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 :-)
