(Bild: Euronics Deutschland eG)
(Bild: neuropredictr)
Herr Lyons, vorhersage Modelle im Retail gibt es wie Sand am Meer und auch Data Science ist nicht wirklich neu. Was machen Sie anders und was ist neu an Ihrer Methode?
Dany Lyons: Was wir bei neuropredictr machen, unterscheidet sich grundlegend von dem, was bisher im Bereich der Vorhersagemodelle und Data Science im Retail üblich war. Wir haben uns die exklusiven Rechte für den Einsatz der zur Zeit leistungsstärksten Meta AI am Markt, effectR für den Bereich Retail, gesichert und diese als Kern unserer Plattform implementiert. Der traditionelle Ansatz in der Branche konzentrierte sich meist auf ein einzelnes AI-Model, auf dem dann ein Analyse-Tool aufgebaut wurde. Man fügte Daten hinzu und stellte spezifische Fragen, um mögliche Korrelationen zu identifizieren. Unser Ansatz bei neuropredictr ist revolutionärer: Unsere Engine steht quasi über allen weltweit verfügbaren AI-Models und wählt automatisiert das jeweils beste Model für den spezifischen Datensatz aus. Dabei setzen wir nicht von Anfang an auf vorformulierte Fragen, sondern folgen dem Prinzip „follow your data“. Das bedeutet, dass wir den Daten erlauben, uns zu führen und Korrelationen aufzuzeigen, ohne durch vorab definierte Fragen eingeschränkt zu sein. Gezielte Fragen und Hypothesen entwickeln wir dann erst im Rahmen des Proof of Concept.
Ein weiterer Aspekt, der uns von anderen unterscheidet, ist die Anbindung unserer Engine an zahlreiche externe Datenquellen wie Wetter, Verkehr, Wirtschaftsindizes und soziodemografische Daten des stationären Handels, um nur einige zu nennen. Dies geschieht vollautomatisiert und unsere Systeme evaluieren selbstständig, welche externen Faktoren möglicherweise einen Einfluss auf den jeweiligen Datensatz haben könnten. Die Geschwindigkeit, mit der unsere Engine arbeitet, und die Präzision der Ergebnisse sind beispiellos. Wir liefern Vorhersagen mit einer Wahrscheinlichkeit von bis zu 100 Prozent. Diese Art der Präzision und die Fähigkeit, automatisiert das jeweils beste AI-Model auszuwählen und externe Faktoren zu berücksichtigen, setzen neue Maßstäbe in der Branche. All das, was wir bei neuropredictr tun, bezeichnen wir als Deep Data Science durch Meta AI. Sie haben mit Ihrer Aussage aber recht, dass Data Science und Vorhersagen schon seit gefühlten Ewigkeiten existieren. Doch in der Evolution der Vorhersagetechnologien stellt Deep Data Science in Verbindung mit Meta AI die nächste Entwicklungsstufe dar. Es ist nicht nur eine logische Weiterentwicklung vorhandener Methoden, sondern gleichzeitig eine komplett neue Disziplin im Bereich der Vorhersagen. Durch die Integration von Meta AI in den Prozess der Datenanalyse und -vorhersage öffnen wir ein neues Kapitel, das weit über traditionelle Ansätze hinausgeht. Diese Innovation ermöglicht es uns, Muster und Korrelationen in den Daten zu erkennen, die zuvor unerreichbar waren, und setzt damit neue Maßstäbe für Präzision und Effektivität in der Welt der datengetriebenen Entscheidungsfindung.
Die Implementierung fortschrittlicher Analyse-Tools bzw. neue Software in großen Unternehmen ist oft mit langwierigen Prozessen verbunden, die Monate oder sogar Jahre in Anspruch nehmen können. Wie passt das mit Ihrer Aussage zu der noch nicht da gewesenen Geschwindigkeit zusammen?
Lyons: Die außergewöhnliche Geschwindigkeit, mit der wir agieren, ergibt sich aus der vollständigen Automatisierung und der Fertigstellung unseres Systems. Da alles automatisiert ist, entfällt die Notwendigkeit, auch nur eine einzige Zeile Code zu schreiben. Was wir benötigen, ist lediglich eine Schnittstelle zu den Datensystemen des Kunden. Sobald diese Verbindung hergestellt ist, sind wir in der Lage, innerhalb von maximal zwei Wochen erste handlungsrelevante Ergebnisse zu liefern. Dieser schnelle Anfang ermöglicht es uns, unmittelbar in die Phase des aktiven Lernens und der Anpassung einzutreten, in der wir spezifische Fragen stellen und die Daten tiefergehend analysieren. Innerhalb von vier Wochen liefern wir einen Proof of Concept (POC). Anschließend, nach insgesamt 14 Wochen, ist das fertige Produkt (MVP) funktionsfähig. Zu diesem Zeitpunkt kann der Kunde bereits mit den Ergebnissen arbeiten und entscheiden, wie er diese nutzen möchte – sei es durch Integration in sein bestehendes System, Nutzung über eine externe Oberfläche oder Integration in eine App.
Diese zweifache Schnelligkeit – sowohl in der Implementierung als auch in der Auswertung – setzt uns von anderen am Markt verfügbaren Systemen ab. Ein vergleichbar schnelles System ist mir weltweit nicht bekannt. Unsere Effizienz und Geschwindigkeit ermöglichen es Unternehmen, die Vorteile der fortschrittlichen Datenanalyse sehr schnell zu realisieren und darauf basierende strategische Entscheidungen zu treffen.
Um auf ein konkretes Beispiel zu kommen, würden wir gerne mehr über das Projekt erfahren, das Sie, Herr Kober, mit neuropredictr umsetzen. Sie haben die Warenkorb-Daten der letzten fünf Jahre von über 800 Geschäften ausgewertet, zudem die Lagerdaten, Marketingdaten und Wettbewerbspreise in die Analyse einbezogen. Können Sie uns von den ersten Ergebnissen dieses umfangreichen Projekts berichten? Was konnten Sie aus den Erkenntnissen gewinnen und wie haben Sie diese in der Praxis umgesetzt?
Benedict Kober: Zuerst einmal muss ich zugeben, dass ich grundsätzlich ein Mensch mit Bodenhaftung bin und alles, was mir präsentiert wird, genau hinterfrage. Aber ich muss sagen, dass die Geschwindigkeit, mit der die Analyse durchgeführt wurde, und die dynamische Übersicht, die wir über unsere fast 170.000 Produkte erhielten, wirklich beeindruckend waren. Es handelte sich dabei um einen ersten Test und wir arbeiten derzeit an einer Strategie, um die Ergebnisse effektiv in unser Tagesgeschäft zu implementieren.
Vieles von dem, was wir gelernt haben, können wir bereits jetzt nutzen. Im Einkauf beispielsweise ermöglicht uns der Vergleich unserer eigenen Planungen mit den Empfehlungen der KI, verschiedene Szenarien durchzuspielen und optimierte Entscheidungen zu treffen. Die KI-Erkenntnisse verleihen uns auch in Gesprächen mit der Industrie eine stärkere Verhandlungsposition. Wir wissen nun in Echtzeit bei jeder Bestellung, wie lange ein Produkt zu welchem Preis in unserem Lager oder im stationären Handel bleibt, bevor es verkauft wird.
Besonders interessant sind auch die Korrelationen zwischen unseren Marketingaktivitäten und den Preisen. Diese geben uns wertvolle Einblicke und helfen bei der Planung von Verkaufsaktionen. Die Fähigkeit, diese dynamischen Zusammenhänge zu verstehen und für unsere Zwecke zu nutzen, eröffnet uns neue Wege, um unsere Effizienz und unsere Marktposition zu stärken.
Aber Sie haben doch bestimmt auch schon vorher mit Datenanalysen gearbeitet und Vorhersagemodelle genutzt? Das kann doch nichts Neues für Sie sein?
Kober: Selbstverständlich haben wir auch vorher schon mit Datenanalysen und Vorhersagemodellen gearbeitet. Der entscheidende Unterschied mit den Meta-AI-gestützten Analysen liegt jedoch in der Genauigkeit und den neuartigen Einblicken, die wir jetzt gewinnen können. Besonders hervorzuheben ist der Bereich der Warenkorbvergleiche. Hier können wir in Zukunft unseren Händlern präzise Empfehlungen geben, welche Produktkombinationen besonders erfolgreich sind. Dies wird sogar spezifisch auf die Lage des jeweiligen Stores und sein soziodemografisches Umfeld abgestimmt.
Ein weiterer Bereich, der sich durch die AI grundlegend verändert, ist das Pricing. Es ist sehr wahrscheinlich, dass die Preisgestaltung in der Zukunft größtenteils durch AI gesteuert wird. Der Prozess ist extrem dynamisch und hängt von zahlreichen Faktoren ab. Es geht nicht nur darum, auf Wettbewerbspreise zu reagieren, sondern auch den aktuellen Warenbestand, die Wahrscheinlichkeit des Abverkaufs zum optimalen Preis aus Händlersicht und die gesamte Produktkategorie zu berücksichtigen, die ja zahlreiche Wettbewerbsprodukte umfasst. All dies bildet einen dynamischen Prozess, der in seiner Komplexität und Vielfalt von herkömmlichen Analyse-Tools nicht in Echtzeit und mit der nötigen Präzision abgebildet werden kann. Wir stehen hier allerdings erst am Anfang und arbeiten daran, all diese neuen Erkenntnisse in unsere Systeme zu integrieren.
Lyons: Ergänzend möchte ich hier hervorheben, dass es drei wesentliche Stellschrauben und einen entscheidenden Faktor gibt, die zusammen das Fundament unserer Analysen bilden. Diese Stellschrauben sind die Menge, der Preis und die Promotion, also sämtliche Marketingaktivitäten. Der immer präsente Faktor in dieser Gleichung ist die Zeit. Stellen Sie sich vor, jedem dieser Elemente würden nur 10 Parameter zugeordnet – das ergäbe bereits 10.000 verschiedene Möglichkeiten, die Strategie für ein einziges Produkt auszurichten. Die zentrale Frage ist jedoch: Wo liegt der Sweet Spot bzw. das Pareto-Optimum? Also die optimale Warenverfügbarkeit zum besten Preis aus Sicht des Handels, gekoppelt mit den effektivsten Marketingaufwendungen, um den schnellstmöglichen Verkaufszeitpunkt zu erreichen.
Allein im Bereich der Promotion stehen uns zigtausende Möglichkeiten zur Verfügung, um unseren Marketingmix zu gestalten und den perfekten Streuplan aufzustellen. Einen solch dynamischen Prozess, unter Berücksichtigung aller Faktoren, in Echtzeit zu analysieren und präzise vorherzusagen, war mit bisherigen Tools nicht möglich. Durch den Einsatz von Meta AI im Bereich Deep Data Science können wir nun diese Komplexität meistern und Vorhersagen mit einer Präzision treffen, die vorher unerreichbar schien. Dies eröffnet völlig neue Dimensionen in der Planung und Optimierung von Verkaufsstrategien.
Was bedeutet das denn für die Euronics-Mitarbeiter? Führt das nicht zu einem massiven Stellenabbau?
Kober: Ganz im Gegenteil, denn AI wird den Menschen nicht ersetzen. Vielmehr werden Menschen, die AI nutzen, eventuell jene ersetzen, die AI nicht nutzen. AI stellt eines der stärksten und effektivsten Werkzeuge dar, die ich meinen Mitarbeitenden zur Verfügung stellen kann. Mein Ziel ist es, all meine Mitarbeitenden kompetent für die Zukunft aufzustellen. Tatsächlich gewinnen meine Mitarbeitenden durch den Einsatz von AI sehr viel Zeit zurück und können zahlreiche Aufgaben, die vielleicht im hektischen Alltag auf der Strecke bleiben, besser bewältigen.
AI wird uns helfen, Ressourcen freizusetzen, beispielsweise gebundenes Kapital im Zentrallager. Auch bei der Vorbereitung für wichtige Gespräche mit der Industrie wird uns die AI unterstützen. All das führt dazu, dass unsere Mitarbeiter effizienter und erfolgreicher in ihrer Arbeit sind und damit auch zufriedener. Statt eines massiven Stellenabbaus sehen wir also eher eine Transformation der Arbeitsplätze, bei der die Kompetenzen im Umgang mit neuen Technologien und insbesondere mit AI zunehmend wichtiger werden. So schaffen wir eine zukunftsfähige Arbeitsumgebung, in der unsere Mitarbeiter mit Hilfe von AI ihre Potenziale voll ausschöpfen können.
Können Sie uns einige konkrete Ergebnisse des Projekts nennen?
Kober: Ohne jetzt auf spezifische Produkte einzugehen, möchte ich hervorheben, dass die Analyse durch die AI und die damit verbundenen Vorhersagen uns gezeigt hat, wie wir unseren Lagerumschlag deutlich erhöhen können. Ein weiteres signifikantes Ergebnis war die Entwicklung eines Purchaser Moduls, das aus den gewonnenen Erkenntnissen abgeleitet wurde. Dieses Modul erlaubt es uns im Einkauf, präzise mit der Industrie abzustimmen, welche Mengen von Produkten wir in welchen Warengruppen, in welchem Zeitraum und mit welcher Unterstützung absetzen können. Die Genauigkeit der Vorhersagen für den Abverkauf einzelner Produkte auf Monatsbasis liegt hierbei über 90 Prozent. Bei einigen Produkten erreichen wir sogar auf Tages- oder Wochenbasis diese Wahrscheinlichkeiten.
Es ist wichtig zu betonen, dass die Ergebnisse an sich nur der Anfang der Lösung sind. Der nächste Schritt ist nun, diese Erkenntnisse zu nutzen und unsere Prozesse entsprechend anzupassen, um tatsächlich von den gewonnenen Insights profitieren zu können. Dies erfordert eine umfassende Umstellung und Optimierung unserer bisherigen Abläufe, um die volle Leistungsfähigkeit der AI-basierten Analyse in unseren Geschäftsalltag zu integrieren.
Bei der Integration fortschrittlicher AI-Lösungen für die Datenanalyse in ein großes Unternehmen wie Euronics klingt vieles sehr vielversprechend. Aber gab es auch Herausforderungen und Hürden, speziell im Bereich der IT und Datenverwaltung, die Sie überwinden mussten?
Kober: In der Tat, die Integration von AI in unsere Datenanalyse-Prozesse war kein einfaches Unterfangen. Ein wesentlicher Teil meiner Verantwortung als Vorstand liegt im Bereich IT, und genau hier sind wir auf die größten Herausforderungen gestoßen. Das zentrale Problem besteht darin, dass die Daten nicht nur vorhanden sein müssen, sondern auch harmonisiert werden und auf einer einheitlichen Plattform verfügbar sein sollen. An der Perfektionierung unseres Data Lakes arbeitet mein Team und ich schon seit vielen Monaten. Es ist nicht ausreichend, die Daten in verschiedenen Silos oder in unterschiedlichen Systemen vorzuhalten.
Die Notwendigkeit einer einheitlichen Datenplattform ist entscheidend, um die volle Leistungsfähigkeit der AI-gestützten Analyse nutzen zu können. Dies erfordert eine intensive Zusammenarbeit zwischen den IT-Spezialisten und den Datenanalysten, um sicherzustellen, dass die Daten nicht nur gesammelt, sondern auch sinnvoll strukturiert, bereinigt und schließlich harmonisiert werden. Diese Herausforderungen sind nicht trivial und erfordern sowohl technisches Know-how als auch strategische Planung, um eine solide Basis für die AI-Analyse und die darauf aufbauenden geschäftlichen Entscheidungen zu schaffen.
Herr Lyons, die Zusammenarbeit zwischen Euronics und neuropredictr erforderte sicherlich ein hohes Maß an Vertrauen, insbesondere was die Sicherheit und den Schutz der Daten angeht. Wie konnten Sie Herrn Kober und sein Team davon überzeugen, Ihnen ihre wertvollen Daten anzuvertrauen?
Lyons: Als professioneller Auftragsdatenverarbeiter haben wir umfangreiche Erfahrungen in verschiedenen hochsensiblen Branchen gesammelt, einschließlich der Flugindustrie, Automotive, Logistik und Sport, die alle das gleiche Kernstück wie neuropredictr nutzen: die Engine effectR. In all diesen Bereichen ist der Datenschutz von größter Bedeutung. Wir halten uns an die strengsten Standards, die man normalerweise von internationalen Banken in Bezug auf Datensicherheit erwarten würde. Darüber hinaus arbeiten wir aktuell an der Erlangung der ISO-Zertifizierung speziell für die Flugindustrie, da hier die Anforderungen an den Datenschutz besonders hoch sind. Dies unterstreicht unser Engagement für die sichere Handhabung auch der sensibelsten Daten. Ich betone stets, dass Daten mit das wertvollste Kapital eines Unternehmens darstellen. Es wäre unklug, diese ungenutzt zu lassen, anstatt sie aktiv für den Unternehmenserfolg einzusetzen. Insbesondere in unseren Gesprächen in den USA beobachten wir eine viel größere Offenheit dafür, Daten durch spezialisierte Auftragsdatenverarbeiter wie uns analysieren zu lassen, um auf Basis der gewonnenen Einsichten erfolgreicher zu sein. Diese Kombination aus unserem bewiesenen Engagement für Datensicherheit, unserer branchenübergreifenden Expertise und dem leistungsstarken System, das wir präsentiert haben, hat entscheidend dazu beigetragen, dass wir die Gelegenheit erhalten haben, mit Euronics ein Pilotprojekt zu starten. Die Entscheidung von Herrn Kober, uns sein Vertrauen zu schenken, basierte auf unserer Erfahrung, unserer Technologie und unserem konsequenten Ansatz zum Datenschutz.
Kober: Zum Thema Datenschutz möchte ich betonen, dass wir bei Euronics eine kompetente Abteilung haben, die alle unsere Aktivitäten im Hinblick auf die Datenschutz-Grundverordnung (DSGVO) sorgfältig prüft und deren Einhaltung sicherstellt. Doch abgesehen von den rechtlichen Aspekten kam die Zusammenarbeit mit Lyons und seinem Team von neuropredictr genau zum richtigen Zeitpunkt für uns. Wir waren bereits seit einiger Zeit auf der Suche nach einer AI-basierten Lösung, die in der Lage ist, uns Ergebnisse in Echtzeit zu liefern und die mit der Komplexität und der Geschwindigkeit unserer Daten umgehen kann. Wir hatten auch in Betracht gezogen, ein eigenes Team für diese Aufgabe aufzubauen. Jedoch haben Gespräche mit CEOs anderer Unternehmen, die diesen Weg gegangen sind und nach ein bis zwei Jahren, abgesehen von hohen Personalkosten, noch keine substantiellen Ergebnisse vorweisen konnten, mich skeptisch gemacht. Als dann die Datensicherheit durch neuropredictr gewährleistet wurde, war es für uns ein logischer Schritt, das Angebot zu testen und zu sehen, welche Ergebnisse wir innerhalb von zwei Wochen erzielen können. Die Ergebnisse waren, wie bereits erwähnt, mehr als überraschend und haben unsere Erwartungen übertroffen.
Glauben Sie, dass AI-basierte Data Science den Einzelhandel in Zukunft nachhaltig verändern wird, und wie sollten sich Unternehmen darauf vorbereiten?
Lyons: AI ist ein größerer Paradigmenwechsel als das Internet und das Smartphone zusammen. Der Einzelhandel wird sich in seiner Struktur und in der Art und Weise, wie Waren bereitgestellt und angeboten werden, massiv verändern. Jedes Unternehmen wird und muss „data-driven“ sein – AI ist das neue Normal. Dies wird nicht wie Anfang der 90er mit dem Internet ein langsamer Prozess sein, bei dem man erst mal zuschaut. Vielmehr wird es rasend schnell gehen. Die Lernkurven sind extrem progressiv, und nur ein paar Monate können einen entscheidenden Unterschied ausmachen. Durch AI-basierte Data Science wird alles transparent, und alles wird dadurch gleichzeitig effizienter. Big Data und Digitalisierung waren nur die Vorstufen zu der eigentlichen Revolution, die jetzt gerade passiert. Generative AI wird zusätzlich für eine komplette Veränderung kommunikativer Abläufe sorgen, und zahlreiche sachbearbeitende Prozesse werden neu ausgerichtet. AI wird aber nicht nur im Retail, sondern in allen Bereichen, die unser Leben beeinflussen, zu massiven Veränderungen führen – in der Art und Weise, wie wir Themen analysieren, wie wir sie steuern und auch, wie wir sie umsetzen. Die Revolution hat schon längst begonnen.
Unternehmen sollten sich auf diese Veränderungen vorbereiten, indem sie eine Kultur der Offenheit gegenüber neuen Technologien pflegen und in die Fähigkeiten ihrer Mitarbeiter investieren, um mit diesen Technologien umgehen zu können. Sie müssen auch in Infrastrukturen investieren, die die Sammlung und Analyse großer Datenmengen ermöglichen, und Partnerschaften mit Technologieanbietern eingehen, die ihnen den Zugang zu den neuesten AI-Tools und -Erkenntnissen bieten können. Die Bereitschaft, schnell zu lernen und sich anzupassen, wird entscheidend sein, um in dieser neuen Ära erfolgreich zu sein.