Thought Leadership
Datenwissenschaft, maschinelles Lernen und künstliche Intelligenz haben klare Anwendungen für den E-Commerce, und angesichts der relativ einfachen Implementierung sind die meisten Online-Händler bereits stark in Strategien wie Empfehlungsmaschinen, dynamische Preisoptimierung und Lieferkettenoptimierung investiert.
Aber bisher ist neben den Big Playern wie Amazon der stationäre Einzelhandel bei der Umstellung auf künstliche Intelligenz im Rückstand.
Der Stand der künstlichen Intelligenz im Einzelhandel
Die Verwendung von Daten im physischen Einzelhandel ist aus offensichtlichen Gründen schwieriger als im Online-Handel; dennoch sind beide noch überraschend im Anfangsstadium. Capgemini fand heraus, dass „mehr als ein Viertel der 250 weltweit führenden Einzelhändler künstliche Intelligenz in ihre Unternehmen integrieren. Sie fanden aber auch heraus, dass nur ein Prozent der KI-Initiativen den vollständigen Einsatz erreichen.
“Dies ist eine aufregende Zeit für die Automatisierung im Einzelhandel; wenn intelligente Systeme helfen können, Analysen an jedem Ort einer Kette zu nutzen, werden die Business Insights Führungskräften helfen, lokale Trends zu verstehen und Marketingkampagnen besser anzupassen. Dies scheint sich zu bestätigen, da Capgemini feststellte, dass Vertrieb und Marketing die wichtigsten Anwendungsfälle für künstliche Intelligenz im Einzelhandel waren, obwohl die meisten nur POCs waren. Sie erwarten, dass es 340 Milliarden Dollar mehr Gewinn für Unternehmen gibt, die die Vorteile von KI-Anwendungsfällen im operativen Geschäft nutzen können wie z.B. „KI-Bestandsauffüllung“ und „KI-Bots für Regalscans“.
Herausforderungen für Brick-And-Mortar im Wettlauf um die KI
Die Berechnung des ROI für Dateninitiativen ist unabhängig von Branche und Anwendungsfall schwierig. Aber zumindest mit mehr digitalen Unternehmen ist das Experimentieren mit Dateninitiativen kostengünstiger, da die Daten bereits aus mehreren Quellen stammen. Im stationären Einzelhandel ist die größte Hürde für die künstliche Intelligenz leider die Datenerhebung. Sicher, es gibt Transaktions- und Kundenkartendaten, die für Marketinginitiativen (wie Churn-Prognose und Prävention) verwendet werden können.
Aber um Projekte des maschinellen Lernens – insbesondere des tiefen Lernens – in den Filialen selbst umzusetzen, fehlen viele Daten über das Erlebnis im Geschäft. Die Beschaffung dieser Daten über komplexe Systeme ist jedoch eine große Kostenhürde, und da heute nur ein Prozent der Retail-KI-Initiativen den vollständigen Einsatz erreichen, wird die Implementierung nach wie vor (verständlicherweise) als Risiko angesehen.
Was wird kommen?
Im Allgemeinen wird DYI AI zu einer Sache (danke, Google). Aber es ist das Unternehmen – und insbesondere der Einzelhandel -, das 2019 die Möglichkeit hat, diese Technologie aus dem Bereich des Gadgets in die Praxis umzusetzen. So können beispielsweise zugängliche, kostengünstige Möglichkeiten zur Herstellung intelligenter Kameras, die Objekte erkennen können, alltäglichen Unternehmen zugutekommen, die die Technologie nutzten können, um ihre KI-Bemühungen zu beschleunigen. Dies könnte die Türen für neue, reale Anwendungsfälle öffnen, die mit einem Startpreis von Millionen (oder Milliarden) Dollar für die Entwicklung und Nutzung der Technologie nicht möglich wären.
Es gibt auch einige aufstrebende Technologien, die eine grundlegende KI-Technologie für den stationären Einzelhandel bereitstellen wollen, wie beispielsweise Trax. Trax hilft Filialen dabei, den Lagerbedarf und die Leistung durch eine Reihe von automatischen Kameras und Technikern zu überwachen. Sie machen Bilder von jedem Display mit mehreren Kameras, um ein hohes Qualitätsniveau zu gewährleisten. Die Bilder werden in die Cloud geschickt, wo verschiedene Perspektiven zusammengefügt werden, damit die neuronale Net-Computer-Vison-Technologie 3D- „Objekte“ auf Objektebene bilden kann. Leistungskennzahlen werden innerhalb weniger Stunden automatisch an den Handel zurückgegeben.
Deep Learning für den Einzelhandel: Wie funktioniert es?
Um das tiefe Lernen für den Einzelhandel besser zu verstehen, haben wir einen tiefen Einblick in die ML-Patente von Trax unternommen und festgestellt, dass sie schwierige Größenprobleme für die Computer-Vision gelöst haben. Anstatt hochauflösende Bilder von jedem Regal zu übertragen, um den verfügbaren Bestand zu ermitteln, ist ein ideales Trax/System für die Aufnahme von hoch- und niedrigauflösenden Bildern ausgestattet. Die niedrigauflösenden Bilder werden an den Server übertragen, und das hochauflösende Bild ergänzt sich nur, wenn ein Element im ersten Bild nicht entzifferbar ist, sie senden nie das gesamte hochauflösende Bild und löschen nach einer bestimmten Zeit. Auf diese Weise optimiert Trax sowohl die Speicher- als auch die Netzwerknutzung, ohne die Genauigkeit der Bildverarbeitung zu beeinträchtigen.
Trax ist eine Partnerschaft mit der GfK eingegangen, um ihre proprietären Verkaufs- und Katalogdaten zu nutzen. Diese Partnerschaft hat zu einem neuen syndizierten Dienst namens Instore Intelligence geführt, der sich mit der Einhaltung von Kampagnen, der Produktionspositionierung und der Ausführung im Geschäft befasst. Während der Capgemini-Bericht darauf hindeutet, dass Vertrieb und Marketing bereits populär sind und dass die tatsächliche Qualifikationslücke in maschinenlernorientierten Betrieben besteht, da es eine so schlechte Sättigung von ML in Ziegel- und Mörtelgeschäften gibt, könnte dies immer noch ein wichtiges Angebot sein.
Wir haben Daten. und was jetzt?
Natürlich, sobald Systeme vorhanden sind, die Daten sammeln, die möglicherweise für Deep-Learning-Projekte verwendet werden könnten, stellt sich die Frage.. was jetzt? Wie geht man damit um, das Ganze tatsächlich zu nutzen? Hier kommen Datenplattformen ins Spiel.
Um zu skalieren, benötigten Datenteams weit mehr als nur gute Daten- sie brauchen auch Personal, Struktur, Effizienz, Automatisierung und eines Einsatzstrategie; datenwissenschaftliche Tools erleichtern diese Anforderungen (und vieles mehr – erfahren Sie mehr). Sie können auch helfen, indem sie die Lücken in den technischen Fähigkeiten schließen, die durch Werkzeuge wie visuelles maschinelles Lernen oder Deep Learning Plugins, die eine einfachere Bilderkennung ermöglichen, erforderlich sind.
Erfahren Sie mehr
Angesichts dieser Qualifikationslücke bei der Durchführung von Operationen mit maschinellem Lernen (und insbesondere bei tiefem Lernen für Ziegelmörtel) wird Bildung ein großer Teil der Entwicklung in dieser Branche sein. Um mehr über Deep Learning – insbesondere Computer Vision und wie es funktioniert – zu erfahren, lesen Sie unser kostenloses Deep Learning Handbuch für Beginner.
Lynn Heidmann, Marketing Content Director, Dataiku
