Die Fashionbranche stellt Onlinehändler vor besondere Herausforderungen. Eine hohe Dynamik durch ständig wechselnde Saisonmode und dem Anspruch, Kleidung anzubieten, die „in Mode“ ist, prägen die Branche. Darüber hinaus haben Kunden ihren eigenen Geschmack, was Muster, Schnitt und Stil betrifft.

Für Fashionhändler ist es deshalb wichtig, aus der Fülle an Auswahlmöglichkeiten den Kunden die jeweils passenden Kleidungsstücke anzubieten. Relevanz für die Kunden in Form von personalisierten Angeboten ist hier einer der Schlüsselfaktoren für den erfolgreichen Verkauf. Das zunehmende Shoppen über das Smartphone verstärkt diese Anforderung. Ob über den Browser oder in der App: Der begrenzte Platz auf dem Smartphone fordert relevante Angebote, um Kunden zu überzeugen.

Schon vergleichsweise kleine Stellschrauben innerhalb des Einkaufprozesses können zu einem besseren Shoppingerlebnis führen und so zu mehr Umsatz verhelfen. In diesem Beitrag erfahren Sie, wie Sie durch Image Similarity, also Produktempfehlungen, die auf Basis von Bildähnlichkeiten berechnet werden, auf der Artikeldetailseite, im Warenkorb und auf dem Merkzettel bei Ihren Kunden punkten.

1. Image Similarity auf der Artikeldetailseite für die beste Kaufoption

Mit einem Klick auf ein interessantes Produkt gelangen die Kunden zur Artikeldetailseite. Hier finden sie nähere Informationen zum Kleidungsstück und eine detaillierte Ansicht, i.d.R. durch verschiedene Produktbilder, Videos oder 3-D-Bilder. Sehr viele Fashionhändler platzieren unter dem Kleidungsstück verschiedene Produktempfehlungen, basierend auf unterschiedlichen Empfehlungslogiken. Eine beliebte Empfehlungslogik – gerade in der Fashionbranche – sind Empfehlungen, die auf Basis von Ähnlichkeitsanalysen berechnet werden. Der Kunde erhält also zur angesehenen grünen Hose, Vorschläge für andere Hosen, die der grünen Hose in Form, Material und/oder Farbe ähneln. Aus meiner Projekterfahrung im Fashionhandel kann ich berichten, dass viele Kunden diesen „Service“ nutzen, denn

• Viele Kunden stöbern gern bei der Outfitwahl. Ähnlichkeitsempfehlungen helfen bei der Auswahl des „richtigen“ Kleidungsstückes
• Wenn die gewünschte Kleidergröße ausverkauft ist, kann die Enttäuschung darüber abgemildert werden, indem die Kunden optisch ähnliche Kleidungsstücke zur Auswahl haben

Die Händler bestimmen dabei selbst, welche Produkte in die Berechnung der Empfehlungen einbezogen werden, z.B. nur aus einer bestimmten Kategorie oder einer bestimmten Markenwelt. Unsere KI-Lösung hält einen integrierten Test-Drive bereit. So können Sie verschiedene Konfigurationen einfach miteinander vergleichen.

2. Image Similarity im Warenkorb, um den Umsatzverlust durch ausverkaufte Artikel zu kompensieren

Haben sich Kunden entschlossen ein Kleidungsstück zu kaufen, legen sie es in den Warenkorb. Jetzt sollten die Kunden nach Möglichkeit durch nichts mehr abgelenkt werden, um einen Kaufabbruch zu vermeiden. Sonderaktionen, Umfragen oder Produktempfehlungen sind an dieser Stelle fehl am Platz.
Doch Ausnahmen bestätigen bekanntlich die Regel: Schließen Kunden den Kauf nicht ab und kehren einige Zeit später zum Warenkorb zurück, kann die Frustration groß sein, wenn der Artikel mittlerweile ausverkauft ist.

Um dem drohenden Umsatzverlust entgegen zu wirken, hat es sich in der Praxis als praktikabel erwiesen, alternative Produkte anzuzeigen, die dem ausverkauften Kleidungsstück optisch ähneln. Erfahrungswerte zeigen, dass ein nicht unerheblicher Teil der Kunden sich dafür entscheidet, eine dieser Empfehlungen in den Warenkorb zu legen.
Die Händler legen für die Berechnung der Empfehlungen die Filterkriterien fest, z.B. dass nur die Artikel angezeigt werden, die auch in der Kleidergröße des ausverkauften Produktes verfügbar sind.

Wie prominent die Empfehlungen auf Basis von Image Similarity im Warenkorb angezeigt werden, setzen Händler in der Praxis unterschiedlich um. Manche zeigen die Empfehlungen direkt als Produktbilder unter dem ausverkauften Kleidungsstück, bei anderen Fashionhändlern aktiviert der Kunde die Anzeige der Empfehlungen durch einen Klick auf einen Button unter dem Sold-Out-Artikel. Die Überschrift zu den Empfehlungen wählen Händler i.d.R. so, dass die Kunden auf einem Blick erkennen, dass es sich hierbei um ähnliche Produkte handelt.

3. Optisch ähnliche Empfehlungen für Alternativen auf dem Merkzettel

Ein Merkzettel oder eine Wunschliste erleichtert es den Kunden, sich interessante Kleidungsstücke für „später“ zu merken. Fashionhändler sehen diesen Service als Vorstufe zum eigentlichen Kaufprozess. Anders als im Warenkorb, bei dem der Kunde nach Möglichkeit nicht mehr abgelenkt werden soll, sind hier Inspirationen, z.B. in Form von Produktempfehlungen oder speziellen Aktionen, noch möglich. Doch auch hier kann es passieren, dass Kleidungsstücke nach einer gewissen Zeit ausverkauft sind.
Wie im Warenkorb geben Produktempfehlungen für optisch ähnliche Kleidungsstücke auch auf dem Merkzettel den Händlern die Möglichkeit, verloren geglaubtes Umsatzpotenzial zurückzuholen. Ein Teil der Kunden wird sich dafür entscheiden, eine angezeigte Alternative für den geplanten Kauf vorzumerken.
Und auch hier nutzen Fashionhändler die verschiedenen Filtermöglichkeiten für die Anzeige der Empfehlungen. Beispielsweise möchten manche Onlineshop-Betreiber optisch ähnliche Kleidungsstücke nur in einer bestimmten Preisspanne, orientiert am Preis des Ursprungsproduktes, anzeigen.

Welche Empfehlungen am besten von den eigenen Kunden angenommen werden, monitoren die Nutzer unserer KI-Lösung gern im Test-Drive. Dieser stellt die Option bereit, die Bildähnlichkeiten in einer 3D-Ansicht zu visualisieren. So erhalten Händler einen besseren Überblick in punkto der Ergebnisse. Innerhalb der 3D-Ansicht können Nutzer sich interaktiv bewegen und eine Suchfunktion anwenden.

Sind Sie bereit für Image Similarity?

Nicht nur Fashionhändler profitieren von Produktempfehlungen auf Basis von Ähnlichkeitsanalysen. Und neben den vorgestellten Anwendungsfällen setzen Händler durch den Einsatz von Image Similarity eine Vielzahl weiterer Use Cases um.

Sie überlegen, Image Similarity auch in Ihrem Onlineshop einzusetzen? Ich berate Sie gern – vereinbaren Sie einen Termin oder nehmen Sie an einem unserer nächsten Webinare teil.

Mr Personalization

Händler jonglieren tagtäglich mit Unmengen an Daten – sei es bei der Bestandsverwaltung, im Preismanagement oder in Hinblick auf einen guten Kundenservice. Künstliche Intelligenz (KI) unterstützt Händler am Point of Sale oder im Onlineshop, diese Vielzahl an Daten sinnvoll zu verarbeiten und zu nutzen. In Teil 2 unserer Blogserie „Künstliche Intelligenz am Point of Sale“ erfahren Sie, wie Sie durch Personalisierung Ihre Kunden mit individuellen Angeboten überzeugen und gleichzeitig den Umsatz steigern.

1. Berater-Tablet mit personalisierten Empfehlungen

Was macht gute Kundenberatung aus? Das Verkaufspersonal lernt die Interessen und Wünsche der Kunden im Gespräch kennen und empfiehlt daraufhin passende Produkte und Services. Wie praktisch wäre es, gleich zu Beginn jedes Kundenkontaktes mehr über die Produktvorlieben der Kunden zu wissen und zur aktuellen Produktsuche passende Empfehlungen parat zu haben?

Ein Berater-Tablet macht genau dies möglich. Es unterstützt das Verkaufspersonal während einer Kundenberatung durch die Anzeige relevanter Produktempfehlungen, die individuell auf die Interessen der Kunden zugeschnitten sind. Zur Identifizierung dienen beispielsweise die Kundenkarte oder E-Mail-Adresse. Damit stehen den Mitarbeitern alle verfügbaren Kundeninformationen – kanalübergreifend – zur Verfügung, z.B. die letzten Käufe, Wunschlisten in der App oder generell das Klickverhalten in den digitalen Kanälen.

Auf der Grundlage dieser Daten berechnet die KI passende Produktempfehlungen. So kann das Verkaufspersonal Produkt-Vorschläge unterbreiten und die Reaktion der Kunden (Kauf/Nichtkauf) als Information zurück ins System spielen.

Durch die empfehlungsbasierte Kundenberatung erreicht das Verkaufspersonal eine bessere Beratungsqualität, stärkt die Kundenbindung und kann Zusatzkäufe generieren, was sich wiederum positiv auf das Umsatzvolumen auswirkt.

2. Personalisierte Coupons für treue Kunden auf Kassenbons oder im Newsletter

Viele Kunden mögen Coupons. Dieser kleine Bon in Papierform oder digital auf dem Smartphone ist nach wie vor ein beliebtes Mittel zur Kundenbindung. Um die Einlösequote aktiv zu pushen, können Sie Ihren Kunden individuell Produkte vorschlagen, die sie wirklich benötigen oder mögen. Passen die Coupons tatsächlich zum eigenen Bedarf, erhöht sich die Nutzungswahrscheinlichkeit um ein Vielfaches. Passen die Produkte auf den Coupons gar nicht, wirkt sich das eher negativ aus – z.B. einem Vegetarier Coupons für Wurstwaren zu anzubieten, wäre kontraproduktiv.

Hier leistet KI wertvolle Unterstützung: Selbstlernende Algorithmen berechnen automatisiert Produktempfehlungen von höchster persönlicher Relevanz und kombinieren diese mit fixen oder nach Kundenwert gestaffelten Rabatten. Am POS erhält der Kunde den Coupon für eine Produktkategorie beispielsweise über den Kassenbon (Identifizierung z.B. über Kundenkarte). Aber auch im Newsletter ist die Kombination von Rabatt und Produktempfehlung effektiv.

Aus bereits durchgeführten Projekten kann ich berichten, dass Händler die Einlösequote von Coupons merklich steigern konnten, wenn sie diese mit den individuellen Lieblingsprodukten ihrer Kunden koppelten.

3. Instore-TV mit passenden Produktempfehlungen

Künstliche Intelligenz am Point of Sale kann auch Inhalte für einen Instore-TV liefern. Über einen Instore-TV oder Digital-Signage-Flächen pushen Händler bestimmte Produkte.
Jedoch bedeutet Instore Advertising auch manuellen Pflegeaufwand für den Händler. Zudem sind die Inhalte eher wenig auf aktuelle Gegebenheiten ausgerichtet. Durch den Einsatz von KI bespielen Händler ihre Digital-Signage-Flächen vollautomatisch mit Echtzeit-relevantem Content. Je nach Ziel des Händlers, werden verschiedene Szenarien umgesetzt, z.B. die Umsatzfestigung bei aktuell nachfrage-relevanten Produkten oder das Pushen von deckungsbeitragsstarken Produkten.

Die Inhalte der digitalen Werbetafeln können an Tageszeiten, Orte, regionale Events oder das aktuelle Kundenverhalten angepasst werden. Gibt es zum Beispiel in einer Abteilung aktuell wenig Nachfrage, wird über die Werbetafel ein Sonderangebot für ein bestimmtes Zeitfenster angezeigt. Es herrscht aktuell Sommerwetter? Die KI erkennt dies und spielt passende Empfehlungen, beispielsweise für Grill-Equipment oder Eis, aus. Auf diese Weise wird die Wirkung von Instore-TV und Digital Signage deutlich erhöht und es können interessantere Angebote an die Kunden ausgespielt werden.

Sie überlegen, Personalisierung für Ihr Geschäft zu nutzen? Vereinbaren Sie gern ein Gespräch mit mir.

Mr Personalization

Dr. Michael Thess – Mathematiker, Visionär und Mitgründer der GK Artifcial Intelligence for Retail AG, vormals prudsys AG. Er hat das Unternehmen und dessen Software-Lösungen geprägt wie nur wenige andere. Von 1998 bis 2016 hat Michael Thess als einer der Geschäftsführer die Algorithmen- und Produktentwicklung verantwortet und pflegt bis heute eine enge Verbundenheit zur prudsys AG. Was aber die Wenigsten wissen: Er ist der stille Begründer der prudsys-Lösung für dynamische Preisoptimierung – heute eines der weltweit leistungsfähigsten Software-Produkte im Bereich Dynamic Pricing (siehe GARTNER-Report) und zertifizierte Solution Extension der SAP . 

„Der Weg hierher war mühsam“, erzählt Michael Thess im Interview mit Mrs. Pricing. „Das war zäh! Wir haben gekämpft.“, erinnert er sich. „Wir wollten Handelsprozesse mit intelligenter Datenanalyse unterstützen und optimieren. Allerdings ist der Handel in Sachen Datenanalyse und stabilen Vorhersagen nicht unbedingt gutmütig. Er ist seinem Wesen nach sehr volatil.“, fasst Michael Thess mit einem Lächeln zusammen. Aber eines wusste er: „Preisoptimierung – das ist das Herzstück eines jeden Händlers. Wenn die Preisoptimierung nicht funktioniert, hat jeder Händler ein Problem. Ich habe in diesem Sinne nicht die Preisoptimierung an sich erfunden, aber ich habe das Potenzial sofort erkannt. Deshalb bin ich vor allem Wegbereiter der prudsys Dynamic-Pricing-Lösung.“ 

Grund genug, zurück zu blicken und zu sehen, wie damals alles begonnen hat. Die Anfänge der prudsys AG reichen zurück ins Jahr 1993. In diesem Jahr gründeten Jens Scholz (heute CEO der prudsys AG) und Michael Thess ihre erste gemeinsame Firma, die Scholz & Thess Software GbR. Ihr Produkt war ein Data-Mining-Tool zur Analyse kleinerer Datenmengen. Ende der 90er Jahre breitete sich das Internet rasant aus – alle Firmen setzten plötzlich auf Digitalisierung. „Da war uns klar, wenn jetzt aus verschiedensten Quellen Daten zusammenfließen, dann ist der nächste Schritt der, diese riesigen Datenmengen sinnvoll auswerten zu können.“, erinnert sich Michael Thess. Mit dem vergleichsweise kleinen Data-Mining-Tool ließ sich das nicht umsetzen. Deshalb suchten die GbR-Gründer weitere Mitstreiter, mit denen sie Data Mining größer denken konnten und gründeten 1998 die prudsys AG. Strategisch wie technisch liegt das Hauptaugenmerk der prudsys AG seither auf zwei wesentlichen Aspekten, die für den Erfolg im kanalübergreifenden Handel entscheidend sind: 

• verschiedene Datenquellen zusammenführen & nutzbar machen (Stichwort: Omnichannel- & Multimandanten-Fähigkeit),
• enorm große Datenmengen intelligent und performant verarbeiten & auswerten.

„Mit anderen Worten: Wir hatten kein geringeres Ziel, als «den Fluch der Dimensionen» zu überwinden. Als wir anfingen, konnte man nur maximal drei Dimensionen sinnvoll berechnen und auflösen – das war damals der Stand der Technik. Drei Dimensionen waren aber viel zu wenig, denn Kundenservice im Handel braucht mindestens fünf Dimensionen:Den Kunden, das richtige Angebot, zum richtigen Zeitpunkt, über den richtigen Kanal und am richtigen Ort.“, erzählt Michael Thess. Für diesen Zweck wurden üblicherweise Support Vector Machines (SVMs) eingesetzt, was damals hoch innovativ war. Das Problem dieser Verfahren bestand allerdings darin, dass diese nicht viel mehr als drei Dimensionen unterstützen konnten. Bei der Berechnung höherdimensionaler Aufgaben stießen SVM-basierte Verfahren hinsichtlich der erforderlichen Rechenleistung an die Grenzen des technisch Möglichen und wirtschaftlich Sinnvollen. Auf der Suche nach einer performanten Lösung fand Michael Thess in Sparse-Grids-Verfahren eine vielversprechende Alternative. Sparse-Grids-Verfahren arbeiten auf Attributen (statt auf Vektoren) und sind in der Lage, große Mengen an Datenpunkten intelligent und geschickt zu kombinieren. Dieser Ansatz erlaubt es nicht nur, innerhalb eines Attributs zugleich mehrere Vektoren zu verarbeiten, sondern darüber hinaus eine Vielzahl an Dimensionen einzubeziehen. So werden komplexe Handelsprozesse mathematisch abbildbar und können zielgesteuert optimiert werden. „Damit konnten wir den «den Fluch der Dimensionen» schließlich auflösen. Das war einer der größten Durchbrüche meines Lebens.“, erinnert sich Michael Thess. 

„Als wir dann Anfang der 2000er Jahre begannen, uns einen Namen im Bereich Recommendation Engines zu verdienen, gingen wir den nächsten Schritt unserer technologischen Evolution.“, erklärt er weiter. „Denn um Data Mining nicht nur performant, sondern vor allem zielorientiert betreiben zu können, brauchte es noch einen wichtigen Baustein: Intelligenz. So kamen wir zum Reinforcement Learning (RL). Diese Technologie hat unsere Software noch mal auf ein gänzlich neues Niveau gehoben.“ Reinforcement Learning (verstärkendes Lernen) bedeutet: 

• Echtzeit-Performance & Massendaten-Verarbeitung, 
• ein künstliches System ist in der Lage zu lernen, passt sich vollautomatisiert seiner Umwelt an und entwickelt sich anhand eines vorgegebenen Ziels selbstständig weiter,
• dieses Ziel kann der Anwender entsprechend seiner Business-Strategie selbst vorgeben und die Künstliche Intelligenz (KI) konkret hinsichtlich Margen-, Umsatz oder Absatzoptimierung steuern.

„Das war eine Revolution! Und letztendlich war es auch das Reinforcement Learning, das uns zum Dynamic Pricing gebracht hat. Durch das RL mussten wir alles in Echtzeit anbinden. Wichtig ist zu verstehen, was das heißt: Wir hatten jetzt alle relevanten Daten, in Echtzeit. Und wir wussten, damit geht noch viel mehr als ‚nur‘ Produkt-Empfehlungen. So sind wir schließlich zum Dynamic Pricing gekommen. Das Thema Preisoptimierung fand ich schon immer interessant. Bestärkt wurde ich zusätzlich durch unsere Recommendations-Kunden, die uns als Data Miner schnell nach einer Lösung für dynamische Preisanpassungen fragten. Das war der absolut logische nächste Schritt. Wenn wir in Echtzeit Produkt- und Contentempfehlungen ausspielen konnten – warum nicht auch Preise in Echtzeit bereitstellen? Diese Idee manifestierte sich im Jahr 2006.“, erzählt Michael Thess. 

„Noch im gleichen Jahr habe ich angefangen, erste Verfahren zu entwickeln. Damals noch auf sehr einfachem Niveau. Der erste Pricing-Algorithmus konnte vor allem eins: Den Umsatz maximieren. Doch nur damit begeistert man kaum einen Category Manager – das ist klar.“, erinnert sich Michael Thess lachend. „In enger Zusammenarbeit mit unseren Kunden und unserem prudsys-Team wurden die Verfahren dann weiterentwickelt. Zuerst haben wir uns darauf konzentriert, dass die Algorithmen vor allem Margen-optimierend arbeiten. Letztendlich waren es aber unsere Kunden, die uns darauf gebracht haben, dass der Category oder Pricing Manager selbst bestimmen können muss, welche KPIs unsere Verfahren optimieren. So sind wir mit einer Intuition gestartet und Schritt für Schritt kam eins zum anderen.“, erzählt er weiter. Und so zahlt nahezu alles, was seit 1993 erreicht wurde, auf die großen Stärken der aktuellen GK AIR-Lösungen ein: 

• Reinforcement Learning in Echtzeit,
• Lineare Skalierbarkeit & Performance bei enormen Datenmengen,
• Kombination von Personalisierung & Pricing.

„Wenn ich zurückblicke, haben wir seit unseren Anfängen 1993 eine interessante Evolution beschritten: Quasi vom Pferdefuhrwerk über einem robusten LKW hin zu einem leistungsfähigen Flugzeug. Unser Pferdefuhrwerk waren die einfachen Data-Mining-Ansätze Mitte der 90er Jahre. Danach kamen die Sparse Grids, die demgegenüber schon ein wirklich starker LKW waren. Und zum Schluss der Überschallflieger, die Reinforcement-Learning-Technologie, die wir für Handelsprozesse adaptiert und für Händler zu einem Wettbewerbsvorteil gemacht haben.“ 

Nun haben wir viel über die Unternehmens-Geschichte gesprochen, vom Internet-Boom und der technologischen Evolution vom Pferdefuhrwerk zum Überschallflieger. Da stellt sich beinahe automatisch die Frage nach einem Blick in die Zukunft. Also habe ich Michael Thess gefragt, wo seiner Auffassung nach, die technologische Entwicklung hingehen wird und welche Trends er für die nächsten Jahre sieht: „Ich denke, Reinforcement Learning bleibt das Zukunftsthema für den Handel – stationär wie online. Ich sehe großes Potential darin, Reinforcement Learning über hierarchische Tensoren umzusetzen. Denn Tensoren arbeiten ressourcenschonend und eignen sich schlicht perfekt für die Verarbeitung von Massendaten. Das eröffnet dem Omnichannel-Handel, der mehr und mehr zum Standard wird, sehr große Potentiale.“ 

Vielen Dank, Michael! Nicht nur für dieses Interview :-)

Mrs Pricing

Händler haben täglich mit großen Datenmengen zu tun – sei es im Einkauf, bei der Bestandsverwaltung oder im Preismanagement. In nahezu allen Prozessen entlang der Wertschöpfungskette werden eine Vielzahl von Daten verarbeitet. Der Einsatz von Künstlicher Intelligenz (KI) unterstützt Online- und Stationär-Händler bei der smarten Abwicklung der Daten und dabei, die vorhandenen Prozesse zu optimieren. Und auch beim Thema Kundenservice bringt KI in Form von Personalisierung einen großen Nutzen, denn Kunden erhalten so die für sie passenden Produktangebote. Ich stelle Ihnen zehn spannende Anwendungsszenarien von KI für den Point of Sale (PoS) vor.

1. Dynamic Pricing: Initial Pricing, Regular Pricing, Markdown Pricing

Ein wichtiger Umsatzhebel im Handel ist das Preismanagement. Die besten Preisentscheidungen zu treffen – für jedes Produkt, zu jedem Zeitpunkt und über jeden Kanal – zählt zu den schwierigsten Aufgaben für Händler.

Künstliche Intelligenz ermöglicht es, Preise automatisch an alle relevanten Kontextbedingungen wie Nachfrage, Lagerbestand oder Wettbewerberpreise anzupassen. Sie hilft dabei, Abschriften zu reduzieren, die Lebensmittelverschwendung im LEH einzudämmen und Out-of-Stock-Situationen vorzubeugen. Abhängig von den Zielen der Händler, kommen verschiedene Pricing-Verfahren zum Einsatz.

Im Video “Was leistet Dynamic Pricing“ erfahren Sie mehr dazu.

Je nach aktueller Phase im Produktlebenszyklus eines Artikels wendet die KI die passende Preisstrategie an: Initial Pricing, Regular Pricing oder Markdown Pricing. Initial Pricing berechnet die optimale Preissetzung von Produkten, die neu ins Sortiment aufgenommen werden oder am Beginn des Produktlebenszyklus stehen. Der Fokus liegt darauf, nachfrageorientiert genug Ertrag und Umsatz abzuschöpfen, um die vorgegebene durchschnittliche Zielmarge in den verschiedenen Sortimentsbereichen zu erreichen.

Das Ziel vom Regular Pricing ist es, die Preise so zu gestalten, dass die Händler ihre spezifischen Ziele erreichen: Das kann die Absatz-, Umsatz oder Ertragsoptimierung bedeuten, der Aufbau eines positiven Preisimages oder eine Kombination aus diesen Zielen. Zudem kann die KI die Abhängigkeiten von Produkten (Stichwort Kreuzpreiselastizität) erkennen und durch entsprechende Preisanpassungen verdeckte Umsatzpotentiale heben. Ein Beispiel dafür: Der Preis von Erdbeeren wird gesenkt und die Nachfrage nach Tortenböden und Sprühsahne steigt. Der Preis kann evtl. nach oben angepasst werden, um Markdowns auf Erdbeeren auszugleichen und um Out-of-Stock-Situationen zu verhindern, wenn die durch die KI prognostizierte Abverkaufsmenge über dem Lagerbestand liegt. Die KI schlägt dann ergänzend auch für diese Produkte optimale Preisanpassungen vor.

Mehr dazu erfahren Sie im Video „Intelligentes Pricing durch die Beachtung von Kreuzpreiselastizitäten am Beispiel Erdbeertorte“

Möchten Händler ihr Preis-Image ausbauen und so Marktanteile gewinnen, kann die KI durch die intelligente Preisbestimmung von Fokusartikeln unterstützen.

Das Markdown Pricing, auch Abverkaufoptimierung genannt, zielt darauf ab, Artikel mit fortgeschrittenem Produktlebenszyklus bis zu einem festgelegten Zeitpunkt abzuverkaufen und so einen Lagerbestand von Null zu erreichen. Die Pricing-Algorithmen erkennen für jedes Produkt, wie hoch die Nachfrage ist. Mit diesem Wissen steuert die KI über den Preis den Abverkauf und schöpft gleichzeitig den größtmöglichen Rohertrag je Produkt aus. Gerade im Lebensmitteleinzelhandel eignet sich diese Pricing-Strategie hervorragend, um Lebensmittelverschwendung (insbesondere bei Frischeprodukten), einzudämmen.

Der Lebensmitteleinzelhandel weist Besonderheiten auf, die für ein erfolgreiches Preismanagement unbedingt berücksichtigt werden sollten. Dazu zählen beispielsweise die oft komplexe Organisationsstruktur vieler Händler im LEH, die regionale Entscheidungsfreiheit der einzelnen Filialen, die Verfügbarkeit (oder Nicht-Verfügbarkeit) von elektronischen Preisschildern, die enormen Datenmengen durch die Sortimentsbreite, kurze Produktlebenszyklen oder besondere Produktrelationen im Sortiment. Wie diese Herausforderungen speziell im LEH in die dynamische Optimierung von Preisen einfließen, lesen Sie im Beitrag Dynamic Pricing im Lebensmitteleinzelhandel – 5 Lösungsansätze.

2. Intelligente Produktplatzierung und präventive Produktplatzierung durch KI

Der Eingangsbereich im stationären Handel ist Anziehungspunkt für die spontane Laufkundschaft. Stehen interessante Produkte im Sichtfeld potenzieller Kunden, ist die Wahrscheinlichkeit hoch, dass sie spontan in den Laden gehen.

Eine KI kann Empfehlungen geben, welche Artikel zum aktuellen Zeitpunkt stark nachgefragt sind und sich deshalb gut für die Platzierung im Eingangsbereich eignen. Dabei berücksichtigt die KI nicht nur die Nachfrage im Laden, sondern auch die Nachfrage in anderen Verkaufskanälen wie z.B. App oder Onlineshop. Einflussfaktoren wie Wetter, Saison und Zeit fließen in die Berechnung der Empfehlungen mit ein.

Bei der präventiven Produktplatzierung analysiert die Künstliche Intelligenz die Stammdaten-Muster von Produkten mit Inventur-Differenzen und berechnet die Loss-Wahrscheinlichkeit aller Artikel. So erhalten Händler Vorschläge für Produkte, die eine bessere Platzierung im Geschäft erhalten sollten. Auf diese Weise können Händler präventiv gegen mögliche Betrugsfälle aktiv werden und im Ergebnis die Anzahl betrügerischer Aktivitäten senken.

3. Effektive Personaleinsatzplanung und Vorhersage des Kundenaufkommens durch KI

Die Nachfrage bestimmt das Angebot. Doch wie hoch ist die Nachfrage zu Produkt X und Produkt Y zu bestimmten Tageszeiten, an den verschiedenen Wochentagen und Monaten, vor und nach Feiertagen oder in den Schulferien? Händler können besser planen und so Kosten sparen, wenn sie wissen, wie hoch das Kundenaufkommen und damit die Kaufkraft in etwa sein wird. Daten aus der Vergangenheit sind dafür hilfreich. Doch wie ändert sich das Besucheraufkommen durch aktuelle Einflussfaktoren?

Real-time Prediction bezieht nicht nur historische Daten in die Berechnung von Bedarfsprognosen ein, sondern berücksichtigt auch aktuelle Ereignisse, z.B. Tageszeit, Wetter oder Aktionsangebote. Händler können dabei selbst bestimmen, welche Faktoren in die Berechnung einfließen. Die selbstlernende KI lernt dabei kontinuierlich in Echtzeit und kann so ihre Prognosen stetig optimieren. Anhand der prognostizierten Nachfrage lässt sich wiederum der Bedarf an Mitarbeitern gut ableiten, die am Point of Sale benötigt werden, um das Kundenaufkommen zu bewältigen. So ist eine bedarfsorientierte Planung inkl. Kosteneinsparung möglich.

Sie möchten mehr über diese Themen wissen und erfahren, wie Sie diese Anwendungsszenarien konkret in Ihrem Geschäft umsetzen können? Dann vereinbaren Sie jetzt mit uns einen Termin.

In meinem nächsten Beitrag erfahren Sie unter anderem, wie Sie durch nachfrageorientierte Produktempfehlungen auf digitalen Werbetafeln, Berater-Tablets mit personalisierten Empfehlungen und personalisierten Empfehlungen auf Kassenbons Ihre Kunden überzeugen.

Mr Personalization

Nach einem kurzen Blick in meinen Bücher-Newsletter entscheide ich schnell, ob dieser im Papierkorb landet oder ich auf einen weiterführenden Link klicke. Als Krimifan freue ich mich über Newsletter mit Neuerscheinungen in diesem Genre. Aber auch Kinderbücher oder Ratgeber zu verschiedenen Themen stehen ganz oben auf meiner Wunschliste. Gestaltet der Buchhändler seinen Newsletter entsprechend meiner Wunschrubriken, erhöht er die Wahrscheinlichkeit um ein Vielfaches, dass ich zuschlage. Das Buch landet im Warenkorb und die Conversion Rate des Newsletters steigt.

Dieser Blogbeitrag erschien original am 19. April 2018 und wurde am 23. März 2021 inhaltlich aktualisiert und ergänzt.

Händler, die auf zielgruppenspezifische Kampagnen setzen, verringern Streuverluste und erhöhen die Reaktionsquote. Bleiben wir beim Beispiel Kriminalroman: Sie möchten die Buchreihe des Autors Andreas Franz sowie die Hörbücher passend zur Krimireihe in Ihrem Newsletter bewerben. Der Newsletter soll ausschließlich an Kunden gehen, die sich für dieses Genre interessieren. Eine Künstliche Intelligenz (KI) für Personalisierung segmentiert Ihren Kundenstamm für die Kampagne automatisch. Dafür bezieht sie historische Transaktionsdaten sowie aktuelle Klickdaten ein. So erreicht Ihr Newsletter nur den Teil Ihrer Kunden, der sich dafür mit hoher Wahrscheinlichkeit für die Krimireihe von Andreas Franz interessiert. Durch den Einsatz von automatisierten Kampagnen-Newslettern sinkt die Wahrscheinlichkeit, dass sich Ihre Kunden genervt fühlen und sich im schlimmsten Fall vom Newsletter abmelden, erheblich.

Eine intelligente Kampagne mittels Zielgruppenselektion können Sie hervorragend sowohl über eine Newsletter-Kampagne als auch in Form einer Print-Kampagne realisieren:

Erreichen Sie höhere Bestellquoten durch intelligente Newsletter-Kampagnen

E-Mail-Marketing zählt weiterhin zu den beliebtesten und erfolgreichsten Marketingmaßnahmen. Für 91%²der 5000 wichtigsten Unternehmen in Deutschland, Österreich und der Schweiz ist das E-Mail-Marketing in Form eines Newsletters fester Bestandteil des Marketings. Vor zehn Jahren lag diese Zahl bei 60 %.¹ Die Klickrate von zielgruppenspezifischen Newslettern liegt im Durchschnitt 100% höher als bei nicht segmentierten Mailings.²

Nehmen wir an, Sie betreiben einen Onlineshop für Fashionartikel. Sie möchten die neue Schuhkollektion der Marken Nike und adidas für Männer bewerben. Unter dem Slogan „Starte fit in den Frühling“ bieten Sie Schuhe für verschiedene Sportarten der beiden Marken im Newsletter an. Eine KI-Lösung für Personalisierung erfasst für Sie sowohl alle Klicks und Käufe in Echtzeit als auch historische Klick- und Bewegungsdaten Ihrer Kunden. Durch die Auswertung dieser Daten bestimmt die Software die passende Zielgruppe für Ihre Schuh-Kampagne. Klickt ein Kunde beispielsweise bevorzugt auf Produkte von adidas oder Nike oder kauft häufig Artikel, die in Relation zu Ihren beworbenen Produkten stehen, wird dieser der Zielgruppe hinzugefügt. Dabei können Sie für Ihre Kampagne auch Kunden ausschließen, die bereits Schuhe aus den neuen Kollektionen der Sportmarken kauften. Mit Hilfe der KI-Lösung können Sie nach Belieben verschiedene Zielgruppen zusammenführen, Schnittmengen schaffen oder das Komplement bilden.

In unseren Kundenprojekten konnten Händler, die intelligente Newsletter-Kampagnen einsetzen und ihre Zielgruppe automatisch segmentieren, eine höhere Klick- und Bestellquote erzielen.

Erhöhen Sie Ihren Umsatz durch relevante Print-Kampagnen

In den letzten Jahren fragten Kunden wieder verstärkt Printkataloge nach. Personalisierung und Storytelling sind dabei wichtige Instrumente, um relevante und spannende Inhalte zu kreieren. Viele Kunden mögen es, im Printkatalog zu stöbern, vorausgesetzt, die Inhalte interessieren sie. Viele Kunden nehmen das Printexemplar zum Anlass, anschließend den Onlineshop des Händlers zu besuchen. Die Studie von Splendid Research im Auftrag von OnetoONE belegt dies: jeder zweite Katalogempfänger besucht nach dem Blättern im Printmedium den Onlineshop des Händlers.

Für Ihre intelligente Print-Kampagne gilt das gleiche wie im E-Mail-Marketing. Die KI-Lösung berechnet die passende Zielgruppe für Ihr Printmailing. Sie möchten beispielsweise Ihr Käse- und Weinsortiment durch eine Print-Kampagne bewerben. Unter dem Motto „Käse- und Weinspezialitäten aus aller Welt“ bieten Sie eine breite Auswahl an aromatischem Frisch-, Weich- und Hartkäse und den dazu passenden Rebensaft an. Die KI wertet hierfür aus, wer aufgrund des Klick- und Kaufverhaltens eine hohe Affinität zu beiden oder einer Kategorie aufweist. Die Auswahl Ihrer Zielgruppe durch die KI-Lösung erfolgt nicht statisch, sondern wird dynamisch auf Basis der aktuellsten Daten durchgeführt.

Sie möchten mit einer intelligenten Kampagne starten?

Wir beraten Sie gern in einem persönlichen Termin, wie Sie Ihre ereignisgesteuerten Kampagnen für die passende Zielgruppe umsetzen und so Ihre Conversion Rate steigern.

1) https://www.absolit.de/studien/e-mail-marketing-benchmarks#

2) https://kinsta.com/de/blog/e-mail-marketing-statistiken/

Die Möglichkeit, Waren kostenfrei oder gegen eine geringe Gebühr zu retournieren, stellt einen bedeutsamen Service für Online-Kunden dar. Die „Sicherheit“ der Rückgabemöglichkeit zahlt positiv auf das Bestellvorhaben ein. Händler kommen schwerlich ohne dieses Zugeständnis an ihre Kunden aus – nicht zuletzt auch deshalb, weil es im Onlinehandel fast schon zum guten Ton gehört, Retouren ohne großen finanziellen Aufwand für den Kunden zu ermöglichen.

Deshalb ist die Retourenquote ein sehr bedeutsames Thema für jeden Onlinehändler, denn Retouren erzeugen hohe Aufwände – personell, logistisch und ertragsbezogen. Die Quote der Retouren variiert je nach Produktsegment. Die Branche Fashion & Apparel kämpft mit besonders hohen Zahlen – hier liegt der Anteil an Retouren zwischen 25 und 50 % . Im Vergleich dazu werden in der Möbelbranche im Durchschnitt „nur“ knapp 10 % der Artikel retourniert. Vor diesem Hintergrund ist es für Onlinehändler wichtig, den Kostenfaktor Retoure so klein wie nur möglich zu halten. In vielen Branchen werden hierzu große Anstrengungen unternommen. Ausgangspunkt ist häufig die Suche nach den Gründen, die eine Retoure begünstigen. Diese variieren je nach Händler und Produktsegment. Allerdings existieren auch übergreifende Faktoren, auf die sich ein genauer Blick lohnt.

Beeinflusst der Preis die Retourenquote?

In etlichen Dynamic-Pricing-Projekten werde ich gefragt: Wenn Preise mittels einer KI optimiert werden – welche Auswirkungen hat das auf die Retourenquote? Dahinter steht die Sorge, dass die Quote steigen könnte, weil die KI das Preisniveau der Artikel anhebt. Die Annahme dahinter klingt plausibel: Wenn ein Artikel viel kostet, wird er kritischer angeschaut und sollte perfekt sein – anderenfalls wird er retourniert.

In der Praxis ergeben sich hierzu allerdings folgende Fragen:

• Ist es wirklich so, dass Preise generell steigen, wenn sie von einer KI berechnet werden? Nein. Preise, die auf Basis der aktuellen Nachfrage optimiert werden, steigen nicht grundsätzlich.
• Ist Viel-Bestellen und Retournieren nicht eher ein Phänomen von zu günstigen Angeboten? Einige Kunden bestellen bei günstigen Preisen vielleicht eher eine große Auswahl an Produkten – mit dem Vorhaben, nur die Besten zu behalten und die anderen direkt zu retournieren.

Gemeinsam mit einigen meiner Kunden haben wir den Einfluss des Preises auf die Retourenquote näher betrachtet. Dabei sind wir zunächst von unserem eigenen Verhalten als Konsumenten ausgegangen und haben folgende Überlegungen angestellt:

In vielen Fällen treffen wir unsere Kaufentscheidung, bevor wir eine Bestellung auslösen. Das bedeutet, dass wir den Preis eines Produktes bereits akzeptiert haben, wenn wir es bestellen. Danach, wenn also die Ware bei uns angekommen ist, entscheiden andere Faktoren darüber, ob wir retournieren oder nicht. Zum Beispiel, ob die Ware passt oder so aussieht/funktioniert, wie sie beschrieben wurde.

Der Preis beeinflusst die Kaufentscheidung – jedoch nicht die Retourenquote

Es gibt zahlreiche Studien, die dieses Verhalten bestätigen. Eine Umfrage von Statista zeigt zum Beispiel, dass der Preis der Faktor mit dem größten Einfluss auf die Kaufentscheidung (22%) im Onlineshop ist. Andere Faktoren, wie Kundenbewertungen (17%), Produktbilder (16%) oder Produktbeschreibungen (16%) sind nachrangig.

Hinsichtlich der Retouren-Gründe gibt es ebenfalls etliche Studien, die ein deutliches Bild zeichnen: Ob der bestellte Artikel passt oder nicht entscheidet in 58,2% der Fälle über eine Warenrücksendung. Des Weiteren retournieren Kunden sehr häufig, wenn die gelieferte Ware defekt ist (41,3%), schlecht verarbeitet wurde (28,9%) oder anders als beschrieben aussieht (26,4%).

Hat der Kunde die Kaufentscheidung getroffen, entscheidet über Retour oder nicht nur in seltenen Fällen der Preis. Diesen Zusammenhang konnte ich in einem Projekt gemeinsam mit einem Dynamic-Pricing-Anwender bestätigen. Grundlage hierfür bildete ein 3-monatiger A/B-Test, der nachweisen konnte, dass die Retourenquote in beiden Gruppen ausgeglichen stabil blieb. Der Einsatz der Dynamic-Pricing-Software hatte keinerlei Auswirkungen auf die Retourenquote.

Dennoch sollte eine ausgereifte Dynamic Pricing Lösung Möglichkeiten bieten, mit Retouren oder Retourenquoten zu arbeiten und die Preiskalkulation strategisch darauf abzustimmen. In Projekten setzen wir hier verschiedene Ansätze um – sprechen Sie mich gern darauf an, wenn Sie mehr wissen wollen!

Mrs Pricing

Wann geraten Sie während eines Besuchs im Onlineshop in Shoppinglaune? Unter welchen Bedingungen haben Sie das Gefühl, unbedingt noch weiterstöbern zu wollen? Ich persönlich fühle mich besonders gut aufgehoben, wenn ich Produkte sehe, die zu meinen Vorstellungen gut passen und meinen Geschmack treffen. Wie mir geht es dem Großteil der Online-Kunden. Intelligente Personalisierung im Onlineshop ist ein entscheidender Faktor, um Besuchern ein tolles Shopping-Erlebnis zu bieten. Dass dieses positive Shopping-Erlebnis auch Onlinehändlern hilft, Kundenbindung und Umsätze zu steigern sowie Retouren langfristig zu senken, wurde regelmäßig in Studien zu diesem Thema belegt.

Dabei finden Onlineshops immer neue Wege und Ideen, um ihre Besucher zu begeistern und zu binden. Da mittlerweile fast 70% der Online-Shopper¹ auch über das Smartphone einkaufen, ist die optimale Positionierung der Produkte auf dem eher kleinen Screen wichtiger denn je. Genau das leistet Personalisierung: das Ausspielen der „richtigen“ Produkte, zugeschnitten auf die Präferenzen des Menschen, der das Smartphone in der Hand hält.

Waren es in den Jahren nach der Jahrtausendwende einfache Algorithmen, die Empfehlungen à la „Kunden, die dieses Produkt kauften, kaufen auch diese Produkte“ umsetzten, wurden mit der Zeit immer mehr Flächen auf verschiedene Weise in Onlineshop, Newsletter oder App personalisiert. Mittlerweile interagieren intelligente Systeme in Echtzeit mit jedem einzelnen Kunden und zeigen anhand des Klickverhaltens in Sekundenschnelle passende Produkte und Inhalte.

Nachfolgend lesen Sie fünf Ideen für intelligente Personalisierung im Onlineshop, mit denen Sie Ihre Kunden begeistern und Ihre Umsätze ankurbeln:

1. Erfolgsfaktor Image Similarity: Setzen Sie auf Personalisierung im Onlineshop auf Basis von Bildähnlichkeiten

Oft kommt es vor, dass ein Produkt im Onlineshop gefällt, aber doch noch nicht zu 100%. Infolgedessen sucht der Kunde nach einem Produkt, das dem angezeigten Artikel „irgendwie“ ähnlich sieht. Diesen Wunsch können Produktempfehlungen auf Basis von Bildähnlichkeiten erfüllen. KI-Algorithmen analysieren alle Produktbilder und erkennen bspw. gleiche Formen und Farben. So erhält der Kunde Produktempfehlungen, die dem Ausgangsprodukt optisch ähneln. Schaut er eine grüne Armbanduhr an, erhält er dazu Empfehlungen für Armbanduhren, die ähnlich in punkto Form, Design oder Farbe aussehen. Die Empfehlungen auf Basis von Bildähnlichkeiten können zudem auf Basis von Informationen in den Produktstammdaten gefiltert werden, zum Beispiel, dass nur Produkte aus einer bestimmten Kategorie oder einer bestimmten Marke empfohlen werden.

Produktempfehlungen auf Basis von Bildähnlichkeiten

2. Richten Sie Produktempfehlungen an Ihren KPIs aus und verringern Sie die Zahl der Warenkorbabbrecher

Gute Personalisierung unterstützt Sie dabei, Ihre Erfolgskennzahlen zu erreichen. Ein effektives Feature dafür ist das Koppeln von Produktempfehlungen an den Preis. Möchten Sie beispielsweise den Warenkorbwert steigern, legen Sie in Abhängigkeit vom Ausgangsprodukt den entsprechenden Mindestpreis der Produktempfehlungen fest. So könnten Sie bestimmen, dass die Produktempfehlungen maximal 5 % günstiger und maximal 40% teurer sein dürfen, als das angezeigte Produkt.  Oder Sie stellen über die Personalisierungslösung ein, dass nur Artikel empfohlen werden, die in einer bestimmten Preisspanne liegen.

Produktempfehlungen innerhalb einer Preisrange

Ein anderes Beispiel: Sie möchten mit einem „Tagesdeal“ Ihren Umsatz steigern. Damit möglichst viele Shopbesucher den Tagesdeal kaufen, richten Sie diesen am besten nach den Präferenzen der Kunden aus. Wenn Sie den Kunden einen Artikel aus seiner Lieblingskategorie oder ein optisch ähnliches Produkt zum gerade angeschauten Produkt als Tagesdeal anzeigen, ist die Wahrscheinlichkeit höher dass sie sich dafür interessieren, als bei einem „globalen Tagesdeal“.

Ein weiteres Szenario: Wie hoch ist die Zahl Ihrer Warenkorbabbrecher? Die Zahl der Menschen, die ihren begonnenen Einkauf nicht zu Ende führen, ist nach wie vor hoch. Die Zahl variiert nach Branche und Unternehmen. Das Web-UX-Institute Baymard³ geht von durchschnittlich 70% geht aus. Die Gründe dafür sind vielfältig. Eine Möglichkeit, die Zahl Ihrer Warenkorbabbrecher zu reduzieren, bietet das Ausspielen von Incentives. Wurde beispielsweise ein gewisses Zeitfenster (oder andere von Ihnen definierte Kriterien) für den Abschluss des Einkaufes überschritten, kann eine intelligente Personalisierungslösung einen Rabatt oder auch Versandkostenfreiheit für den Abschluss des Warenkorbes einblenden.

3. Fördern Sie Ihr Cross-Selling durch dynamische Empfehlungsboxen und Gamification-Effekt

Machen Sie Ihr Kunden auf weitere Themen und Produktkategorien in Ihrem Onlineshop aufmerksam! Ein Großteil der Kunden bewegt sich nur innerhalb ihrer Lieblingskategorien. Inspirieren Sie diese Kunden durch die Anzeige weiterer Produktsortimente und heben Sie so verdeckte Umsatzpotentiale.

Gelingen kann das beispielsweise durch die Anzeige von dynamischen Empfehlungsboxen. Kunden mögen es, wenn sie selbst bestimmen können, was sie sehen. So könnten Sie beispielsweise Empfehlungsboxen einbinden, in denen der Kunde seine Lieblingskategorie selbst anklicken kann und daraufhin persönliche Produktempfehlungen aus dieser Kategorie sieht. So kann der Kunde einerseits selbst bestimmen, was er sieht. Andererseits kann er mit nur einem Klick in der Empfehlungsbox mehr vom Gesamtsortiment entdecken. Zudem erhält die Personalisierungssoftware durch die erhöhte Interaktion mit dem Kunden weitere Informationen für eine zielgerichtete Personalisierung. Ein weiterer schöner Nebeneffekt: Sie sparen Platz durch die komprimierte Anzeige der Empfehlungen und können diesen für weitere personalisierte Flächen (Stichwort „Tagesdeal“ oder „Produkt-Bundles“) nutzen.

Ein weiteres Feature für Ihre Kunden: Bieten Sie spielfreudigen Besuchern einen Anreiz. Machen Sie sie neugierig, indem Sie eine verdeckte, persönliche Empfehlung als „geheimes“ Lieblingsprodukt darstellen. Der Kunde kann durch einen Klick das verdeckte personalisierte Produkt tatsächlich ansehen.

4. Erreichen Sie einen hohen Personalisierungsgrad durch den Einsatz einer digitalen Kundenkarte

Die gute alte Kundenkarte hat längst nicht ausgedient. Die digitale Kundenkarte in Form eines Kundenprofils im Member-Bereich eines Onlineshops oder direkt in der App ist nach wie vor ein beliebtes Kundenbindungsinstrument. Sie ist in der Lage, die personalisierte Kundenansprache auf ein neues Level zu heben. Durch die Vielzahl an Informationen, die eine Personalisierungssoftware durch die Interaktion des Kunden z.B. in einer App erhält, können sehr passgenaue Produktempfehlungen berechnet werden.
Online-Kunden sind oft dazu bereit, ihre Interessen und Präferenzen mitzuteilen, wenn sie dadurch bessere Empfehlungen oder auf sie zugeschnittene Deals erhalten. Kunden wollen mittlerweile an Personalisierung selbst mitwirken². Kundenprofile im Fashionhandel umfassen beispielsweise Informationen zu Kleidungsstil, bevorzugter Passform oder Lieblingsfarben. Im Beautysegment können Informationen über Hauttyp, Augenfarbe oder Lieblingsfarben vermerkt werden. Durch die auf Ihr Produktsegment gemünzten Zusatzinformationen können Sie die Empfehlungsqualität weiter erhöhen, die Zufriedenheit Ihrer Kunden steigern und letztendlich mehr Umsatz generieren. Zudem können sie diese Kunden-Informationen sehr gut für die Personalisierung in weiteren Kundenkanälen wie Newsletter oder Onlineshop nutzen.

5. Steigern Sie den Warenkorbwert durch die intelligente Kopplung von Kategorien

Wenn sich Onlineshop-Kunden auf die Suche nach Geschenken begeben, sind Inspirationen hilfreich. Ein Beispiel hierfür ist die Suche nach passenden Geburtstagsgeschenken für ein Kind. Der Shop-Besucher sucht zum Beispiel ein Kleidungsstück in einer bestimmten Größe aus. Wie praktisch wäre es, passend zur angeschauten Hose Empfehlungen für Spielzeug zu erhalten, das in etwa dem Alter des Kindes entspricht? Das könnte durch die Kopplung der der Unterkategorie Kleidergröße aus der Kategorie Bekleidung mit der Unterkategorie Spielzeug für eine bestimmte Altersstufe aus der Kategorie Spielzeug erreicht werden. Oder Sie schließen anhand der letzten Einkäufe auf das Alter des Kindes. Auf Basis des Alters generieren Sie im regelmäßigen Newsletter Produktvorschläge, die mit dem Alter des Kindes „mitwachsen“.

Testen Sie aus, welche Form der personalisierten Kundenansprache in Ihrem Onlineshop am besten funktioniert.
Sie möchten einen dieser Use Cases umsetzen oder haben ganz eigene Ideen für spannende Szenarien in punkto Personalisierung? Sprechen Sie mit unseren Personalisierung-Profis, die schon viele Projekte bei unterschiedlichen Kunden erfolgreich umgesetzt haben. Vereinbaren Sie hier Ihren Termin.

1. Der Bank Blog: „Studie Paypal – Mehrheit der Deutschen shoppt und zahlt mobil“, unter: https://www.der-bank-blog.de/mcommerce-deutschland/studien/37663510 (abgerufen am 22.01.2021)
2. IDG ChannelPartner: „Kunden wollen an Personalisierung teilhaben“, unter: https://www.channelpartner.de/a/kunden-wollen-an-personalisierung-teilhaben,3334612#:~:text=Doch%20Studien%20zeigen%2C%20dass%20der,kann%20als%20f%C3%BCr%20die%20Firmen.&text=Unternehmen%20verstehen%20unter%20%22Personalisierung%22%20relevante%20Inhalte%20und%20eine%20pers%C3%B6nliche%20Ansprache.&text=sich%20an%20Kaufentscheidungen%20des%20Kunden,relevante%20Angebote%20machen (abgerufen am 27.01.2021)
3. Web-UX-Institute Baymard: „44 Cart Abandomnment Rate Statistics”, unter^, https://baymard.com/lists/cart-abandonment-rate (abgerufen am 12.01.2021)

Einer der zentralen Gründe, warum Händler auf dynamische Preisanpassungen setzen, ist die stetig zunehmende Dynamik des Marktes und damit des Wettbewerbs. Flexibilität und Anpassungsfähigkeit sind in den meisten Branchen wichtige Eigenschaften, die erfolgreiche Händler ausmachen. Die Corona-Pandemie hat diese Entwicklung zusätzlich beschleunigt. Die Nachfrage auf Kundenseite aber auch Waren-Verfügbarkeiten bestimmter Produkte ändern sich mitunter täglich, sodass eine sinnvolle Vorhersage des Einkaufsverhaltens auf Grundlage typischer Saisonverläufe aktuell kaum möglich ist. In diesen wirtschaftlich anspruchsvollen Zeiten ist es besonders wichtig, agil agieren zu können. Wie die Branchen Fashion und Consumer Electronics dieser Herausforderung begegnen, habe ich in meinen letzten Blog Beiträgen thematisiert. Dieser Beitrag befasst sich nun mit dem Lebensmitteleinzelhandel (kurz: LEH). Hier schritt die Digitalisierung bisher vergleichsweise langsam voran – bedingt durch die besondere Komplexität der Rahmenbedingungen, wie Sortimentsbreite, kurze Produktlebenszyklen oder vielzählige regionale Besonderheiten. Aber auch der Lebensmitteleinzelhandel ist zunehmend in der Bedrängnis, agiler agieren zu müssen, sodass auch hier die dynamische Preisoptimierung immer schneller Fuß fasst. Anspruchsvolle Software-Lösungen ermöglichen es, die Komplexität des LEH abzubilden, Preis-Prozesse zu optimieren und die Wirtschaftlichkeit eines Unternehmens entscheidend zu stärken.

Aus meinen Projekten habe ich für Sie einige zentrale Problemstellungen zusammengetragen, die bei der dynamischen Preisanpassung im LEH üblicherweise bestehen und die möglicherweise auch Sie beschäftigen. Fünf der größten Problemstellungen – vor allem aber die entsprechenden Lösungsansätze – lesen Sie hier:  

• Elektronische Preisschilder (kurz: ESLs) sind aktuell immer noch eher die Ausnahme als der Standard. Ohne ESLs sind dynamische Preisanpassungen jedoch sehr aufwändig und damit schwer umsetzbar. Denn jede Preisänderung bedeutet, dass das Personal händisch das Etikett am Regal tauschen muss.

  • Auch, wenn Sie als Händler keine ESLs haben, müssen Sie nicht auf dynamische Preisanpassungen verzichten. Denn mittels einer Dynamic Pricing Software ist es möglich, den Export der algorithmisch optimierten Preise auf die entscheidenden Preisänderungen zu begrenzen. Etwa auf diejenigen Preise, die hinsichtlich des Umsatz- oder Margenpotentials den größten Effekt erzielen werden. Hier bietet es sich an, die Anzahl der möglichen Preisänderungen auf Filial-Basis pro Tag oder Woche konkret zu eruieren. Darauf basierend werden in allen Sortimentsbereichen regelmäßig Preisänderungen durchgeführt – aber eben nur so viele, wie das Personal auch bewältigen kann. So werden große Teile des Sortiments entsprechend der gegenebenen Zielstellung regelmäßig im Preis angepasst und Schwankungen in der Nachfrage können erfasst und über die Preissetzung abgebildet werden. Übrigens: Automatische Label- und Posterprint-Lösungen können diesen Prozess zusätzlich unterstützen und Ihnen einen großen Teil der händischen Arbeit abnehmen.Ein Beispiel: Ein Discounter im LEH hat im Schnitt 2.500 Produkte. Mit nur 25 Preisänderungen täglich schaffen Sie es innerhalb eines Monats, die Preise für ein Viertel des gesamten Sortiments an die aktuelle Marktlage anzupassen. Wählen Sie dabei jeweils diejenigen Preisänderungen, die den größten Effekt erzielen, reagieren Sie passgenau auf Schwankungen der Nachfrage und optimieren zugleich Ihr Ertragspotential. Supermärkte, die im Schnitt 12.000 Produkte führen, erzielen mit 50-100 Preisanpassungen pro Tag ähnliche Effekte in nur vier bis acht Wochen.

• Die Organisations-Struktur vieler Händler im LEH ist sehr komplex. Wichtig ist es, diese Struktur auch über die Dynamic Pricing Software abbilden zu können (z.B. Flagship Stores, regionale Verkaufsgebiete und zugehörige Filialen etc.). Denn fast immer ist es erforderlich, dass die Nachfrage auf Gebiets- oder Filialebene erfasst werden kann und dass verschiedene Filialen auch verschiedene, nachfragebasierte Preise setzen können. Denn möglicherweise herrscht im Süden Deutschlands ein anderes Kaufverhalten als im Norden oder die Nachfrage in einer Großstadt ist eine andere als die in ländlichen Regionen.

  • Eine Dynamic Pricing Software unterstützt Sie hier, indem sie ein detailliertes Business-Units-Konzept bereitstellt, über das Sie Ihre Organisations-Struktur eins zu eins digital abbilden können. Ist diese Struktur erstellt, können Sie als Händler dediziert festlegen, welche Regionen oder Filialen Sie hinsichtlich der Preisgestaltung autark, relational oder einheitlich behandeln wollen.

• Oft ist es bei der Preissetzung wichtig und notwendig, dass einzelne Filialen trotz des Einsatzes einer Dynamic Pricing Software in der Lage sind, Preise händisch anzupassen (z.B. für Frischeartikel). Preis-Entscheidungen, die von den Verantwortlichen der Verkaufsstelle getroffen werden, müssen also grundsätzlich die Entscheidungen der Software übersteuern können.

  • Hierfür stellt eine ausgereifte Dynamic Pricing Software ein entsprechendes Nutzer- und Rechtemanagement zur Verfügung. Ähnlich, wie Sie Ihr Filialnetz über die Software abbilden können, bilden Sie damit auch Ihre Mitarbeiter-Hierarchie ab. So können befugte Filialmitarbeiter oder Gebietsverantwortliche die Software eigenständig bedienen und zusätzlich zu den algorithmisch berechneten Preisentscheidungen auch manuell Preise setzen – selbstverständlich nur für die Filiale oder die Filialen, für die sie verantwortlich sind.

• Für die dynamische Preisoptimierung im LEH ist es entscheidend, dass auch Relationen zwischen Produkten über eine Dynamic Pricing Software abgebildet und detailliert gesteuert werden können. Hierfür muss die Software in der Lage sein, verschiedenartige Produktrelationen zu erkennen und eine differenzierte Steuerung dieser ermöglichen. Zusammenhänge zwischen Produkten ergeben sich typischerweise bei Preisfamilien oder bei Substitutionsgütern. 

  • Produktrelationen können mit einer leistungsfähigen Dynamic Pricing Software nach verschiedenen Aspekten gesteuert werden. Zunächst ist es wichtig, dass Produktfamilien automatisch erkannt werden, sodass alle Produkte innerhalb einer Familie den gleichen Preis erhalten (können). Darüber hinaus ist es möglich, Produkte aus ihrer Familie zu entkoppeln und deren Preis individuell zu setzen. Genauso können Abstände zwischen Produktpreisen mittels einer Dynamic Pricing Software dynamisch gestaltet werden. So können beispielsweise psychologische Preisabstände zwischen Produkten der Eigenmarke und globalen Marken umgesetzt werden. Und auch Preisdifferenzen, die sich aus verschiedenen Mengeneinheiten ergeben, werden auf diese Weise zentral und dennoch dynamisch abgebildet, sodass z.B. eine Dose Cola allein niemals mehr kostet als ein 6er-Pack.

• Dynamic Pricing Projekte im LEH bedeuten immer, dass enorme Datenmengen verarbeitet werden müssen – Produktstammdaten genauso wie Transaktionsdaten. Zudem ist oftmals auch die Qualität der gegebenen Daten nicht durchgängig gut, was für den Einsatz einer Dynamic Pricing Lösung durchaus problematisch ist.

  • Eine Dynamic Pricing Lösung bringt hierfür zwei Dinge mit: Zum einen bietet sie eine hohe Skalierbarkeit und Performanz hinsichtlich der Verarbeitung großer Datenmengen. Zum anderen stellt sie darüber hinaus leistungsfähige Verfahren bereit, die Fehler oder Inkonsistenzen in den Daten erkennen und bereinigen. Dies erfolgt z.B. mittels Sparse Pattern Recognition und einer entsprechend implementierten Daten-Vorverarbeitung. So wird eine verlässliche Daten-Grundlage geschaffen, die das Fundament für die Software-gestützte Preisoptimierung bildet.

Wichtig ist vor allem, dass eine Preisoptimierungs-Software Ihre bestehenden Preisbildungs-Prozesse sinnvoll unterstützt und Sie nicht zwingt, bewährte Prozesse grundsätzlich zu verändern oder gar aufzugeben. Dies schafft Akzeptanz und vor allem Vertrauen – und beides braucht es, wenn Sie Dynamic Pricing erfolgreich in Ihre Geschäftsprozesse integrieren wollen.

Mrs Pricing

• The annual general meeting of prudsys AG has resolved to change the company’s name to GK Artificial Intelligence for Retail AG as of September 1, 2022.   
• Presentation of the new brand identity will occur at the DMEXCO trade fair in Cologne on September 21. 

At its annual general meeting on August 29, 2022, prudsys AG resolved to change its name to GK Artificial Intelligence for Retail AG. The change of name will take effect on September 1, 2022, with the entry in the commercial register expected in mid-September. 

Since 2017, GK Software SE has held the majority shares of prudsys AG, and the two companies have worked together in a close strategic partnership. The AI solutions of prudsys AG are an integral part of GK's CLOUD4RETAIL platform. CLOUD4RETAIL offers cloud-based solutions to retailers to achieve sales, efficiency, and sustainability targets using artificial intelligence.

After the name change of prudsys AG, both companies will work even more closely together on solutions for retail and eCommerce companies. Joint developments in the areas of hyper-personalization and dynamic pricing are already off to a great start. 

"With the renaming, we underline the vision we share with GK to develop innovative AI solutions for retail that increase the sustainability and profitability of retail strategies," comments Jens Scholz, CEO of GK Artificial Intelligence for Retail AG.

The updated visual identity for GK Artificial Intelligence for Retail AG will be available at www.gk-software.com/air on September 1. The company will present the new brand identity, closely aligned with the GK Group, to existing and new customers and partners for the first time at this year's DMEXCO trade fair on September 21 in Cologne.  

About GK Artificial Intelligence for Retail AG (formerly prudsys AG)

GK Artificial Intelligence for Retail AG was founded in 1998 under prudsys as a spin-off of the Chemnitz University of Technology. It was the first company in Germany to develop deployable AI applications in eCommerce. Today, the product portfolio covers strategic core topics of the retail industry, including personalization, dynamic pricing, and real-time prediction.   

• Hauptversammlung der prudsys AG hat Namensänderung in GK Artificial Intelligence for Retail AG zum 1. September 2022 beschlossen 
• Präsentation des neuen Markenauftritts zur DMEXCO-Messe in Köln am 21. September 

Die prudsys AG hat auf ihrer Hauptversammlung am 29. August 2022 die Umfirmierung in GK Artificial Intelligence for Retail AG beschlossen. Die Umfirmierung greift ab dem 1. September 2022 und tritt mit der Eintragung in das Handelsregister in Kraft, die Mitte September erwartet wird. 

Seit 2017 hält GK Software SE die Mehrheitsanteile der prudsys AG und die beiden Unternehmen arbeiten in enger strategischer Partnerschaft zusammen. Die KI-Lösungen der prudsys AG sind fester Bestandteil der CLOUD4RETAIL Plattform von GK. Innerhalb der Plattform bietet das Unternehmen großen Einzelhändlern cloud-basierte Lösungen an, um mittels künstlicher Intelligenz (KI) Absatz-, Effizienz- und Nachhaltigkeitsziele zu erreichen.  

Mit der Namensänderung der prudsys AG werden beide Unternehmen noch stärker im Schulterschluss an Lösungen für Einzelhandels- und eCommerce Unternehmen arbeiten. Als besonders zukunftsträchtig gelten dabei die gemeinsamen Entwicklungen in den Bereichen (Hyper-) Personalisierung und Dynamic Pricing.  

„Mit der Umbenennung unterstreichen wir die mit der GK geteilte Vision, innovative KI-Lösungen für den Handel zu entwickeln, welche die Nachhaltigkeit und Profitabilität von Retailstrategien steigern“, kommentiert Jens Scholz, CEO der GK Artificial Intelligence for Retail AG.  

Der Außenauftritt der GK Artificial Intelligence for Retail AG ist ab dem 1. September unter www.gk-software.com/air abrufbar. Das Unternehmen wird auf der diesjährigen DMEXCO Messe am 21. September in Köln Bestands- und Neukunden sowie Partnern den neuen, eng an die GK Gruppe angelehnten Markenauftritt erstmals präsentieren. 

Über GK Artificial Intelligence for Retail AG (vormals prudsys AG) 

Die GK Artificial Intelligence for Retail AG wurde 1998 unter dem Namen prudsys in als Spin-Off der TU Chemnitz gegründet und entwickelte als erstes Unternehmen in Deutschland einsetzbare KI-Anwendungen im eCommerce. Heute umfasst das Produktportfolio strategische Kernthemen der Retail-Branche, darunter Personalisierung, Dynamische Preisgestaltung sowie Real-Time Prediction.