Künstliche Intelligenz im Einzelhandel. Digitalisierungsdruck auf derzeitige Geschäftsmodelle


Bachelorarbeit, 2020

69 Seiten, Note: 1,0


Leseprobe


II Inhaltsverzeichnis

Abbildungsverzeichnis

Abkiirzungsverzeichnis

1 Einleitung
1.2 ZielsetzungundVorgehensweise

2 Begriffliche Grundlagen
2.1 Kiinstliche Intelligenz
2.1.1 Maschinelles Lernen (ML)
2.1.2 Deep Learning (DL)
2.2 Einzelhandel
2.2.1 Big Data
2.2.1 Internet of Things (IoT)

3 Anwendungsfelder kunstlicher Intelligenz
3.1 Natural Language Processing (NLP)
3.2 Computer Vision (Bildverarbeitung)
3.3 Expertensystem
3.4 Robotics

4 Anwendung kunstlicher Intelligenz im Einzelhandel
4.1 BedeutungundVoraussetzungen
4.2 Project: Predictive Analytics (Bedarfsprognosen und Bestandssteuerung)
4.3 Produce: Intralogistik
4.3.1 Fulfillment
4.3.2 Kollaborative Lagerroboter
4.3.3 Fahrerlose Transportsysteme (FTS)
4.3.4 Last-Mile Lieferung
4.4 Promote: Optimierung von Preis und Angebot
4.4.1 Dynamische Preisgestaltung
4.4.1.1 Markdown Pricing
4.4.1.2 Kreuzpreis-Elastizitat
4.4.1.3 intelligentes Price Bundling
4.4.1.4 Intelligentes Couponing
4.4.2 Personalisierte Produktempfehlungen
4.5 Provide: Customer Journey
4.5.1 personliche Einkaufshilfen
4.5.1.1 Chatbots
4.5.1.2 virtuelle personliche Assistenten
4.5.1.3 Verkaufs-und Serviceroboter
4.5.1.4 Smart Mirror
4.5.2 Location-based Services
4.5.3 Just walk out Store

5 Bewertung der KI
5.1 Einzelhandel
5.2 Konsumenten

6 Fazit und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1:MehrschichtenmodellzurGesichtserkennung

Abbildung 2: Das Internet of Things

Abbildung 3: Starship Roboter

Abbildung 4: Beispiel eines Chatbot-Dialogs

Abbildung 5: Einsatzmoglichkeiten der Beacon-Technologie

Abbildung 6: Durchlauf eines Just walk out Stores

Abkurzungsverzeichnis

BLE Bluetooth Low Energy

DL Deep Learning

FTS Fahrerlose Transportsysteme

IoT Internet of Things

KI Kunstliche Intelligenz

ML Maschinelles Lernen

NLP Natural Language Processing

STS Speech-to-Speech

STT Speech-to-Text

TTS Text-to-Speech

TTT Text-to-Text

1 Einleitung

1.1 Problemstellung

Wohl keine Entwicklung der letzten Jahre hat Wirtschaft und Gesellschaft so fundamental verandert wie die Digitalisierung, und der Prozess scheint bestandig weiter an Fahrt auf-zunehmen. Nach Mechanisierung (Industrie 1.0), Massenproduktion (Industrie 2.0) und Automatisierung (Industrie 3.0) wird das Internet der Dinge und Dienste in der Fertigung als vierte industrielle Revolution bezeichnet. Uber Jahrzehnte haben IT-Technik und -Anwendung mit evolutionarer Entwicklung des Digitalisierungsniveaus den Boden be-reitet, aus dem nun fast zwangslaufig revolutionare Realitaten und Moglichkeiten er-wachsen. Hat eine erste Welle der Digitalisierung die reine Erfassung und Speicherung von Daten moglich gemacht, so ist Ziel der zweiten Digitalisierungswelle das Verstehen und Neu-Interpretieren dieser Daten. Wesentlicher Treiber dieser zweiten Digitalisie­rungswelle ist die kunstliche Intelligenz (KI). Bereits jetzt hat sie Einzug in fast alle Wirt-schafts- und Lebensbereiche gefunden und definiert Anspriiche, Moglichkeiten und Gren-zen globaler Markte und Wertschopfungsketten neu.

Der Handel, als einer der bedeutendsten Wirtschaftszweige, sieht sich unter den Gege-benheiten von Industrie 4.0 einer enormen und vielschichtigen Aufgabe konfrontiert, die es gesellschafts- und zukunftsgerecht zu gestalten und zu losen gilt. Der digitale Wandel induziert vollig neue Anforderungen und Erwartungen der Kunden und erzwingt so z.T. grundlegende Veranderungen herkommlichen Handels. Umgekehrt fuhren KI-Anwen-dungen im Handel zu unmittelbaren, oft tiefgreifenden Auswirkungen auf Kundenstamm und Kundenverhalten. Erfolgreiche Adaptionen existierender und kreative Schaffung neuer Strategien sind dabei mitnichten einzig im Online-Handel zu treffen. Vielmehr mussen Unternehmen ein reibungsloses Einkaufserlebnis uber alle Kanale (Omni-Chan-nel) ermoglichen, urn zukunftig wettbewerbsfahig zu bleiben. Richtungsweisendes In­strument einer effizienten und erfolgreichen Nutzung und Strukturierung der realen In-formationsuberflutung kann kunstliche Intelligenz sein, deren Potenziale fur den Einzel-handel in dieser Arbeit aufgezeigt werden sollen.

1.2 Zielsetzung und Vorgehensweise

Das Ziel der voriiegenden Arbeit ist es, den aktuell bereits begonnenen und sich zukunftig absehbar weiter fortsetzenden Transformationsprozess im Einzelhandel aufzuzeigen, wie er sich aus dem Digitalisierungsdruck und der Implementierung kunstlicher Intelligenz auf derzeitige Geschaftsmodelle auswirkt.

In Kapitel zwei werden zunachst alle begrifflichen Grundlagen zur Themenstellung auf-gefuhrt und erlautert. Im dritten Kapitel beschreibt der Autor allgemeine Anwendungs-felder kunstlicher Intelligenz, und teilt im darauffolgenden Kapitel deren Implementie­rung in vier zentrale Prozesse des Handels ein. Kapitel fiinf trifft eine Bewertung der KI im Einzelhandel sowohl aus Handler- als auch aus Konsumentensicht. Auf diesen Er-kenntnissen fuBend wird im letztem Kapitel eine kritische Bewertung und Einschatzung des Potenzials von KI fur den Einzelhandel getroffen, sowie ein potentieller Ausblick iiber den zukunftigen Einsatz gegeben.

2 Begriffliche Grundlagen

2.1 Kunstliche Intelligenz

Kein anderer Bereich der Informatik lost so kontroverse aber auch emotionale Debatten aus wie der Bereich der kunstlichen Intelligenz. Urn kunstliche Intelligenz oder KI (engl. artificial intelligence; AI) definieren zu konnen, musste zunachst „Intelligenz" als Begriff eindeutig geklart sein. Eine unstreitige Definition des Begriffs Intelligenz ist jedoch schon deshalb nicht moglich, weil Intelligenz auf multiplen Ebenen existiert und keine Einigkeit zu moglichen Abgrenzungen besteht.1

Trotz unterschiedlicher Definitionsversuche wird unter Intelligenz im Kern ein recht ein-heitliches theoretisches Konstrukt verstanden. Der Duden definiert Intelligenz als „Fa-higkeit [des Menschen], abstrakt und vernunftig zu denken und daraus zweckvolles Han-deln abzuleiten".2 Zur Umschreibung der KI ist die Intelligenz-Definition des US-ameri-kanischen Psychologen Robert Sternberg hilfreich, der Intelligenz auf mehreren Ebenen - namlich im Rahmen analytischer, praktischer und erfahrungsbezogener Fahigkeiten -und vorrangig als Interaktion des Individuums mit seiner Umwelt versteht.3

Im Begriff der Kunstlichen Intelligenz kollidiert der positiv konnotierte Terminus „Intel-ligenz", die uns Menschen die vermeintliche Uberlegenheit zum Rest der belebten Welt verleiht, mit dem einschrankenden Adjektiv des „kunstlich". Der Begriff lost bei Vielen Unsicherheit, Angst und Ablehnung aus, befordert nicht zuletzt durch literarische und kineastische Utopien wie Stanley Kubricks ,,2001: Odyssee im Weltraum".4 Kann eine allgemeingultige Begriffsbestimmung der kunstlichen Intelligenz nicht aufgezeigt wer-den, so kann doch die Definition von Elaine Rich eine fur die folgende Arbeit sinnvolle Auslegung sein: „ Artificial Intelligence ist the study of how to make computers do things at which, at the moment, people are better".5 Diese Umschreibung unterstreicht den An-spruch und die temporale Dynamik der Leistungsfahigkeit von KI im Verhaltnis zu na-turlicher Intelligenz. So widerspiegelte noch 1997 der Sieg einer KI („Deep Blue") gegen den Schwachweltmeister Garri Kasparov einen Hohepunkt des damaligen Forschungs-stands, wahrend heute, wie selbstverstandlich, vollkommen autonom fahrende Autos auf den StraBen zu finden sind.6

Prinzipiell liegen die Bedeutung und das Potenzial der KI darin, aus einer verfugbaren Anzahl an Daten logische Schlussfolgerungen zu ziehen und diese durch weiter hinzuge-wonnene Daten auch immer weiter zu validieren.7 Ultimatives Ziel ist das Absolvieren von Entscheidungs- und Lernprozessen mit einem Ergebnis, wie es idealtypisch auch von der naturlichen Intelligenz des Menschen hervorgebracht wurde. Fundamental iiber die Moglichkeiten einfacher EDV-Systeme hinausgehend und neue Moglichkeiten eroffnend ist in der KI das Lernen und Verstehen von Daten.8

Im Einzelhandel wurden intelligente Systeme zunachst hauptsachlich zur Unterstutzung in der Produktsuche, der Verwaltung von Produktpreisen, fur Produktempfehlungen oder zur Verbesserung von Zahlungen und Computersicherheit verwendet. Diese Anwendun-gen waren relativ simpel und verwendeten nur ein geringes MaB an Intelligenz im Ver-gleich zu heutigen, sehr viel komplexeren Anwendungen.9 Technologische Treiber der rasanten Entwicklung von KI sind das Maschinelle Lernen und Deep Learning, welche im Folgenden naher erlautert werden

2.1.1 Maschinelles Lernen (ML)

Kl-Systeme haben nicht die gleichen Lernfahigkeiten wie Menschen. Vielmehr verfiigen sie iiber vereinfachte Lernmethoden, die als Maschinelles Lernen bezeichnet werden.10 Der Begriff Maschinelles Lernen bezeichnet allgemein Systeme, die verwandte Datens-atze iiber Lernprozesse erkennen, und auf Basis dieser Entscheidungen fallen.11 Nach Vorgabe ausgewahlter Trainingsdaten lernt ein Algorithmus bestimmte Muster oder Ge-setzmafiigkeiten, welche wiederum auf komplett neue, unbekannte Daten angewendet werden konnen.12 Mit dieser Entwicklung wurde eine ganz wesentliche Voraussetzung kiinstlicher Intelligenz geschaffen: Die Fahigkeit des Programms, durch Nutzung be-stimmter Fertigkeiten (z.B. Kognition) Problemstellungen selbstandig (und hoch-effi-zient) zu losen, ohne dass ein konkreter Losungsweg programmiert wurde.13

Maschinelles Lernen nimmt Basisinformationen (Bei spiel daten) zur Grundlage, um eine Kette vordefinierter Merkmale zu kennzeichnen, zu differenzieren und zueinander in fle­xible Beziehung zu setzen. So konnen Algorithmen beispielsweise selbststandig das Vor-handensein verschiedener Kategorien von Biichern erfassen, wenn diese mit anderen Eck-daten (Basisinformationen) ihrer Kaufer korrelieren, ohne dass dem System vorher expli-zit definiert wurde, was bspw. ein Krimi oder was ein Roman ist.14 Das Programm erkennt bekannte Muster in einem unbekannten Datensatz, und trifft darauf basierend eigenstan-dige Vorhersagen. Der derzeit erfolgreichste Bereich des maschinellen Lernens stellt das sogenannte Deep Learning dar.15

2.1.2 Deep Learning (DL)

Das maschinelle Lernen wurde durch beeindruckende empirische Erfolge neuronaler Netze, die mit riesigen Datenmengen und groBem Rechenaufwand trainiert werden, vo-rangetrieben.16 Sogenannte Deep Learning-Programme konstruieren kunstliche neuro­nal Netze, welche eine Vielzahl aufeinanderfolgender hierarchischer Schichten enthal-ten. Der Aufgabenbereich dieser Netze lasst sich vereinfacht iiber die Zusammenarbeit der oberen und unteren Schichten verstehen: Eine bestimmte Informationseingabe indu-ziert in den oberen Netzschichten selbststandig eine geeignete Representation. Hierzu ko-dieren die Netze der Reprasentationsschicht die als wesentlich erkannten Eigenschaften der Eingabe und verdichten sie, ahnlich einem komprimierenden MP3-Format, ohne da-bei aber entscheidende Qualitatsverluste in Kauf zu nehmen.17 Abbildung 1 zeigt bei-spielhaft, wie bei einer automatisierten Gesichtserkennung die erste Schicht lediglich helle und dunkle Pixel unterscheidet. Auf der zweiten Schicht differenziert das Programm dann einfache Formen wie Kanten und Ecken. In einem nachsten Schritt konnen Einzel-ausschnitte eines Gesichts unterschieden werden, welche in der darauffolgenden Schicht wiederum zu einem kompletten Gesicht zusammengesetzt werden.18 Mit zunehmender Anwendung bringt sich das Programm immer mehr in die Lage, selbstandig aus der eige-nen Verarbeitungs-Erfahrung zu lernen und zunehmend komplexere und anspruchsvol-lere Muster zu erkennen, also selbst neue Daten zu akquirieren.19

Abbildung 1: Mehrschichtenmodell zur Gesichtserkennung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Nicola Jones, Nature, S. 146

Somit ermoglicht Deep Learning das Erkennen, Klassifizieren und Kategorisieren von MusterninDaten.20

2.2 Einzelhandel

Der Einzelhandel umfasst Unternehmen, die ihr Warensortiment von verschiedenen Her-stellern beziehen und dieses anschlieBend an nicht-gewerbliche Kunden (Konsumenten) verkaufen.21 Die Auswirkungen der Digitalisierung auf den Einzelhandel und die damit verbundenen Veranderungen durchziehen die gesamte Branchenstruktur. Die Pluralitat der verfugbaren und genutzten Transaktions-, Informations-, und Kommunikationskanale des Internets lasst die Etablierung und Nutzung eines Omni-Channels zum wichtigen Wettbewerbsvorteil des Einzelhandels werden.22 Ziel des Omni-Channel ist es, Beriih-rungspunkte mit den Kunden auf alien Kanalen sicherzustellen und umfangreiche Daten zu generieren bzgl. Kundeninteressen, iiber welche Kanale relevante Kaufentscheidungen getroffen werden und aus welchen Kanalen Kontaktanfragen kommen.23 So konnen phy-sische Verkaufsflachen durch virtuelle Inhalte und Kommunikationskanale erweitert wer­den, welche muhelos zu jeder Zeit und an jedem Ort abrufbar sind.24 Vor dem Hinter-grund dieser rasanten Entwicklungsdynamik wird die hier vorgelegte Arbeit kanaluber-greifende Geschaftsmodelle unter Nutzung der Potenziale des Omni-Channels als Basis fur die Anwendung kunstlicher Intelligenz evaluieren. Eine strikte Trennung zwischen stationarem und online Handel kann zukunftig fraglos nicht mehr gezogen werden.25 We-sentliche Grundlage und somit auch erhebliche Herausforderung umfassender KI-Adap­tion im Handel, muss die automatisierte Wertschopfung aus der aktuell noch weitgehend unstrukturierten Datenflut sein.26 Im Einzelhandel sind hierfur folgende funf-dimensio-nale Datenquellen von besonderer Bedeutung:

- Kunden: Transaktionsdaten, demographische Daten aus Kreditkarten- oder Kun-denkarteninformationen, Umfragedaten iiber E-Mail, IP-Adresse und Anmeldun-gen registrierter Nutzer, Nachverfolgung von Ladenbesuchern, Social-Media-Daten
- Produkte: Artikelnummer, Information iiber Produktattribute und damit Eintei-lung in Produktgruppen
- Zeit: Echtzeit-Messung von Kundenverhalten, Produktsortiment, Lagerbestande und Bestellungen
- Ort: georaumlicher Standort des Kunden in Verbindung mit dessen Kaufhistorie
- Kanal: Erfassung und Analyse der Kundenberiihrungspunkte von Omni-Chan-nel-Daten27

Grundsatzlich lasst sich also festhalten, dass komplexe Datenanalysen zukunftig iiber die konventionelle Erfassung von Kundendaten i.S. einer ein rein internen Datengenerierung weit hinaus gehen und vielmehr eine multidimensionale Verkniipfung von Personen, Pro-dukten, Zeit, Ort und Kanaldaten angestrebt werden muss. Die so verfiigbar und nutzbar gemachten Informationen reprasentieren jedoch nur eine noch relativ iiberschaubare Teil-menge der Daten die dem Einzelhandel durch Big Data bereitstellt werden. Im Folgenden wird diese Datenflut naher definiert.

2.2.1 Big Data

Unternehmen werden mehr denn je formlich iiberschwemmt von z.T. vollig inkoharenten Daten und Informationen. Unter Big Data werden Datenbestande verstanden, die so grofi und komplex sind, dass sie die manuelle Analyse und Verarbeitung mit herkommlichen Methoden iibersteigen.28 Dariiber hinaus sind diese Daten ungleich heterogener als kon­ventionelle Daten und inkludieren neben den internen geschlossenen Datenquellen eines Unternehmens auch auBerhalb befindliche externe Quellen.29 Diese Zusammenfiihrung verschiedener Datenkategorien und -quellen sind essentieller Bestand zur Nutzung kiinst-licher Intelligenz.30 Mit Hilfe der Verwendung von bspw. Algorithmen des maschinellen Lernens lassen sich Big Data Bestande in nutzbares Wissen wandeln und zur intelligenten Entscheidungsfallung nutzen. Idealerweise erfolgen diese Entscheidungen sowohl auto-matisiertalsauchinEchtzeit.31

Zusammenfassend ist das Ziel bei der Nutzung von Big Data die Sichtung, Filtrierung und Interpretation einer primar unstrukturierten Masse an Rohdaten, urn daraus 8 Informationen und pradiktive Analysen des Kundenverhaltens zu generieren.32 Diese An-forderungen werden infolge einer ganzlich neuen, zusatzlichen Datenwelle, die aus dem sogenannten Internet of Things resultiert, jedoch erheblich weiter intensiviert.33

2.2.1 Internet of Things (IoT)

Zu den aus Internet, Apps, E-Commerce und sozialen Medien erwachsenen Datenmassen tragen auch die Vernetzung von Geraten nicht unerheblich zum globalen Datenwachstum bei.34 Das Internet of Things bezeichnet alle Objekte, die mittels IP-Adresse iiber das Internet miteinander verbunden sind.35 Zumeist handelt es sich hierbei um Elektronik-und Sensorsysteme, die unter Verwendung relativ geringer Messdaten miteinander kom-munizieren. In ihrer Gesamtzahl sind die gewonnenen Daten allerdings abundant und er-moglichen, adaquat analysiert und interpretiert, eine klare Verbesserung von Dienstleis-tungen und Handelsprozessen.36 Teil dieses globalen Netzwerks sind unter anderem so-genannte Wearables (Smart Watch, Fitness- und Gesundheits-Tracker), intelligente Ge-baudesteuerungen (Smart Home), aber auch intelligente Ampelschaltungen und Strom-netze (Smart Grid), oder die ganzheitlich vorausschauende und adaptive Verkehrssteue-rung (Smart City).37 Alltagliche Produkte wie Fernseher, Kuhlschranke und Drucker sind heutzutage bereits oft mit dem Internet verbunden.38 Diese multidirektionale Vernetzung iiber das Internet ermoglicht eine umfangreiche Interaktion und Echtzeitkommunikation zwischen Objekten und Benutzern. Zugleich wird ein allgegenwartiger Uberblick iiber Status, Standort und Aktivitaten von Produkten und Personen bereitgestellt (siehe Abbil-dung 2).

Abbildung 2: Das Internet of Things

Abbildung in dieser Leseprobe nicht enthalten

Quelle: mobilunity.com (2019): Internet of Things and IoT Developer

Zur Interpretation dieser Daten werden physische Dinge mit intelligenten Analyse- und Kontrollsystemen vernetzt, die es Unternehmen ermoglichen in Echtzeit auf die generier-ten Daten zu reagieren.39 Analyseergebnisse fliefien demnach idealerweise automatisiert an Personen oder Gerate, die in Reaktion hierauf eigene Aktivitat entfalten und weiter-fuhrende MaBnahmen einleiten.40

Infolge des zunehmend dynamischen Ausbaus des Internet of Things, angetrieben u.a. durch kontinuierliche Kostensenkung der erforderlichen Sensoren, werden neu auf den Markt kommende Gerate zunehmend „smart" und kommunizieren miteinander.41 Aktuell sind knapp 27 Milliarden vernetzte Gerate im Verbund, wobei dies erst 0,6 Prozent aller potenziell vernetzbaren Gerate abdeckt.42 Prognosen halten einen Zuwachs auf bis zu 75 Milliarden vernetzter Gerate im Jahr 2025 fur realistisch.43

Hauptziel des IoT ist die Steigerung von Geschwindigkeit, Qualitat, Produktivitat und Lebensqualitat.44 Grundsatzlich erweitert das IoT die Datengenerierung von Big Data mit gewaltigen Echtzeitdaten, und wird somit zum wesentlichen Treiber fur KI-Anwendun-gen.45

3 Anwendungsfelder kunstlicher Intelligenz

Wie bereits zuvor dargestellt beschreibt der Begriff der KI keine einheitliche Technolo­gic, sondern vielmehr eine Vielzahl von Systemen und Methoden. Im Folgenden werden vier zentrale Anwendungsbereiche von kunstlicher Intelligenz vorgestellt, welche die we-sentlichen Potenziale einer Anwendung von KI anschaulich machen.

3.1 Natural Language Processing (NLP)

Das Natural Language Processing (kurz NLP) beschreibt Methoden und Techniken zur maschinellen Verarbeitung naturlicher Sprache. Als naturlich gelten die vom Menschen gesprochenen Sprachen.46 Ziel ist die Schaffung einer unmittelbaren Kommunikation zwischen Computer und Mensch auf der Basis naturlicher Sprache in Wort und Schrift. Systeme konnen so jenseits standard si erter Anforderungsalgorithmen, im direkten Dia­log mit dem Menschen interagieren.47 Diese Anwendung stellt fur Computer eine beson-dere Herausforderung dar, denn bisher war eine Kommunikation nur mittels formalisier-ter Programmiersprachen (z.B. Java oder C++) moglich. Erschwerend fur das Verstandnis menschlicher Sprache sind zudem sprachliche Ambiguitaten und individuelle, komplexe Variablen wie Semantik, Dialekt oder Soziolekt.48 Urn Text- und Sprachbedeutungen also ganzheitlich korrekt verstehen zu konnen ist der Zugriff auf groBe Datenmengen notwen-dig. Neben kunstlicher Intelligenz und Maschinellem Lernen sind Big Data also eine Grundvoraussetzung zur erfolgreichen Anwendung der Computerlinguistik.49

Folgende Teilbereiche und damit Anwendungsbereiche des NLP sind zu unterscheiden:

- Speech-to-Text (STT): Das gesprochene Wort wird in einen digitalen Text umge-wandelt. Beispiel: Siri oder Diktierfunktion fur Notizen
- Text-to-Speech (TTS): Digitaler Text wird in gesprochene Sprache gewandelt. Beispiel: E-Mail oder SMS werden vom Computer vorgelesen
- Speech-to-Speech (STS): Die Spracheingabe fuhrt zu einer Sprachausgabe. Bei­spiel: Google Translate oder als Frage- Antwort-Sequenz mittels Alexa/Google Home
- Text-to-Text (TTT): Ein digitaler Text wird in eine andere Sprache ubersetzt. Bei-spiel: Google Translate oderDeepL50

Neben der Unterstutzung fur Menschen mit geringer Schreibgeschwindigkeit oder einer Seh-/H6rbehinderung profitieren auch Roboter von den Anwendungsbereichen des NLP.51 AuBerdem sind derzeitig besonders der Einsatz von Chatbots im Customer Ser­vice, oder das automatisierte Verfassen von z.B. Finanz- oder Sportnachrichten im Fo-kus.52 Die Fehlerrate von NLP konnte von 27% im Jahr 1997 auf nur 6% zwanzig Jahre spater erheblich gesenkt werden.53

Bis zum Jahr 2024 wird eine weltweite Vervierfachung des Umsatzes im Bereich der Spracherkennung prognostiziert.54

3.2 Computer Vision (Bildverarbeitung)

Unter Computer Vision (Bildverarbeitung) wird der Anwendungsbereich kunstlicher In-telligenz verstanden, der sich mit dem Erfassen und Kategorisieren visueller Daten be-schaftigt. Teil dieser Daten sind Videos und Fotos, aber auch dreidimensionale Daten wie bspw. Korper-Scans im medizinischen Sektor.55 Zur Computer Vision wird in aller Regel Deep Learning, als Teilgebiet des maschinellen Lernens, eingesetzt.

Wie bereits am Beispiel der automatisierten Gesichtserkennung im Kapitel 2.1.2 erlautert, lernt das System nur iiber Zufuhr spezifischer Trainingsbilder. Nachdem aber bestimmte Muster erfolgreich adaptiert wurden, konnen diese auf andere Anwendungsfalle (Transfer Learning) ubertragen werden.56 Die zwei wichtigsten Einsatzfelder der Computer Vision sind:

- Image Recognition - Einordnung von Bildern in Kategorien
- Object Detection - das Erkennen von Objekten im Bild57

Ergebnis der Bildverarbeitung ist demzufolge entweder eine Klassifizierung (image recognition) oder eine Objekterkennung (object detection).58

Die wirtschaftlichen Anwendungsbereiche, die sich durch Einsatz von Computer Vision ergeben, sind vielfaltig. Hohes Potenzial liegt beispielsweise bei automatisierten Quali-tatskontrollen. Falsch montierte oder fehlende Teile konnen mit hoher Treffsicherheit von Objekterkennung detektiert werden. Defekte Teile dagegen kann das Klassifikationssys-tem erfassen. Die automatisierte Fehlererkennung im industriellen Bereich kann hier be-reits jetzt mit einer Genauigkeit von 92% erfolgen.59

In Logistik und Handel kann Objekterkennung die Vollstandigkeit von Lieferungen und Regalplatzen priifen. AuBerdem bildet Computer Vision die Grundlage des autonomen Fahrens oder kassenloser Laden wie Amazon Go.60 Mit dem vermehrten Einsatz von KI kommt es auch zur Expansion dieser Fahigkeiten. Wahrend die Fehlerrate computerge-stutzter Bilderkennung 2010 noch bei 28% lag, waren es 2016 nur noch weniger als 5%.61

3.3 Expertensystem

Unter Expertensystem ist ein Programm zu verstehen, welches das Fachwissen von Ex-perten (einzelner Fachbereiche) als Wissensbasis zur Ableitung von Losungsfindungen in bestimmten Bereichen nutzt. Es erfolgt also eine Nachbildung der Entscheidungsfin-dung menschlicher Experten.62 Wissen ist in diesem Zusammenhang von der reinen Ver-fugbarkeit von Informationen und Daten abzugrenzen, da Wissen als eine Kombination aus Informationen, Fahigkeiten, Verstandnis, Erfahrungen, Werten und Fertigkeiten ver-standen werden muss.63 Das fur eine spezifische Anwendung erforderliche Fachwissen wird in einer Wissensdatenbank gespeichert und so gegliedert, dass es auf Anfrage an nicht sachkundige Benutzer weitergegeben werden kann.64 Grundlage fur Handlungsempfehlungen stellen Wenn-Dann Bezugnahmen dar, die menschliches Wis-sen fur den Computer nachvollziehbar machen.65

Mit dem zusatzlichen Einsatz von KI und dem damit einhergehenden eigenstandigen Adaptieren von Wissen konnten wissensbasierte Systeme erheblich weiterentwickelt wer-den.66 Demzufolge kann Wissen mittlerweile in Echtzeit, iiber bspw. Maschinelles Ler-nen oder Natural Language Processing, gesammelt und verarbeitet werden.67

Die Einsatzgebiete wissensbasierter Systeme sind vielfaltig. Beispielhaft aufzuzahlen sind neben der Anwendung in der Medizin (Diagnosestellungen, Auswertung von Ront-genaufnahmen) die Entwicklung von Chatbots, virtueller personlicher Assistenten, die Steuerung von Warenstromen, Maschinen, oder autonomer Fahrzeuge.68

Zusammenfassend erlauben Expertensysteme sowohl einen schnellen und kostengunsti-gen Zugang zu Fachwissen fur Nichtfachleute, als auch einen raschen, okonomischen Wissensaustausch.69

3.4 Robotics

Der interdisziplinare Bereich kunstlicher Intelligenz mit deutlich erkennbarer physischer Einflussnahme auf die Umwelt ist der groBe Bereich der Robotik.70 In Folge zunehmend elaborierter Vernetzung des Zusammenspiels unterschiedlicher Technologien wie leis-tungsfahiger Sensoren, Deep Learning, sowie Sprach- und Bilderkennungssystemen (NLP, Computer Vision) konnte die Robotik in den letzten Jahren revolutioniert werden. Im Ergebnis werden aus Robotern zunehmend eigenstandige und komplex vernetzte Sys­teme. Weit iiber die bloBe Ausfiihrung starrer Bewegungsablaufe hinausgehend (klassi-sche FlieBbandroboter), konnen moderne Roboter mit Menschen interagieren und kolla-borieren (Collaborative Roboter) und sich an unterschiedlichste Aufgaben flexibel anpas-sen.71 Gerade in der wirtschaftlichen Anwendung konnen Roboter durch Prazision, Zu-verlassigkeit, Verfugbarkeit, Kraft, Geschwindigkeit und relativ niedrige Unterhaltskos-ten menschliche Arbeitskrafte in fast alien Belangen iibertreffen bzw. sinnvoll erganzen.

Durch die zusatzliche Komponente der kunstlichen Intelligenz werden in Zukunft aber auch die Anwendungsbereiche der Robotik erheblich erweitert werden konnen.72

Laut World Robotics Report 2019 wurden im Jahre 2018 weltweit 422.000 Industriero-boter ausgeliefert, wovon 27.000 Einheiten nach Deutschland gingen.73 Somit liegt Deutschland mit einer Roboterdichte von 338 Roboter pro 10.000 Arbeitnehmer weltweit auf Platz drei. Der GroBteil der Nachfrage ist auf die Automobilindustrie zuriickzufuh-ren.74

Jenseits der Anwendung von Industrie-, Medizin- und Spielzeugrobotern, wird in der hier vorliegenden Arbeit vorzugsweise Robotik-Potenzial im Gebiet der Service- und Navi-gationsroboter beleuchtet, sowie deren Einsatze in den Handelsbereichen Intralogistik und Customer Journey vorgestellt.

4 Anwendung kunstlicher Intelligenz im Einzelhandel

4.1 Bedeutung und Voraussetzungen

Kunstlicher Intelligenz wird eine wegweisende Bedeutung fur die Zukunftsgestaltung des Einzelhandels beigemessen. Im Rahmen der EHI-Studie „IT-Trends im Handel 2019" bestimmten 90 Einzelhandler im deutschsprachigen Raum kunstliche Intelligenz als den mit Abstand wichtigsten Zukunftstrend der kommenden Jahre.75 Dieses Ergebnis zeigt deutlich, dass im Einzelhandel der Bedarf nach MaBnahmen zur individualisierten und automatisierten Gestaltung von Handelsprozessen klar erkannt wird.76 Mit zunehmender Relevanz und signifikant verfeinerten Analysemoglichkeiten von Big Data, IoT, sowie verschiedener Technologien kunstlicher Intelligenz ergeben sich vollig neue Perspekti-ven und Chancen einer zukunftssicheren Gestaltung und Implementierung von Digitali-sierungsstrategien.77 Den breitgefacherten Anwendungsoptionen in der Wirtschaft stehen jedoch auch zahlreiche Herausforderungen bzgl. der flachendeckenden Implementierung gegenuber. Im Jahr 2017 berichteten nur zwei Prozent der deutschen Unternehmen aktive 15 Nutzung von KI.78 Die Griinde fur die zogerliche Umsetzung verfugbarer Technologien in die reale Praxis sind vielschichtig und liegen unter anderem in fehlendem Fachwissen der Verantwortlichen, unzureichender IT-Infrastruktur, sowie den oft widrigen Bedingun-gen zur Verknupfung an mit bereits vorhandenen Prozessen und Systemen.79

Neben den oben genannten organisatorischen Herausforderungen bleibt die Datenqualitat und -quantitat (somit die Datenstrategie) wesentliche Grundlage intelligenter Systeme. Hier muss der Handel eine gesamtheitliche und umfassende Datengenerierung iiber alle Kundenberiihrungspunkte hinweg sicherstellen.80 Dies bedingt folglich einen hohen Di-gitalisierungsgrad, welcher die Ubertragung der realen Welt in virtuelle Datenmodelle definiert und anknupfend ein datenbasiertes Unternehmensmodell voraussetzt.81 Um moglichst viele Anwendungsbereiche von KI im Handel realisieren zu konnen, ist eine nahtlose Verknupfung aller relevanten Touchpoints sowie deren Daten und Systeme Vo-raussetzung.82

Der erfolgreiche Einsatz von KI ist zudem hochgradig abhangig von adaquat qualifizier-tem Fachpersonal. Die Erwerbung dieser Qualifikation kann, je nach GroBe des Unter-nehmens, iiber interne Schulungen, aber auch durch externe Experten geleistet werden. Das Risiko einer Uberforderung durch friihzeitige Implementierung umfassender Kl-Sys-teme kann durch Etablierung zunachst kleinerer Projekte mit dann schrittweise fortschrei-tender Expansion minimiert werden.83

McKinsey hat betreffend der tiefgehenden Auswirkungen und Potenziale der Integration von KI in zentralen Wirtschaftssektoren vier wesentliche Kategorien bestimmt:

- Project (Bedarfsprognosen)
- Produce (Logistik)
- Promote (Angebots- und Preisoptimierung)
- Provide (Costumer Journey)84

[...]


1 Vgl. Gentsch (2019): Kunstliche Intelligenz fur Sales, Marketing und Service, S. 63

2 Duden (2019): Intelligenz (Zugriff: 06.01.2020)

3 Vgl. Hillmann (2019): Intelligentes Leben (Zugriff: 06.01.2020)

4 Vgl. Ertel (2016): Grundkurs Kiinstliche Intelligenz, S. If

5 Rich et al. (2009): Artificial Intelligence, S. 64

6 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 29

7 Vgl. Kaplan (2017): Kiinstliche Intelligenz - Eine Einfuhrung, S. 11

8 Vgl. Bitkom (2017): Kiinstliche Intelligenz - Wirtschaftliche Bedeutung, gesellschaftliche Herausforde-rungen, menschliche Herausforderungen, S. 3f

9 Vgl. Turban et al. (2018): Electronic Commerce 2018, S. 833f

10 Vgl. Turban et al. (2018): Electronic Commerce 2018, S. 827

11 Vgl. Murphy (2012): Machine Learning: a probalistic perspective, S. 2f

12 Vgl. Kersting/Tresp (2019): Machinelles und Tiefes Lernen: Der Motor fflr „KI made in Germany" (Zu-griff: 06.01.2020)

13 Vgl. Maimer (2016): Kunstliche Intelligenz - Wann iibernehmen die Maschinen?, S. 102

14 Vgl. Glaft (2018): Kunstliche Intelligenz im Handel 1, S. 25

15 Vgl. Scherk et al. (2017): Kunstliche Intelligenz, S. 14

16 Vgl. Stanford University (2016): One Hundred Year Study of Artificial Intelligence, S. 8

17 Vgl. Hecker et al. (2017): Potenziale des maschinellen Lernens fur die Industrie, S. 26

18 Vgl. Maimer (2016): Kiinstliche Intelligenz - Warm iibernehmen die Maschinen?, S. 188f

19 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 40

20 Vgl. Akerkar (2019): Artificial Intelligence for Business, S. 91

21 Vgl. gehalt.de (2019): Einzelhandel - Brancheninformation (Zugriff: 06.01.2020)

22 Vgl. Seidel (2016): Innovationen im Einzelhandel, S. 19

23 Vgl. Lianatech GmbH (2016): Vom Multichannel zum Omnichannel Marketing (Zugriff: 06.01.2020)

24 Vgl. Brynjolfsson et al. (2013): Competing in the Age of Omnichannel Retailing, S. 2

25 Vgl. EHI Retail Institute (2018): Smart Store, S. 3

26 Vgl. Picot-Coupey etal. (2016): Channel design to enrich customers' shopping experiences, S. 336ff

27 Vgl. Bradlow et al. (2016): The Role of Big Data and Predictive Analytics in Retail, S. 4ff

28 Vgl. Meier etal. (2016): Big Data - Grundlagen, Systeme, Nutzungspotentiale, S. 51

29 Vgl. Merv (2011): It's going mainstream, and it's your next opportunity, S. 3

30 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 194f

31 Vgl. Buxmann et al. (2019): Kiinstliche Intelligenz, S. 245f

32 Vgl. Glaft et al. (2017): Handel 4.0 - Die Digitalisierung des Handels, S. 122

33 Vgl. Konig et al. (2018): Big Data: Chancen, Risiken, Entwicklungstendenzen, S. 11

34 Vgl. Hecker et al. (2017): Kiinstliche Intelligenz und die Potentiate des maschinellen Lernens fur die Industrie, S. 29

35 Vgl. Knoppe/Wild (2018): Digitalisierung im Handel, S. 352

36 Vgl. Wittpahl (2016): Digitalisierung, S. 52f

37 Vgl. Hecker et al. (2017): Kiinstliche Intelligenz und die Potentiate des maschinellen Lernens fur die Industrie, S. 29

38 Vgl. Jansen(2017): 8,4 Milliarden vernetzte Gerate im Internet der Dinge (Zugriff: 06.01.2020)

39 Vgl. Mines/Pelino (2013): Mapping the Connected World, S. 2

40 Vgl. EHI Retail Institute (2018): Smart Store, S. 4

41 Vgl. Gentsch (2019): Kiinstliche Intelligenz fur Sales, Marketing und Service, S. 37

42 Vgl. Kroker (2019): Internet of Things: Knapp 27 Milliarden vernetzte Gerate (Zugriff: 06.01.2020)

43 Vgl. Statista (2019): IoT connected devices installed based from 2015 to 2025 (Zugriff: 06.01.2020)

44 Vgl. Turban et al. (2018): Electronic Commerce 2018, S. 877

45 Vgl. Buxmann et al. (2019): Kiinstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg, S.

46 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 85

47 Vgl. Stanford University (2016): One Hundred Year Study of Artificial Intelligence, S. 9

48 Vgl. Rouse (2019): Natural Language Processing (NLP) (Zugriff: 06.01.2020)

49 Vgl. Luber/Litzel (2016): Was ist Natural Language Processing (Zugriff: 06.01.2020)

50 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 86ff

51 Vgl. Akerkar (2019): Artificial Intelligence for Business, S. 25

52 Vgl. Gentsch (2019): Kiinstliche Intelligenz fur Sales, Marketing und Service, S. 92

53 Vgl. Hattrup (2017): Kiinstliche Intelligenz wird zum Wachstumsmotor fur deutsche Industrie (Zugriff: 06.01.2020)

54 Vgl. Statista (2019): Prognose zum Umsatz im Bereich Spracherkennung weltweit bis 2024 (Zugriff: 06.01.2020)

55 Vgl. Radeck (2018): Computer Vision - Eine Ubersicht (Zugriff: 06.01.2020)

56 Vgl. Eftbaumer (2018): Computer Vision mit Deep Learning (Zugriff: 06.01.2020)

57 Vgl. Jain (2018): Image Recognition Vs Object Detection (Zugriff: 06.01.2020)

58 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 100

59 Vgl. Liu et al. (2019): An Intelligent Vision System for Detecting Defects in Micro-Armatures for Smartphones, S. 10

60 Vgl. Eftbaumer (2018): Computer Vision mit Deep Learning, Part 2 (Zugriff: 06.01.2020)

61 Vgl. Hattrup (2017): Kiinstliche Intelligenz wird zum Wachstumsmotor fur deutsche Industrie (Zugriff: 06.01.2020)

62 Vgl. Styczynski et al. (2017): Einfuhrung in Expertensysteme, S. 10

63 Vgl. Rowley (2007): The Wisdom Hierarchy, S. 163ff

64 Vgl. Tuban et al. (2018): Electronic Commerce, S. 850

65 Vgl. Durkin (1994): Expert Systems - Design and Development, S. 46f

66 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz verstehen, S. 113ff

67 Vgl. Gentsch (2019): Kiinstliche Intelligenz fur Sales, Marketing und Service, S. 95f

68 Vgl. Kreutzer/Sirrenberg (2019): Kiinstliche Intelligenz, S. 116

69 Vgl. Turban et al. (2018): Electronic Commerce 2018, S. 854

70 Vgl. Wodecki (2019): Artificial Intelligence in Value Creation, S. 191

71 Vgl. Gentsch (2019): Kiinstliche Intelligenz fur Sales, Marketing und Service, S. 125f

72 Vgl. Kreutzer/Sirrenberg (2019): Kunstliche Intelligenz verstehen, S. 126

73 Vgl. Heer (2019): IFR presents Robotics Industrial Robots (Zugriff: 06.01.2020)

74 Vgl.Hannovermesse (2019): Deutschland hat weltweit die drittgroftte Roboterdichte (Zugriff: 06.01.2020)

75 Vgl. Handelsdaten.de (2019): „Was sind fur Sie die wichtigsten technologischen Trends der nachsten drei Jahre?" (Zugriff: 06.01.2020)

76 Vgl. EHI Retail Institute (2019): Smart Store 2, S. 11

77 Vgl. EHI Retail Institute (2018): Smart Store, S. 3

78 Vgl. BMWi (2017): Wirtschaft DIGITAL 2017, S. 17

79 Vgl Hermann (2018): Unternehmen gehen Kl-Projekte zu technisch an (Zugriff: 06.01.2020)

80 Vgl. GlaB (2018): Kiinstliche Intelligenz im Handel 2, S. 78

81 Vgl. vbw (2017): Neue Wertschopfung durch Digitalisierung, S. 40f

82 Vgl. Linge (2018): Kiinstliche Intelligenz im LEH (Zugriff: 06.01.2020)

83 Vgl. GlaB (2018): Kiinstliche Intelligenz im Handel 2, S. 81f

84 Vgl. McKinsey Global Institute (2017): Artificial Intelligence - The next digital frontier?, S. 22

Ende der Leseprobe aus 69 Seiten

Details

Titel
Künstliche Intelligenz im Einzelhandel. Digitalisierungsdruck auf derzeitige Geschäftsmodelle
Hochschule
Fachhochschule Trier - Hochschule für Wirtschaft, Technik und Gestaltung
Note
1,0
Autor
Jahr
2020
Seiten
69
Katalognummer
V899503
ISBN (eBook)
9783346210753
ISBN (Buch)
9783346210760
Sprache
Deutsch
Schlagworte
KI, AI, Künstliche Intelligenz, Artificial Intelligence, Anwendung, Einzelhandel, Auswirkungen, Industrie 4.0
Arbeit zitieren
Thilo Pollmeier (Autor:in), 2020, Künstliche Intelligenz im Einzelhandel. Digitalisierungsdruck auf derzeitige Geschäftsmodelle, München, GRIN Verlag, https://www.grin.com/document/899503

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Künstliche Intelligenz im Einzelhandel. Digitalisierungsdruck auf derzeitige Geschäftsmodelle



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden