Lesen Sie auf dieser Seite, was Sie über künstliche Intelligenz (KI) speziell für den Handel wissen sollten. Wir erklären zentrale Begriffe und Ansätze und wie diese mit unseren Personalisierungs- und Pricing-Lösungen zusammenhängen.
Welche Begriffe benutzen wir und andere?
Wie definieren wir künstliche Intelligenz (KI)?
Wo liegen die Stärken von künstlicher Intelligenz (KI)?
Was haben Schach und KI gemeinsam?
Machine und Reinforcement Learning
Welche Rolle spielt KI bei der Echtzeit-Personalisierung im Handel?
Welche Rolle spielt künstliche Intelligenz (KI) bei Dynamic Pricing?
Warum ist prudsys Spezialist für künstliche Intelligenz (KI) im Handel?
Der deutsche Begriff heißt künstliche Intelligenz, abgekürzt KI. Seltener erscheint auch der Begriff artifizielle Intelligenz, abgekürzt AI oder A.I. Die wissenschaftliche Literatur benutzt den englischen Begriff artificial intelligence, abgekürzt AI. In der Praxis bedienen sich verschiedene Autoren synonym aller Varianten. Wir benutzen darüber hinaus synonym den Begriff Algorithmen, seltener auch Agenten.
Es gibt keine „offizielle“ Definition, was KI ist. Künstliche Intelligenz unterstützt den Menschen in seiner Arbeit immer dort, wo große Datenmengen mit komplexen Zusammenhängen schnell analysiert und auf der Basis der Analyse Entscheidungen gefällt werden müssen.
Ein wesentliches Merkmal jeder KI ist, dass sie lernen kann. Zuerst lernt „die Maschine“ mit Trainingsdaten, dann verallgemeinert sie ihr Wissen und ist in der Lage, es auf unbekannte Daten anzuwenden (Stichwort: Machine Learning). Da sich heute Datenbestände sehr schnell ändern, lernt „die Maschine“ aus jedem neuen Datensatz, den sie verarbeitet (Stichwort: inkrementelles bzw. adaptives Lernen).
Um die Qualität des Wissens zu optimieren, bewertet „die Maschine“ fortlaufend die Qualität ihrer Entscheidungen. Für jede im Sinne des finalen Ziels „gute“ Aktion erhält sie eine „Belohnung“ und lernt so, den Nutzen des Gesamtsystems zu maximieren (Stichworte: Reinforcement Learning und Verbundkettenoptimierung).
Lesen Sie mehr über Machine und Reinforcement Learning weiter unten.
In jedem Fall definiert der Mensch in unseren Personalisierungs- und Pricing-Lösungen die Regeln, innerhalb der die KI Entscheidungen trifft. Der Mensch setzt den Zielparameter für die Optimierung des Gesamtsystems. Einsatzgebiet und Zielstellung bedingen eine sorgfältige Auswahl und Kombination genau dafür passender Algorithmen. Wenn sich die Kontextbedingungen verändern, passen unsere intelligenten Agenten ihr Verhalten flexibel und in Echtzeit an.
In unserem Blogartikel „Künstliche Intelligenz: Von der Nischentechnologie zum Hype“ lesen Sie weitere, mitunter kontroverse Definitionen und Ansätze.
Gute Entscheidungen: Unsere selbstlernenden Algorithmen liefern Ihnen immer die besten Entscheidungen, damit Sie auf einem hochgradig dynamischen Markt wichtige Wettbewerbsvorteile erzielen. Je nach Einsatzgebiet und strategischer Zielstellung kombinieren wir die passenden Algorithmen, die die Zielgröße am besten optimieren.
Echtzeit: Unsere Personalisierungs- und Pricing-Lösungen analysieren permanent alle relevanten Kontextbedingungen wie Kundenverhalten, Lagerbestand oder Wettbewerberpreise und passen ihr Verhalten auf Veränderungen in Echtzeit an.
Geschwindigkeit: Unsere Personalisierungs- und Pricing-Lösungen sind hoch-performante Lösungen, die selbst größte Datenmengen in durchschnittlich 0,025 Sekunden verarbeiten. Zum Vergleich: Ein Lidschlag dauert 0,1 Sekunden.
Automatisierung: Die KI innerhalb unserer Personalisierungs- und Pricing-Lösungen übernimmt das Rechnen und das Ausspielen von Empfehlungen oder Preisen. „Die Maschine“ analysiert riesige Datenmengen und vollbringt eine Rechenleistung, zu der der Mensch nicht mehr in der Lage ist. Der Mensch wird nicht ersetzt, sondern ist immer mit Ideen, Konzepten, Wissen und Moral gefragt, den Rahmen für die KI abzustecken. Der Mensch legt die Strategie und die zu optimierenden Zielparameter fest. So steckt er für die KI den Handlungskorridor ab.
Wir vergleichen die Funktionsweise der KI innerhalb unserer Personalisierungs- und Pricing-Lösungen oft mit der eines Schachcomputers: Sie erkennt die „Züge“ des Kunden, antizipiert die Kette aller möglichen nächsten „Züge“ und gestaltet die eigenen Aktionen (z.B. Produktempfehlungen) so, dass sie „das Spiel“ (z.B. den Zielparameter des Kundenwertes – nicht nur kurzfristige Umsatzmaximierung) gewinnt. Zugegeben, das vereinfacht den Sachverhalt stark, aber es übersetzt ihn auch in ein Bild, das sich selbst Laien gut vorstellen können. Besonders betonen möchten wir hier die langfristige Optimierung des Zielparameters Kundenwert bzw. Customer Lifetime Value über die gesamte Customer Journey hinweg (Stichwort: Verbundkettenoptimierung).
Historisch betrachtet begann die Entwicklung unserer KI-Technologie beim Data-Mining. Mit der Verfügbarkeit großer Datenmengen entwickelte sich der Wunsch, immer größere Datenbestände (Stichwort: Big Data) zu analysieren, Muster zu erkennen und diese Erkenntnisse gewinnbringend zu nutzen. Data-Mining entwickelte sich weiter in Richtung Machine Learning, das weit über die reine Mustererkennung in Datenbeständen hinausgeht.
Nach der Lernphase verallgemeinert „die Maschine“ das Wissen und kann es so auf unbekannte Daten anwenden. Lernte „die Maschine“ anfänglich nur aus statischen Datenbeständen, entwickelte sich schnell die Notwendigkeit, adaptiv (oder inkrementell) zu lernen. Beim adaptiven maschinellen Lernen lernt „die Maschine“ aus jedem neuen Datensatz, den sie verarbeitet. Das bringt deutliche Vorteile hinsichtlich der Geschwindigkeit (Stichwort: Echtzeit) und der Qualität.
Letztere verbessert sich noch weiter, wenn „die Maschine“ zusätzlich für jede „gute“ Aktion eine Belohnung erhält. Das bezeichnet man als verstärkendes Lernen, Lernen durch Belohnung und Bestrafung oder Reinforcement Learning. „Die Maschine“ lernt, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Gesamtsystems langfristig auf einen Zielparameter hin zu maximieren (Stichwort: Verbundkettenoptimierung).
Damit „die Maschine“ immer flexibel bleibt und keine „Filterblase“ entsteht, kann sie durch so genannte Exploit- und Explore-Mechanismen von den gelernten Mustern abweichen, z. B. um Produkte oder Inhalte zu empfehlen, die schon lange nicht mehr oder noch nie empfohlen wurden. Indem die KI neue Varianten probiert, stellt sie sicher, dass ihr Lern- und Aktionsspielraum flexibel bleibt
Eine individuelle Ansprache jedes einzelnen Kunden in jedem Kanal mit dem „perfekten“ Angebot, das zum aktuellen Einkaufsverhalten des Kunden passt, auf Lager oder in seiner Wunschfiliale verfügbar ist, ist manuell nicht mehr steuerbar. An dieser Stelle kommt künstliche Intelligenz (KI) in Form von selbstlernenden Algorithmen ins Spiel.
Unsere Personalisierungslösung lernt automatisch und in Echtzeit Personalisierungsregeln (Stichwort: adaptives Lernen) – z.B. auf Basis von Klicks, Warenkörben, Käufen, externen und internen Suchanfragen, geklickten Kategorien und Bannern oder selbst gewählten Events. All diese Daten sammelt die auf künstliche Intelligenz basierende Software selbstständig und fortlaufend. Außerdem messen die Algorithmen die Akzeptanz der ausgespielten Inhalte (Stichwort: Reinforcement Learning). Wird eine ausgespielte Empfehlung vom Kunden akzeptiert, belohnt sich das System. Wird die Empfehlung nicht akzeptiert, erfolgt auch keine Belohnung. So lernt die Recommendation Engine sukzessive und kann mit jeder Interaktion immer besser und zielgerichteter auf jeden einzelnen Nutzer eingehen.
Für den Handel bedeutet das: Wenn Sie einen Algorithmus einsetzen, der nach dem Prinzip des Reinforcement Learning arbeitet, sind Sie in der Lage, den Nutzen Ihres „Gesamtsystems“ langfristig zu maximieren – ergo die entscheidenden Kenngrößen wie Absatz, Umsatz oder Ertrag.
Wenn Sie mehr über Personalisierung wissen möchten, empfehlen wir Ihnen unsere Seite Was ist Personalisierung.
In Zeiten von Big Data, Digitalisierung und einem hoch-dynamischen Markt ist die Vielzahl der Einflussfaktoren auf den Preis von Menschenhand nicht mehr hinreichend steuerbar. An dieser Stelle kommt künstliche Intelligenz (KI) in Form von selbstlernenden Algorithmen ins Spiel. Diese Algorithmen berechnen vollautomatisch für jeden Artikel zu jedem Zeitpunkt den optimalen Preis. Das bedeutet jedoch nicht, dass sich auch Ihre Preise im Sekundentakt ändern. Sie bestimmen die Frequenz der Preisanpassungen für Ihre Vertriebskanäle selbst. Durch die Echtzeit-Berechnung haben Sie immer, wenn Sie Ihre Preise anpassen, den optimalen Preis für Ihre Produkte.
Die KI übernimmt das Rechnen: Was ist der marktgerechte Preis eines Artikels unter Einbeziehung aller Preisbildungsfaktoren im Hinblick auf die Optimierung Ihrer KPIs? Ihr Category Management setzt den Rahmen und gibt den Algorithmen vor, was zu tun ist.
Wenn Sie mehr über dynamische Preisoptimierung wissen möchten, empfehlen wir Ihnen unsere Seite Was ist Preisoptimierung.
Jens Scholz, Gründer und heutiger Vorstand der prudsys AG, formulierte es hier in unserem Blog sehr treffend in einem Interview: „Die prudsys AG beschäftigt sich seit der Gründungsphase mit künstlicher Intelligenz und der Automatisierung von Entscheidungen. […] Besonders spannend fanden wir die Herausforderung, Daten in Echtzeit zu messen, unmittelbar daraus zu lernen und die Ergebnisse auch in Echtzeit zurückzuspielen.“
Wir beschäftigen uns bereits seit 1998 mit den Themen Machine Learning, Reinforcement Learning und später KI. Damals beschloss eine Gruppe von Mathematik- und Informatik-Studenten der TU Chemnitz (u.a. unsere Gründer Jens Scholz und Dr. Michael Theß), die theoretisch erlernten Verfahren im Data Mining in der Praxis anzuwenden. Mit der Zeit machten sie das passende Anwendungsfeld für Data Mining aus – den Handel. Hier fanden sie mit neuen Ideen Möglichkeiten, Prozesse zu automatisieren und zu optimieren und damit der heutigen Vision zu folgen.
Wir möchten Händlern und Konsumenten das Leben mittels KI so vereinfachen, dass beide Seiten einen nie dagewesenen Zugewinn an Produktivität und Komfort erfahren. Gleichzeitig möchten wir mit unseren Ideen einen sinnvollen Beitrag leisten. Sei es, dass wir durch Abschriftenoptimierung bzw. Markdown die Verschwendung von Lebensmitteln im LEH oder durch personalisierte Kataloge den Papierverbrauch reduzieren. Wir arbeiten stetig an Zukunftsszenarien für den Handel mit neuen KI-Services.
prudsys hat 15 Jahre Erfahrung in der Anwendung und Weiterentwicklung von Machine und Reinforcement Learning. Wir beschäftigen in unserem Data Science Team an den Standorten Chemnitz und Berlin Spezialisten, die tagtäglich an innovativen Verfahren forschen und unsere KI fortwährend optimieren. Wir sind Markt- und Technologierführer für Echtzeit-Personalisierung und Dynamic Pricing im Omnichannel-Handel.
Vereinbaren Sie noch heute Ihre persönliche Websession zum Thema KI im Handel. Hier erklären Ihnen unsere Experten gern mehr darüber, welche Potenziale Sie mit KI heben können.
Außerdem empfehlen wir Ihnen unseren Blog, in dem Sie zahlreiche Artikel zum Thema künstliche Intelligenz im Handel finden. Lesen Sie zum Beispiel hier weiter:
Um die Webseite optimal gestalten und fortlaufend verbessern zu können, verwendet prudsys AG Cookies. Durch die weitere Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu.
OKDatenschutzerklärung & Einstellungen