Machine Learning im Handel: Maximum an Umsatz mitnehmen

„2018 wird das Jahr des maschinellen Lernens“, meint Oliver Grob, Director Digital Transformation für den Handel bei SAP. Noch läuft die Digitalisierung im stationären Handel schleppend. Das könnte sich bald ändern.

Sie sind bei SAP auch für den „Go to Market“ von neuen Lösungen im Handel zuständig. Amazon zeigt mit Amazon Go gerade, wie Filialen ohne Personal auskommen. Übernehmen die Maschinen bald die Kontrolle über den Einzelhandel?

Da sollte man erst einmal abwarten, ob sich das Amazon-Modell in der Praxis bewährt. Auf jeden Fall zeigt der Ansatz das Potenzial von maschinellem Lernen. Die Idee ist einfach: Betritt ein Kunde diese neue Filiale, muss er eine App geöffnet haben, die ihn identifiziert und seine Kontodaten enthält. Amazon Go nutzt die Bilderkennung, um zu sehen, welche Produkte Kunden aus den Regalen herausnehmen, wieder zurück stellen und mit welchen Waren sie letztlich den Laden verlassen. Eine Kasse gibt es nicht mehr. Abgerechnet wird automatisch über das Smartphone. Einen Schritt weiter gedacht könnte diese Filiale eines Tages ganz ohne Mitarbeiter auskommen. Roboter bestücken die Regale nach den Vorgaben von Algorithmen, die darauf ausgerichtet sind, maximalen Umsatz zu generieren. Auch Amazon steht noch am Anfang. Was ist zum Beispiel, wenn jemand eine Tube Senf aus dem Regal nimmt und bei jemand anderem in den Wagen legt? Wer zahlt dann?

Gerade im Einzelhandel sind die Margen gering. Können sich Händler diese Technologien überhaupt leisten?

Ich bin davon überzeugt, dass das Jahr 2018 das Jahr des maschinellen Lernens im Einzelhandel wird. Ein wichtige Rolle spielen Cloud-Plattformen, die von Google, IBM und SAP inzwischen angeboten werden. Sie kosten nicht viel, ermöglichen schnell eine hohe Performance für neuronale Netze und machen es Unternehmen recht einfach, Szenarien aufzubauen. Hinzu kommt die Skript-Sprache TensorFlow, mit deren Hilfe ohne mathematische Vorkenntnisse Machine-Learning-Algorithmen entwickelt und eingesetzt werden können. Noch dazu ist sie Open Source. Jeder neue Algorithmus steht den Nutzern über eine Bibliothek direkt zur Verfügung. Bild- und Spracherkennung sind also bereits unkompliziert und ohne große initiale Investitionen einsetzbar. Google ist sicher aktuell einer der großen Treiber von maschinellem Lernen. Denn TensorFlow ist maschinelles Lernen für den „kleinen Mann“, während sich vorher ausschließlich Mathematiker und Data Scientists damit beschäftigt haben.


„TensorFlow ist maschinelles Lernen für den „kleinen Mann“, während sich vorher ausschließlich Mathematiker und Data Scientists damit beschäftigt haben“, sagt Oliver Grob, Director Digital Transformation für den Handel, SAP.

Welche sind die wichtigsten Machine-Learning-Szenarien für den Handel?

Ich sehe drei Bereiche, in denen maschinelles Lernen künftig eine sehr wichtige Rolle spielen wird und teilweise auch heute schon spielt.

  • Verkaufsstrategien: Der Ausverkauf von Waren ist eine große Herausforderung. Im Modesektor wechseln die Kollektionen teilweise alle zwei bis drei Wochen. Da stellt sich die Frage, wann die ersten Waren heruntergesetzt werden sollten und wie stark. Was bisher oft eher nach dem Bauchgefühl entschieden wurde, wird künftig einem Algorithmus folgen. Aus dem Abverkauf in der Vergangenheit lernt das System, welche Rabattierungsstrategie in diesem Fall die beste ist. Im Idealfall lässt sich das sogar automatisieren – ein Vorgehen, dass sich sehr gut etwa auf Frischewaren bei Lebensmittelhändlern, auf das Weihnachtsgeschäft oder Waren, deren Absatz stagniert, übertragen lässt.
  • Bilderkennung: Sie ist inzwischen schon sehr weit fortgeschritten und über TensorFlow recht einfach einsetzbar. Kameras erkennen, welche Produkte ausgewählt, wieder zurück gestellt und gekauft werden – wie das Amazon-Beispiel auch zeigt. Daraus entstehen wiederum wichtige Erkenntnisse, die für die künftige Positionierung von Waren genutzt werden können. Während im Modebereich RFID-Chips als Funketiketten eingesetzt werden, macht das im Lebensmittelbereich keinen Sinn. Denn schon ein RFID-Chip, der ein bis fünf Cent kostet, übersteigt manchmal die Marge eines Produktes, etwa eines Joghurts. Zudem liefern die Funkchips nicht immer zuverlässige Ergebnisse, denn deren Antennen werden etwa in Verbindung mit Metallen oder Flüssigkeiten abgeschirmt und sind dann schlechter lesbar. Ein weiterer Einsatzbereich von Bilderkennung ist die Bestandserkennung. Ein weltweit tätiger Einzelhandelskonzern aus den USA beispielsweise schickt nachts mit Kameras ausgerüsteten Roboter durchs Kaufhaus, um Regale zu scannen, falsch positionierte Waren ausfindig zu machen und Regale zu identifizieren, die aufgefüllt werden müssen. SAP nutzt die Bilderkennung zudem dafür, in Echtzeit zu ermitteln, wie oft und wie lange Marken-Logos in TV-Berichten oder Videos erscheinen – ein besonders für das Marketing interessanter Nachweis des „Brand Impacts“.
  • Dynamische Lieferketten: Die Vision – auf Basis von maschinellem Lernen – besteht darin, dass sich etwa ein fertig produziertes T-Shirt selbständig den optimalen Weg zu einer Filiale und letztlich zum Kunden sucht, der den größten Umsatz verspricht. Angenommen, Hosen für den englischen Markt sind bereits in der Trendfarbe grün produziert. Doch zeigen Social-Media-Analysen auf Basis von Pinterest- und Instagram-Posts, dass in Großbritannien künftig Cyanblau gefragt ist. Dann gibt es zwei Möglichkeiten. Entweder geht man mit dem Preis herunter oder man sucht sich ein Land, in dem grün noch im Trend liegt. Logistische Prozesse lassen sich zwar heute schon sehr präzise planen. Wenn sich allerdings die Nachfrage ändert, muss die Lieferkette dynamisch sein und aktuelle Analysen einbeziehen können.

Inwieweit unterstützt die SAP ihre Kunden darin, maschinelles Lernen in ihrem Unternehmen einzusetzen?

Schon heute setzen viele Kunden maschinelles Lernen ein, etwa indem mithilfe von lernfähigen Algorithmen Vorhersagen möglich und Nachbestellungen optimiert werden. Kundenfragen werden über Texterkennung und Sentiment-Analysen an den geeigneten Mitarbeiter weiter geleitet. Zudem unterstützen lernfähige Chatbots Unternehmen darin, Fragen von Kunden immer besser zu beantworten, indem Informationen aus Datenbanken parallel zur Frage automatisch herausgesucht werden. Das sollte allerdings nicht darüber hinwegtäuschen, dass die Digitalisierung im stationären Handel schleppend voran geht. Um einen durchdachten Einstieg zu bekommen, reicht es nicht, auf die SAP Cloud Platform zu setzen und TensorFlow zu nutzen. Wichtig ist, etwa innerhalb von Design-Thinking-Workshops zu verstehen, wie solche Produkte die eigenen Unternehmensziele unterstützen können. Dafür hat SAP das Innovationssystem SAP Leonardo geschaffen, das Design-Thinking-Workshops wie das technische Portfolio (inklusive Machine-Learning-Tools) enthält. Dazu gehören zudem die SAP-Leonardo-Center – Labore, in denen Workshops stattfinden, Demos zu sehen sind und Miniaturmodelle mit SAP-Software zeigen, wie etwa eine moderne Filiale ausgestattet sein kann. In fünf Jahren wird sich die Menge an neuen Daten auf über 160 Zetabyte pro Jahr verfünffachen. Keine Frage – in Big Data stecken auch immens viele wertvolle Informationen für den Handel, die bisher noch ungenutzt gesammelt werden.

Weitere Informationen:

Auf der Messe für Investitionsgüter des Handels EuroCIS 2018 vom 27. Februar bis zum 1. März 2018 in Düsseldorf beschäftigt sich SAP (Stand B42) damit, wie eine digitalisiert Filiale aussehen kann, wie Innovationen mit Hilfe von SAP Leonardo vorangebracht werden können und welche Vorteile „Predictive Retail“ bietet.

Zudem halten diverse Experten von SAP, SAP-Partnern und Kunden Vorträge:

  • Oliver Grob, SAP: Machine Learning und die Chancen für den Handel, 27.2.2018, 11:30 bis 12:00, EuroCIS-Forum, Halle 10
  • Bernhard Puchberger: SportScheck: Omnichannel bei SportScheck, 27.2.2018, 14:30 bis 15:00, EuroCIS-Forum, Halle 10