Machine Learning: Mit Daten zu effizienteren Prozessen

Was ist MACHINE LEARNING?

Durch maschinelles Lernen können auf Basis vorhandener Daten und Algorithmen Muster und Gesetzmäßigkeiten erkannt und daraus Lösungen entwickelt werden.

Wie hilft es Unternehmen?

Durch Erkennung von Mustern in den vorhandenen Daten können Betriebsabläufe effizienter gestaltet und Wahrscheinlichkeiten für zukünftige Ereignisse berechnet werden.

Unsere Frameworks und Tools

Mit unseren Werkzeugen sind wir unabhängig von einzelnen Anbietern und setzen auf offene Standards. Schnell lassen sich Prototypen bauen, Kunden-Systeme anbinden und der produktive Einsatz professionell gestalten. Dank der offenen Standards kann genauso die Infrastruktur von Anbietern wie Google, AWS, Microsoft oder IBM zum Einsatz kommen.

EIN BEISPIEL?
DER QUANTENSPRUNG FÜR DIE WARENKORBANALYSE

Machine Learning kann, im übertragenen Sinn, Daten sprechen lassen, indem es beispielsweise Muster in unstrukturierten Daten findet. Diese Muster geben häufig Ansatzpunkte für Optimierungen in den Prozessabläufen oder für ein besseres Kundenverständnis.

Für ein Handelsunternehmen haben wir Machine Learning und traditionelle statistische Verfahren kombiniert. So kann das individuelle Kaufverhalten noch besser erkannt werden.

1. MASCHINELLES ERLERNEN VON MUSTERN IN KASSENTRANSAKTIONEN (CLUSTERING)

Über Unsupervised Learning lassen sich versteckte Muster in vielen Millionen Kassentransaktionen finden. Dafür werden die Kassentransaktionen in einen mathematischen Raum überführt, in dem sich Ähnlichkeiten messen lassen. Machine Learning Algorithmen erkennen diese Ähnlichkeiten, formen daraus Muster und ordnen jede Kassentransaktion einem Muster zu (Clustering). In diesem Beispiel entstanden 24 eindeutige Muster, wie beispielsweise der Wocheneinkauf oder der Einkauf für eine private Feier.

2. CLUSTER-SPEZIFISCHE WARENKORBANALYSE

Anstatt die Warenkorbanalyse stumpf über alle Transaktionen laufen zu lassen, lässt sich nun – und das macht den Unterschied – die Warenkorbanalyse auf die Transaktionen eines Musters anwenden. Ein Kunde, der einen Wocheneinkauf tätigt, verhält sich schließlich ganz anders als jemand der nach Feierabend noch schnell eine Gurke, Brot und Käse kauft.

So konnten wir die Auswirkung des Kaufs eines Artikels auf den Kauf weiterer Artikel (verstärkend, neutral oder verdrängend) je Muster bzw. Cluster und somit deutlich präzisier ermitteln. Konkrete Fragen lassen sich nun im Kontext des Kunden beantworten, wie beispielsweise:

WELCHE ARTIKEL VERSTÄRKEN SICH IM CLUSTER FEIERABEND-EINKAUF IM SOMMER (TOMATEN UND MOZZARELLA)?
WO GIBT ES neutrale BEZIEHUNGEN (DT. MARKENBUTTER UND TASCHENTÜCHER)?
Welche Artikel VERDRÄNGEN SICH besonders stark IM CLUSTER WOCHENEINKAUF (Bio Banane und Raffinade)?

FÜR JEDEN CLUSTER ENTSTEHEN INDIVIDUELLE NETZWERKE VON ARTIKEL-BEZIEHUNGEN

Diese Beziehungen können übergreifend, pro Land, Region, Filiale oder für einen Zeitraum berechnet werden. Über die Zeit lassen sich Veränderungen ermitteln und Trends ableiten.

3. VERNETZUNG ALS GRAPH VERSTEHEN

Die Komplexität des Kaufverhaltens, und damit auch in gezielten Sortimentsentscheidungen, steckt in der Vernetzung, in den wechselseitigen Effekten zwischen vielen Artikeln – verstärkend, neutral oder verdrängend. Die Darstellung dieser Beziehungen ermöglicht eine Graph-Datenbank viel besser als relationale Datenbanken:

  1. Abfragen von direkten und indirekten Effekten über viele Artikel und Muster hinweg sind intuitiv, flexibel und performant,
  2. Indirekte Einflüsse lassen sich unmittelbar aus der Struktur der Daten abfragen, visualisieren und verstehen.

Die neuen Technologien und die damit erreichbaren Ergebnisse bringen die tägliche Arbeit an der Platzierung, der Planung und der Individualisierung des Sortiments in eine neue, vernetzte Dimension:

CLUSTER-SPEZIFISCHE REGALPLATZIERUNGEN UND ZWEITPLATZIERUNGEN VON ARTIKELN IN DER FILIALE
  • Welche Artikel werden im Regallayout für welche Cluster nebeneinander platziert?
  • Welche Artikel werden bewusst neben Artikeln in Aktion präsentiert?
  • Neben welchen Artikeln ist die Zweitplatzierung eines Artikels für welche Cluster besonders attraktiv?
ENTSCHEIDUNGSHILFE BEI DER SORTIMENTSPLANUNG MIT CLUSTERN
  • Wie gut passt ein neuer Artikel wirklich in das Sortiment der Filiale, welche lokalen Cluster spricht er an?
  • Welche Artikel können ausgelistet werden, ohne wichtige Beziehungen in entscheidenden Clustern zu zerstören?
  • Gibt es Relevanzlücken im Sortiment einzelner Filialen?
AUFBAU MARKTINDIVIDUELLER SORTIMENTE
  • Datengetriebene Anpassung der Sortimente aufgrund individueller Cluster-Schwerpunkte in den Standorten
  • Automatisierte Datenaufbereitungen statt umfangreiche, manuelle Datenanalysen
  • Automatisierung von Markt-individuellen Planogrammen und Sortimentsempfehlungen
  • Unterstützung der Auswertung des A/B-Testings von Sortimentsveränderungen

DAS ERGEBNIS: EINE BESSERE CUSTOMER EXPERIENCE – MEHR UMSATZ UND LOYALERE KUNDEN!

Menu