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).

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.

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.

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.

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.