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.
