Wer dem Handel heute seine Produkte und Lösungen verkaufen will, nimmt entweder die Blockchain in die Featureliste auf, oder er lässt zumindest im Hintergrund „künstliche Intelligenz“ arbeiten. KI soll den Handel regelrecht auf den Kopf stellen. Jedenfalls, wenn man der einen oder anderen Schlagzeile glaubt. Ein Begriff läuft Gefahr, zu einem reinen Buzzword zu werden. Was aber an vielen Missverständnissen liegt.
Ein Alltagstest: Google, Apple und Amazon stellen uns in ihren smarten Lautsprechern „intelligente“ Assistenten zur Verfügung. Ein Assistent aus Fleisch und Blut käme mit folgender Ansage ohne Probleme klar: „Bitte vereinbare doch mit Herrn Müller von Maier und Co für nächsten Dienstag einen Termin und sage dafür mein Gespräch mit Frau Schröder ab. Und wenn Du schon dabei ist, buche bitte auch die Flüge für Donnerstag auf Freitag um, nachdem Du einen neuen Termin mit Frau Schröder vereinbart hast.“ Wer diese leichte Umstellung eines Termins mit einem der Assistenten der Internetkonzerne versucht, darf sich glücklich schätzen, wenn der Leuchtring an Amazons Echo nicht einfach aufhört zu blinken, sondern Alexa freundlich mitteilt, dass sie leider nicht wisse, was der Sprecher meint. Soweit kann es mit der Intelligenz der künstlichen Intelligenz nicht her sein, oder doch? Schließlich plant Zalando, im Marketing mehr Arbeit von KI-Systemen und Algorithmen erledigen zu lassen, um so Personal zu reduzieren.
Die Magie von Algorithmen und KI
Wer KI sagt, der muss Algorithmus sagen. Dieser Begriff wird inzwischen inflationär gebraucht. Jeder verwendet ihn, aber kaum einer weiß, was das ist. Vom Standpunkt der Informatik aus gesehen, ist ein Algorithmus eine Handlungsvorschrift zur Lösung eines Problems, die aus einer Anzahl an Einzelschritten besteht. Wenn Sie sich das nächste Mal eine Spezialität von einem Kaffeevollautomaten zubereiten lassen, denken Sie daran, dass dessen Arbeit als Algorithmus beschrieben werden kann. Das Problem ist die Zubereitung der vom Anwender gewünschten Kaffeespezialität. Die Lösung besteht dann in einer Reihe von Schritten, wie der Wahl des Getränks, der Abfrage der gewünschten Menge, dem Mahlen der Bohnen usw. Das ist jederzeit reproduzierbar.Wer tiefer in das Thema einsteigt, stellt rasch fest, dass es „die“ künstliche Intelligenz gar nicht gibt. Es handelt sich um einen Sammelbegriff für verschiedene Technologien und Verfahren.
Es ist nur menschlich, dass wir im Zusammenhang mit „Künstlicher Intelligenz“ unsere eigenen Erfahrungen ins Spiel bringen. Wenn ein Kind ausgiebig einen Ball ausprobiert und mitsamt dem Wort in seinem Gehirn gespeichert hat, ist es in der Lage, das Konzept „Ball“ weiter zu erforschen. Selbst wenn es ihn nicht geworfen, getreten oder gerollt hat. Es wird jederzeit einen Ball erkennen.
Das ist bei Maschinen nicht so einfach. „Künstliche Intelligenz“ umfasst eine Reihe verschiedener Ansätze, an denen interdisziplinär geforscht wird.
- Wissensbasierte Systeme: Liegen dem Computer genügend Daten vor, dann können solche Systeme (wie zum Beispiel Watson von IBM) den Menschen durchaus überholen. Dabei geht es um die Verknüpfung von Informationen, mit dem Ziel, logische Schlussfolgerung zu ziehen. Schachspiel, Go oder die Diagnose von Laborbefunden – das sind Beispiele für wissensbasierte Systeme. Das Programm, das die Großmeister im Schach oder Go schlägt, ist hochgradig spezialisiert. Wollen Sie vom gleichen System etwas über Absatzzahlen wissen, wird es jämmerlich versagen.
- Mustererkennung: Damit geht fast jeder Anwender nahezu täglich um. Denn natürlich versteht ein Computersystem erst einmal kein Wort von dem, was der Mensch ihm sagt. Spracherkennung ist Mustererkennung. Und sie steckt hinter den Funktionen, mit denen Instagram und Shopping-Apps ähnliche Bilder oder Artikel visuell suchen. Dahinter stecken jede Menge Arbeit und vor allen Dingen viele Daten. Denn bevor ein System überhaupt in Zukunft ein Muster zuverlässig erkennt, muss es unzählige Beispiele erhalten. Mittels sogenannter neuronaler Netze werden die Systeme zwar immer treffsicherer und erkennen trainierte Objekte (Bilder, Buchstaben, Laute) auch dann, wenn sie erstmals darauf stoßen. Allerdings lernen die Systeme eben nicht so wie der Mensch. Er erkennt das Bild einer Hose immer. Egal welcher Schnitt, welche Farbe, welches Material und wie gut oder schlecht ein Foto auch sein mag. Denn der Begriff „Hose” hat für den Menschen eben eine Bedeutung. Und die bleibt dem Computer verschlossen.
- Mustervorhersage: Eng mit der Musterkennung ist die Vorhersage verbunden. Es geht darum, eine Situation zu erkennen, die erst noch entsteht.
- Robotik: Sie sei an dieser Stelle der Vollständigkeit halber erwähnt. Hier sollen Roboter automatisch von Punkt A nach B fahren, etwas aus einem Regal zu nehmen oder dem Menschen beim Tragen einer Last zu helfen. Und zwar ohne direkte Fernsteuerung durch den Menschen.
KI in Marketing und Handel
KI ist weder Zauberei noch Hexenwerk und hat mit der Intelligenz eines Menschen erst einmal nichts zu tun. KI in Handel und Marketing sind hochgradig spezialisierte Systeme, die insbesondere bei Produktempfehlungen und Dynamic-Pricing-Lösungen ihre Vorteile ausspielen. Und wie KI-Systeme Großmeister in Schach oder Go schlagen, sind sie in dieser Disziplin den Menschen eindeutig überlegen.Die meisten Systeme für Vorhersagen gehen auf das sogenannte Data-Mining zurück. Mit dem Anwachsen der Datenmengen in Unternehmen erwuchs der Wunsch, aus den immer größeren Datenbeständen Muster zu erkennen, um aus ihnen Erkenntnisse zu ziehen. Daraus entwickelte sich die Disziplin des maschinellen Lernens, die über das reine Erkennen von Mustern hinausgeht. Nach der Lernphase ist das System in der Lage, das erworbene Wissen zu verallgemeinern und auf unbekannte Daten anzuwenden. Beim adaptiven Lernen lernt das System, aus jedem neuen Datensatz, den es verarbeitet. Es wird immer bessere Vorhersagen treffen. Das ist einer der Ansätze, der in der Recommendation Engine von Prudsys zum Einsatz kommt.
Grundlage für die Vorhersagen sind alle Daten, die Aufschluss über den Kunden geben. Dazu zählen zum Beispiel Verhaltensdaten, historische Daten, Transaktions- sowie CRM- und ERP-Daten. Die Empfehlungsengine erkennt darin Muster und Gesetzmäßigkeiten. Sie kann mit Voranschreiten der Lernphase unbekannte Daten beurteilen. Das heißt, dass die Maschine automatisch und in Echtzeit Personalisierungsregeln lernt, etwa auf Basis von Klicks, Warenkörben, Käufen, externen und internen Suchanfragen, geklickten Kategorien und Bannern oder selbst gewählten Events.
Die Algorithmen reagieren aber nicht nur auf das Kundenverhalten, sondern experimentieren mit neuen Inhalten. Sie messen die Akzeptanz der ausgespielten Inhalte. Dabei „belohnt“ sich das System selbst, wenn ein Inhalt vom Kunden akzeptiert wurde. Somit lernt das System mit jeder Interaktion und geht so immer besser und zielgerichteter auf den einzelnen Nutzer ein.
Die stetige Verbesserung der Produktempfehlungen an den Kunden wäre allein bereits ein Erfolg. Er hätte aber auf die Dauer die Konsequenz, dass der Konsument in einer Art von „Filterblase“ gefangen wäre. Zwar würden ihm Produkte empfohlen, die er mit großer Wahrscheinlichkeit mag und kauft, aber er würde keine Inspirationen erhalten, einmal etwas Neues auszuprobieren. Um das Entstehen einer solchen Filterblase zu verhindern, nutzt die Empfehlungsengine von Prudsys beispielsweise so genannte Exploit- und Explore-Mechanismen. Dabei weicht das System von den gelernten Mustern gezielt ab, um Produkte und Inhalte zu empfehlen, die schon lange nicht mehr oder sogar nie empfohlen wurden. Damit stellt das Gesamtsystem auch sicher, dass es flexibel bleibt und neue Varianten ausprobiert. Das freut dann auch den Kunden, wenn er dadurch auf völlig neue Ideen kommt. Interessant ist dieser Aspekt für alle Händler, deren Sortimente sich rasch verändern, wie das typischerweise in der Modebranche der Fall ist.
Eine Empfehlungsengine kann mittels Algorithmen die Wahrscheinlichkeit für den Abbruch eines Warenkorbs errechnen, um den Kunden dann durch das Ausspielen von Kaufanreizen positiv zu beeinflussen. Und das maschinelle Lernen spielt eine wichtige Rolle bei der Anzeige des optimalen Preises. Der Händler legt hierbei fest, auf welches Zielmerkmal er optimieren will. Das kann etwa die Maximierung von Gewinn, Umsatz oder Absatz sein. Nach der Lernphase berechnet der Algorithmus dann stets die Preise, die die Zielgröße maximieren. Schneller und präziser als es ein Mensch könnte.
