KI-Lösungen halten in immer mehr Branchen Einzug. Auch der Handel investiert in Künstliche Intelligenz (KI), denn so vereinfachen und beschleunigen Händler ihre Prozesse. Der Handelsverband Deutschland (HDE) hat vergangenes Jahr 1.000 Händler nach ihrer Einstellung zum Einsatz von KI befragt– 20% der Befragten nutzen KI oder planen, KI zu nutzen. Und knapp 70 % der Befragten messen KI in den kommenden zehn Jahren eine sehr hohe Bedeutung zu.
Das Potenzial für den Einsatz von KI ist riesig, so auch im stationären Handel. In diesem Beitrag lesen Sie, wie Sie Ihre Erfolgskennzahlen durch KI am Point of Sale pushen: Erkennen Sie Betrugshandlungen beim Self-Checkout oder Self-Scanning und minimieren Sie dabei unnötige Rescans. Erfahren Sie, wie Sie durch den Einsatz von Markdown Pricing Ihre Abschriften optimieren. Und im dritten Use Case lesen Sie, wie Sie durch eine smarte Incentivierung Ihre Kundenbindung stärken.
Vermeiden Sie Verluste durch Fraud Detection
Self-Scanning und Self-Checkout bedeuten einen guten Service für Ihre Kunden, da sie so Warteschlangen an der Kasse umgehen und Zeit einsparen. Beide Services bieten jedoch auch Raum für Betrugshandlungen, die für Sie Verluste bedeuten. Fraud Detection auf Basis von KI unterstützt dabei, Betrugshandlungen zu erkennen und dabei unnötige Rescans zu minimieren.
Basierend auf den aktuellen Warenkorb-Transaktionsdaten der Kunden, sagt die KI die Wahrscheinlichkeit einer Unregelmäßigkeit voraus. Liegt die Wahrscheinlichkeit über einer gewissen Grenze, folgt die Empfehlung für einen Rescan.
Im Unterschied zu einem statischen oder konfigurierbaren Regelwerk entfällt die ständige Pflege und Nachbesserung des Systems durch Sie, wenn Sie eine KI-basierte Lösung einsetzen. Denn: Bei einem statischen Regelwerk müssen Sie neue Informationen oder Änderungen im System konfigurieren. Kommen Unterschiede zwischen mehreren Märkten und/oder Regionen hinzu, wird die Pflege unübersichtlich und aufwändig. Infolgedessen können Fehlkonfigurationen auftreten. Dadurch werden nutzlose Rescans empfohlen, die der Kundenerfahrung schaden und zu einem höheren Personaleinsatz führen können.
Eine weitere Herausforderung stellt die erwähnte Nachbesserung des Regelwerks dar. Ergibt die Auswertung der Rescans, dass zu viele ergebnislose Rescans durchgeführt wurden, bedeutet das einen negativen Einfluss auf die Kundenerfahrung. Doch welche Konsequenz hat dies für mögliche Änderungen im Regelwerk? Meist ist es schwer nachzuvollziehen, welche einzelnen Kriterien zu diesen Entscheidungen führten und durch welche Anpassungen das Ergebnis geändert werden könnte.
Nicht so bei der KI-basierten Lösung. Diese arbeitet auf Basis des vorhandenen Regelwerkes und optimiert dieses ständig. Das geschieht durch die Rückmeldung, ob ein Rescan „erfolgreich“ war oder nicht. Die KI-Applikation lernt ständig dazu und nutzt dieses Wissen für künftige Entscheidungen.
Zudem erhalten Sie die Möglichkeit, eine eigene Rescan-Strategie, z.B. unter Einbeziehung eines Trust-Levels, über das Erweiterungsmodell der Kasse umzusetzen.
Ein weiterer Vorteil des selbstlernenden Systems: Die automatische Anpassung an neue Betrugsstrategien. Die manuelle Feinabstimmung und damit aufwändige Pflege des Systems Ihrerseits entfallen. Im Ergebnis steigt die Genauigkeit der Vorhersage für einen Betrugsfall. So können Sie die Anzahl der Rescans auf eine notwendige Anzahl reduzieren. Überflüssige Rescans schaden nicht mehr der Kundenwahrnehmung.
Wechselwirkungen zwischen Kunde, Kassensystem und KI-Lösung
Minimieren Sie Ihre Abschriften am Point of Sale durch Markdown Pricing
Abschriften bedeuten vor allem eins: Verluste, die den Rohertrag schmälern. Egal, in welcher Branche Sie tätig sind, Produkte, die Sie nicht verkaufen, führen unweigerlich zu Einbußen. Zudem entstehen Kosten für die Entsorgung oder Weiterverwertung der nicht verkauften Ware.
Gerade den Lebensmitteleinzelhandel (LEH) stellt dies vor große Herausforderungen: Jährlich entsteht ein „Müllberg“ von insgesamt 12 Mio Tonnen Lebensmitteln in Deutschland. Der Großteil der Abfälle entsteht in privaten Haushalten, aber auch der Handel verursacht rund 0,5 Mio Tonnen im Jahr. Supermärkte stehen vor dem Problem, Frischeware vor deren Verderb abzuverkaufen. Der Verkauf ist von vielen verschiedenen Faktoren abhängig. Zum Beispiel beeinflusst der Wochentag das Einkaufsverhalten der Menschen und Obst oder Gemüse sind saisonal bedingt in verschiedenen Mengen verfügbar. Eine bedarfsgerechte Bestellung, die auf die Erfahrungswerte aus der Vergangenheit zurückgreift, ist dabei ein wichtiger Baustein. Doch diese Schätzung wird in der Realität oft durch unvorhersehbare Geschehnisse beeinflusst und verlangt eine hohe Flexibilität Ihrerseits.
Markdown Pricing auf Basis von Künstlicher Intelligenz prognostiziert das exakte Abverkaufsdatum für jedes Produkt. Je nachdem wie stark die Prognose vom Zielabverkaufsdatum (in diesem Fall der Verderb der Ware) abweicht, passen intelligente Pricing-Algorithmen den Preis vollautomatisch nach oben oder nach unten an. So landen weniger Lebensmittel landen im Müll. Die KI kann die besonderen Herausforderungen des LEHs gut berücksichtigen – mehr dazu lesen Sie im Beitrag „Dynamic Pricing im Lebensmittelhandel – 5 Lösungsansätze“.
Stärken Sie die Kundenbindung durch Incentivierung mittels Slotmachine
Der Großteil der Kunden erfährt wenig Kundenbindung am Point of Sale. Nur ein Teil der Kunden besitzt eine klassische Kundenkarte, z.B. die Deutschlandcard oder die Payback-Karte. Doch diese Form der Incentivierung über Kundenkartensysteme, bringen einen entscheidenden Nachteil: sie schaffen keine „direkte“ Kundenbindung zwischen Ihnen als Händler und Ihren Kunden. Oft entsteht auch ein ungutes „Kosten-Nutzen-Gefühl“, da die Incentivierung bei dieser Art von Kundenbindungsprogramm über den Umsatz statt über den Ertrag erfolgt.
Eine Alternative bietet der Use Case „Smarte Incentivierung an der Slotmachine“. Dies ist ein schönes Beispiel für Gamification am Point of Sale, das Sie dabei unterstützt, Ihre Kunden zum Wiederkommen zu animieren.
Das funktioniert so: Die KI berechnet den Deckungsbeitrag eines Einkaufskorbes über die Bon-Nummer in Echtzeit an der Kasse. Ihre Kunden haben nach dem Einkauf die Möglichkeit, den erhaltenen Bon an der Slotmachine einzuscannen. In Abhängigkeit vom Deckungsbeitrag erspielt die Slotmachine einen Gewinnbetrag für Ihre Kunden zwischen 0 und 100 Cent. Die Kunden können dann selbst entscheiden, ob sie diesen Betrag als Wertgutschein erhalten oder lieber an einen oder mehreren von Ihnen ausgewählten Einrichtungen spenden möchten, z.B. an einen lokalen Verein oder Kindergarten.
Künstliche Intelligenz am Point of Sale – weitere Anwendungsfälle für Ihren Erfolg
Nicht nur die drei vorgestellten Use Cases für eine erfolgreiche Betrugserkennung, das Minimieren von Abschriften und die Incentivierung mittels Slotmachine zahlen positiv auf Ihren Geschäftserfolg ein. In unseren Beiträgen KI am POS Teil 1 und KI am POS Teil 2 erfahren Sie mehr über weitere Use Cases für den stationären Handel aus den Bereichen Dynamic Pricing, Personalisierung und Real-time Prediction.
Sie finden einen Use Case spannend? Vereinbaren Sie hier ein Gespräch, schreiben eine E-Mail an Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein! oder sprechen mich auf LinkedIn an!
