise auf die Beratungs- und Entwicklungsdienste von Itransition für maschinelles Lernen verlassen, um ein ähnliches Tool zu entwickeln. Werfen Sie einen Blick darauf:
4. Chatbots und virtuelle Einkaufsassistenten
Chatbots stellen als kontextbezogenes Einkaufen eine Verkörperung des maschinellen Lernens im Einzelhandel dar, die sich auf Interaktivität konzentriert. Ihre Fähigkeiten beruhen jedoch auf einer anderen kognitiven Technologie, nämlich der Verarbeitung natürlicher Sprache, die es ihnen ermöglicht, Kunden rund um die Uhr bei einer Vielzahl von Aufgaben zu unterstützen. Dazu gehören Benachrichtigungen über neue Kollektionen, Hilfe bei der Suche nach dem gewünschten Produkt, Vorschläge für ähnliche Artikel auf der Grundlage der Vorhersagen von Empfehlungsmaschinen usw.
Solche vielseitigen und unermüdlichen virtuellen Assistenten sind überall im Internet zu finden, da sie bereits auf den Websites verschiedener Marken wie Burberry und Victoria's Secret eingesetzt werden. Sie wurden auch auf Social-Media-Plattformen wie Facebook implementiert, das 2016 seine Messenger-Bots eingeführt hat, die es Unternehmen ermöglichen, ihren Kundenservice teilweise zu automatisieren.
5. Dynamische Preisgestaltung
Bei den hellseherischen Fähigkeiten des maschinellen Lernens geht es nicht nur um die Vorhersage, welche Produkte die Kunden gerne kaufen würden, sondern auch darum, wie viel sie bereit sind, dafür zu zahlen. In dieser Hinsicht ist eine der Techniken, die am meisten von der Implementierung von Algorithmen des maschinellen Lernens profitiert hat, die dynamische Preisgestaltung, die, wie der Name schon sagt, eine dynamische Anpassung des Produktpreises an sich ändernde Umstände beinhaltet.
Um die potenziellen Auswirkungen solcher Schwankungen auf die Nachfrage (die so genannte Preiselastizität) genau vorherzusagen und Preisänderungen oder Werbeaktionen vorzuschlagen, die den Gewinn maximieren und gleichzeitig das Risiko der Kundenabwanderung minimieren, können maschinelle Lernsysteme ein breites Spektrum von Parametern bewerten, die bei einer manuellen Durchführung dieser Aufgabe nur schwer zu berücksichtigen wären. So können sie beispielsweise das Internet nach Preisen ähnlicher Produkte von Konkurrenten, deren Sonderangeboten und Werbeaktionen sowie nach der Preisentwicklung bestimmter Produkte durchsuchen.
Algorithmen des maschinellen Lernens können auch allgemeine Markttrends, die Produktnachfrage im Vergleich zum Angebot und die Artikel mit dem niedrigsten Preis in ihrer jeweiligen Produktkategorie berücksichtigen, was in der Regel zu einem überproportionalen Anteil an der Nachfrage führt. All diese Erkenntnisse können unglaublich nützlich sein, um eine Strategie für Preisnachlässe festzulegen und veraltete Ware am Ende einer Saison loszuwerden.
Verlassen Sie sich auf das Fachwissen von Itransition, um einen Mehrwert aus Ihren Daten zu ziehen
6. die Vorhersage der Nachfrage für die Bestandsverwaltung
Wie wir gerade festgestellt haben, wirken sich Preise natürlich auf die Produktnachfrage aus, und der Einsatz von maschinellem Lernen im Einzelhandel kann uns dabei helfen, herauszufinden, wie diese Beziehung funktioniert, um unsere Preisstrategien zu optimieren. Aber die Dinge sind noch komplizierter, da die Nachfragetrends in großem Maßstab von einer Vielzahl von Variablen bestimmt werden:
- Unternehmensinitiativen wie die bereits erwähnten Preisentscheidungen, Werbeaktionen sowie das Produktsortiment und die Präsentation im Geschäft.
- Kaufverhalten in Bezug auf Wochentage, Saisonalität oder Feste (man denke an Schokoladenherzen zum Valentinstag).
- Externe Motivatoren, die Kunden dazu bewegen, das Haus zu verlassen, wie gutes Wetter oder lokale Veranstaltungen.
Die Überwachung solcher Faktoren zur Vorhersage von Schwankungen in der Produktnachfrage ist ein wesentlicher Bestandteil eines ordnungsgemäßen Bestands- und Lieferkettenmanagements, da sie es Einzelhändlern ermöglicht, die Bestände aufzufüllen. In diesem Zusammenhang wies Deloitte darauf hin, dass Lagerausfälle den Einzelhandel jährlich bis zu 1 Billion Dollar an entgangenen Umsätzen kosten können, und berichtete, dass ein großer deutscher Sportbekleidungshändler erfolgreich Algorithmen des maschinellen Lernens eingesetzt hat, um die Auffüllung der Bestände in seinen Online- und Ladenfilialen zu optimieren.
Um all diese Parameter im Auge zu behalten, sollten Einzelhändler jedoch auf maschinelles Lernen basierende Predictive-Analytics-Systeme mit einem konstanten Strom von Informationen aus verschiedenen Datenkanälen versorgen, die "virtuelle Quellen" wie soziale Medien und E-Commerce-Plattformen sowie Daten aus physischen Geschäften umfassen. Diese können "virtuelle Quellen" wie soziale Medien, E-Commerce-Plattformen und die Integration von Voice-Commerce zusammen mit Daten aus physischen Geschäften umfassen.
Neben den traditionellen Datenquellen gibt es auch neue, eher unkonventionelle Wege der Datenerfassung zur Verbesserung der Bestandsverwaltung. Ein eindrucksvolles Beispiel ist Amazon Go, eine Kette von Convenience Stores, die sich auf Kameras mit maschinellem Lernen und Computer Vision stützt, um Produktbestandsdaten in Echtzeit zu aktualisieren, basierend auf den Produkten, die Kunden aus den Regalen nehmen. Darüber hinaus sind diese Computer-Vision-Systeme in der Lage:
- Das Verhalten der Kunden, einschließlich der Gang- und Blickmuster, zu überwachen, um den Einzelhändlern zu helfen, die Interessen der Kunden zu verstehen und die Geschäfte entsprechend umzustrukturieren.
- Identifizieren Sie die beliebtesten Waren für jeden Käufertyp. Wenn beispielsweise ältere Menschen das Geschäft eher an Wochentagen als an Wochenenden aufsuchen, können die für diese Altersgruppe spezifischen Produkte an diesen Tagen beworben werden.
- Vorschlagen von spezifischen Marketingaktionen für die Filialleiter. Wenn sich zum Beispiel eine bestimmte Milchmarke besser verkauft als die Konkurrenz, kann sie stärker hervorgehoben werden.
- Märkte in intelligente, kassenlose Verkaufsstellen verwandeln, in denen vollautomatische, kamerabasierte Kassen die langen Warteschlangen an den Kassen ersetzen.
7. die Optimierung der Lieferung
Produkte kommen und gehen, und die Optimierung der Art und Weise, wie sie Ihr Geschäft verlassen, ist ebenso wichtig wie die Perfektionierung des Nachschubs. Die auf maschinellem Lernen basierende Routenplanung ist ein wichtiger Anwendungsfall von KI im Transportwesen, da sie Sensoren, Kameras und andere Geräte nutzt, die über das Internet der Dinge miteinander verbunden sind, um Wetter- und Verkehrsdaten in Echtzeit zu sammeln und die schnellste Route für Lieferungen zu berechnen.
Anheuser-Busch beispielsweise hat in einem Pilotprogramm in zwei amerikanischen Städten maschinelles Lernen zur Routenoptimierung eingesetzt, um die täglichen Lieferungen zu beschleunigen. Die Algorithmen berücksichtigten Faktoren wie die Wetterbedingungen und die Erfahrung des Fahrers, um die beste Lieferzeit für jeden Kunden vorzuschlagen. Nach einigen Monaten der Durchführung des Pilotprogramms überprüfte Anheuser-Busch die Erfolgskennzahlen, einschließlich der Zufriedenheit der Fahrer und der Arbeitszeiten, und beschloss, diesen Navigationsansatz auf alle seine US-Großhändler auszuweiten.
Aber was wäre, wenn wir die Lieferzeiten verkürzen könnten, indem wir die Produkte bereits versenden, bevor die Kunden auf den "Kaufen"-Knopf drücken? Das ist der Ansatz von Amazon, das ein auf maschinellem Lernen basierendes "vorausschauendes Versandsystem" eingeführt hat, das auf der Grundlage früherer Einkäufe, der Wunschliste und anderer Parameter vorhersagen kann, was seine Nutzer in Zukunft wahrscheinlich bestellen werden. Diese Lösung ermöglicht es Amazon, Waren an ein näher gelegenes Drehkreuz zu schicken, während es darauf wartet, dass der Kunde sie tatsächlich bestellt, und sie dann per Standardversand zu versenden, was deutlich billiger ist als die Lieferung am selben Tag.
8. Selbstfahrende Fahrzeuge
Die Optimierung der Lieferrouten ändert nichts an der Tatsache, dass die Fahrer immer noch müde werden und ein Fahrzeug nicht 24 Stunden am Tag fahren können. Roboter hingegen brauchen keinen Mittagsschlaf und können rund um die Uhr arbeiten. Das ist die Idee hinter dem Einsatz von selbstfahrenden Fahrzeugen, die mit maschinellem Lernen und Computer Vision für Logistik und Einzelhandel ausgestattet sind.
Verschiedene Einzelhändler experimentieren bereits mit selbstfahrenden Fahrzeugen für ihre Lieferungen auf der letzten Meile. Seit 2019 testet Amazon den Amazon Scout, ein selbstfahrendes Elektrogerät von der Größe einer Kühlbox. Amazon begann mit sechs dieser Geräte, die an Wochentagen bei Tageslicht Pakete ausliefern und unter menschlicher Aufsicht arbeiten, um sicherzustellen, dass sie sicher um Haustiere und Fußgänger herum navigieren.
Kroger hingegen hat sich mit dem von Google unterstützten Robotikunternehmen Nuro zusammengetan, um an sieben Tagen in der Woche Lebensmittel mit selbstfahrenden Fahrzeugen auszuliefern. Das Unternehmen hat erst kürzlich die 3. Generation seines Flaggschiffs auf den Markt gebracht, die das Frachtvolumen verdoppeln und mehr Lieferungen bewältigen soll.
Doch das ist erst der Anfang, denn schon bald könnten autonome Fahrzeuge in die Lüfte aufsteigen. Auch hier gehört Amazon zu den Vorreitern, denn mit seinem drohnengestützten Versandsystem "Prime Air" könnte es in Zukunft Pakete in nur 30 Minuten ausliefern. Andererseits ist das Projekt noch weit davon entfernt, seine volle Dynamik zu entfalten, da es im Laufe einer viermonatigen Testphase zu mehreren Zwischenfällen kam, wie Bloomberg berichtet.
9. Videoüberwachung
Ein Big Brother, der einen überwacht, kann das kleinere Übel sein, wenn es darum geht, ein sicheres Umfeld im Einzelhandel zu gewährleisten. Videoüberwachungslösungen, die sich die Möglichkeiten des maschinellen Lernens und der Computer-Visionen für den Einzelhandel zunutze machen, können andere verdächtige Verhaltensmuster erkennen, die unter Dieben weit verbreitet sind, indem sie beispielsweise feststellen, ob jemand einen Gegenstand mitgenommen und in seiner Tasche oder seinem Rucksack versteckt hat.
Wenn Einzelhändler erwarten, dass sie Diebstähle mit Hilfe von Computer Vision zuverlässig erkennen können, braucht es jedoch mehr als "nur" hochauflösende Kameras und Algorithmen, denn sie benötigen auch eine riesige Menge an markierten Beispielen visueller Daten, die bestimmte Verhaltensmuster von Dieben darstellen. Das japanische Technologie-Startup Vaak hat beispielsweise eine KI-Software entwickelt, die Ladendiebe in Aktion ertappt und die Filialleiter alarmiert. Der CEO von Vaak gab zu, Algorithmen des maschinellen Lernens anhand von 100.000 Stunden Videodaten zu trainieren, die über 100 Verhaltensaspekte wie Handbewegungen, Gesichtsausdrücke, Laufmuster usw. zeigen.
10. Aufdeckung von Betrug
In einer Welt, die von technologischem Fortschritt und komplexer sozioökonomischer Dynamik in Richtung vollständiger Digitalisierung getrieben wird, sind Produkte, die aus den Regalen verschwinden, weder die einzige noch die schlimmste Bedrohung für Einzelhändler und ihre Kunden. Wie der Nilson-Bericht aus dem Jahr 2020 zeigt, ist Betrug im elektronischen Zahlungsverkehr ein wachsendes Phänomen, das mehrere Branchen betrifft und allein im Jahr 2019 weltweit Verluste in Höhe von 28,65 Milliarden US-Dollar verursacht.
Deshalb setzen viele Unternehmen, insbesondere solche, die im E-Commerce tätig sind, auf maschinelles Lernen zur Betrugserkennung. Algorithmen können verdächtige Kontobewegungen leicht erkennen, wenn sie gegen gängige Verhaltensmuster verstoßen, z. B. eine erhöhte Transaktionshäufigkeit oder Geldüberweisungen mit anderen risikoreichen Konten.
Systeme des maschinellen Lernens sind auch eine mächtige Waffe im Kampf gegen Identitätsdiebstahl, indem sie die Kaufgewohnheiten und Transaktionsdaten der Nutzer überwachen. Darüber hinaus können sie Computer-Vision-Funktionen implementieren, um persönliche Dokumente zu scannen und die Identität der Nutzer durch Gesichtserkennung und Biometrie zu überprüfen.
Viel Begeisterung und eine Prise Vorsicht
KI und maschinelles Lernen dringen rasch in den Einzelhandel ein und eröffnen Einzelhändlern neue Möglichkeiten, sich von ihren Konkurrenten zu unterscheiden, darunter:
- Bindung von Bestandskunden und Gewinnung neuer Kunden dank Personalisierung
- Zeit- und Arbeitsersparnis durch Optimierung der Lieferwege
- Geld sparen durch effektives Bestandsmanagement und Diebstahlschutz
- Der Ruf eines innovativen und engagierten Einzelhändlers, der seine Kunden schätzt und die Extrameile geht, um sie zufriedenzustellen
Allerdings ist das maschinelle Lernen, so erstaunlich es auch ist, immer noch "nur" ein Werkzeug, und es liegt an uns, es klug einzusetzen. Wie McKinsey in seinem Artikel The dos and don'ts of dynamic pricing in retail aus dem Jahr 2021 hervorhebt, haben mehrere Einzelhändler während der Pandemie die Preise für Reinigungsmittel aufgrund einer scheinbaren Nachfragespitze, die von Algorithmen zur dynamischen Preisgestaltung überwacht wurde, massiv erhöht. Das Ergebnis war ein erheblicher Rückschlag bei den Kunden, die diese Entscheidung als opportunistischen Schachzug empfanden.
Die erste Lehre, die wir aus dieser Episode ziehen können, ist, dass die Menschen ein unkontrollierbares Verlangen haben, ihre Wohnung zu reinigen, wenn sie durch soziale Distanzierungsmaßnahmen zu Hause festsitzen. Die zweite und wichtigste ist, dass eine angemessene menschliche Überwachung von Strategien, die durch maschinelles Lernen gesteuert werden, zumindest im Moment eher eine Notwendigkeit als eine Wahl sein kann und mit Vernunft durchgeführt werden sollte.
