Künstliche Intelligenz (KI) ist ein viel beachtetes Thema im Einzelhandel. Der Grund liegt auf der Hand: Einzelhändler sammeln gigantische Datenmassen über Transaktionen und Interaktionen mit Verbrauchern, sowohl online als auch im stationären Filialbetrieb. Gleichzeitig müssen sie Milliarden von Entscheidungen treffen, um Bestände, Kapazitäten und Personalressourcen auf die sich ständig ändernde Kundennachfrage abzustimmen. Kurz gesagt: KI ist der Traumpartner des Einzelhandels.
Der Hype um KI im Einzelhandel hat eine Art Goldrausch ausgelöst. Softwareanbieter haben ihren Produkten schnell das Label „Hier steckt KI drin!“ aufgedrückt und vermarkten ihre Lösungen als intelligenter, als sie sind. Das ist für viele Einzelhändler verständlicherweise verwirrend. Ist künstliche Intelligenz nur künstlicher Hype oder sind Händler, die sie noch nicht einsetzen, Nachzügler, die ihr Geschäft riskieren?
Dieses Whitepaper soll keine Vision oder gar strategische Roadmap für die Zukunft von KI entwerfen. Stattdessen soll eine genaue Übersicht darüber vermittelt werden, wie Einzelhändler heute künstliche Intelligenz zur Optimierung ihres Geschäfts einsetzen. Zuerst soll jedoch definiert werden, was KI ist und was nicht.
1. Künstliche Intelligenz besteht aus Algorithmen, sie ist keine Person
Hightech-Unternehmen vermarkten ihre KI-Algorithmen gerne als „intelligent“, indem sie sie so menschlich wie möglich erscheinen lassen und ihnen Namen wie Siri, Alexa, Einstein oder Watson geben. Das sollte nicht darüber hinwegtäuschen, dass KI keine Person ist. KI ist noch nicht einmal ein einziges „etwas“, das im Singular existiert.
Von einer generellen künstlichen Intelligenz, die auf kreative Weise unklar definierte Probleme löst, sind wir noch weit entfernt. Große Fortschritte beobachten wir hingegen bei der spezialisierten KI, die eindeutig definierte Probleme löst (beispielsweise Bilderkennungsalgorithmen), und bei der Kombination verschiedener Typen spezialisierter KI (beispielsweise in selbstfahrenden Autos).
Kurzum: Was wir heute als künstliche Intelligenz bezeichnen, ist nicht mehr und nicht weniger als eine Sammlung von Algorithmen. Manche dieser Algorithmen bestehen aus simplen Komponenten, die jedoch auf raffinierte Weise kombiniert werden: Sie ziehen derart komplexe Schlussfolgerungen, dass Datenwissenschaftler sie sich kaum erklären können (denken Sie an Deep Learning). Andere sind so simpel, dass jeder angehende Informatikstudent sie nach zwei Wochen Einführungskurs in Form eines Computerprogramms coden könnte, das Menschen in einem Nullsummenspiel wie etwa Mancala jedes Mal besiegt (denken Sie an Minimax-Algorithmen).
KI-Algorithmen unterscheiden sich untereinander nicht, indem sie besser oder schlechter als andere wären. Sie nutzen lediglich verschiedene Arten von Daten und werden zur Lösung verschiedener Arten von Problemen eingesetzt.
Das bedeutet: Was Einzelhändler brauchen, ist nicht KI – sie brauchen eine Analytik-Toolbox, die verschiedene KI-Algorithmen verwendet und dadurch ältere Technologien wie statistische Datenanalyse und regelbasierte Heuristiken ergänzt. Überdies müssen Händler ihr menschliches Expertenwissen weiterhin bestmöglich einsetzen, um geschäftliche Prioritäten zu definieren und unklar umrissene oder bisher unbekannte Probleme zu lösen.
Wenn wir jetzt also hinter den Hype schauen: Wie hilft die pragmatische Anwendung von künstlicher Intelligenz Einzelhändlern, ihr Geschäft zu optimieren?
2. KI liefert Geschäftsentscheidungen mit höherer Automatisierung, Granularität und Präzision
KI ermöglicht Händlern schneller bessere Entscheidungen zu treffen – ein unbezahlbares Plus in einer Branche, in der Millionen von Warenflüssen gesteuert werden müssen. Machine-Learning-Algorithmen berücksichtigen beispielsweise Hunderte von Faktoren, die die Nachfrage beeinflussen, wenn sie den Absatz im Einzelhandel prognostizieren – ein menschlicher Planer kann das nicht leisten. Das Anwendungsgebiet von KI im Einzelhandel beschränkt sich jedoch nicht auf Absatzprognosen. Händler profitieren noch mehr, wenn sie KI zur Optimierung der ganzen Bandbreite ihrer Betriebsprozesse einsetzen.
2.1 KI für exaktere Absatzprognosen im Einzelhandel
Was mit einigen Vorreitern (wie RELEX) begann, ist im Laufe der Jahre Mainstream geworden: Heute setzen viele Einzelhändler Machine-Learning-Technologie in der Absatzprognostizierung ein, um die Auswirkungen von externen Faktoren wie zum Beispiel dem Wetter auf ihren Umsatz vorherzusagen. Aktuell wenden Anbieter für Software zur Handelsoptimierung maschinelles Lernen an oder versuchen, ihre Altsysteme so zu aktualisieren, dass diese Machine-Learning in Absatzprognosen inkludieren.
Mit Machine-Learning lernt das Prognosesystem automatisch und verbessert nur durch Daten seine Prognosen – ohne zusätzliches Programmieren. Da Händler enorme Datenmengen generieren, macht sich Machine-Learning-Technologie schnell bezahlt. Füttert man ein Machine-Learning-System mit Daten – je mehr, desto besser – sucht es darin nach Mustern, die es in der Zukunft in bessere Entscheidungen verwandelt.
Maschinelles Lernen ermöglicht die Einbindung einer breiten Palette nachfragebeeinflussender Faktoren und Beziehungen in der Berechnung der Absatzprognosen im Einzelhandel. Das ist von enormem Wert, da allein Wetterdaten bereits aus Hunderten verschiedener Faktoren bestehen, die die Nachfrage potenziell beeinflussen.
Richtig implementiert und auf die Besonderheiten von Handelsdaten abgestimmt, liefert Machine-Learning Vorteile für alle Facetten von Absatzprognosen im Einzelhandel:
- Das Erfassen wiederkehrender Absatzmuster, die wochentag- oder saisonabhängig sind
- Das Prognostizieren des Einflusses von Promotions, Preisänderungen und anderer interner Geschäftsentscheidungen
- Die Vorhersage der Auswirkungen externer Faktoren wie beispielsweise Kundenaufkommen, Events und Wetter
In unkomplizierten Situationen wie bei wiederkehrenden Schwankungen der Nachfrage bietet Machine-Learning eine mindestens gleichwertige oder leicht bessere Prognosegenauigkeit gegenüber traditionellen Methoden zur Absatzprognostizierung. Geht es um komplexere Situationen wie etwa überlappende Kampagnen oder die Kannibalisierung von Produkten wird der Unterschied in der Performance überdeutlich: Hier sind Machine-Learning-Prognosen den herkömmlichen Ansätzen klar überlegen.
2.2 KI für rentablere Betriebsprozesse im Einzelhandel
Obwohl sie wichtig sind, liefern verbesserte Absatzprognosen noch keinen großen Wert, solange sie nicht wirksam eingesetzt werden. Eine prognosebasierte Optimierung aller Handelsprozesse ist das ideale Einsatzgebiet für pragmatisch angewendete KI – hier entfaltet sie ihre volle Wirkung und liefert außergewöhnliche Ergebnisse. Der Return on Investment ist für prognosebasierte Workforce- und Supply-Chain-Optimierungen oft noch höher als für verbesserte Absatzprognostizierung. Große Einzelhändler können hier pro Jahr Kosten im bis zu zweistelligen Millionenbereich einsparen.
2.2.1 KI für ein optimiertes Workforce-Management
Die Mitarbeiter sind einer der größten Vermögenswerte jedes Einzelhandelsunternehmens – und mit 10–20 Prozent der Einnahmen auch einer der größten Kostenfaktoren. Mit akkurater Personalplanung lassen sich folglich Jahr für Jahr Kosten in Millionenhöhe einsparen. Ein optimiertes Workforce-Management führt auch zu höherer Mitarbeiterzufriedenheit und mehr Einnahmen: So wird sichergestellt, dass der einzelne Mitarbeiter nicht durch eine zu hohe individuelle Arbeitslast überfordert wird und verfügbar ist, um Shoppern erstklassigen Kundenservice zu bieten.
Automatisiertes beziehungsweise optimiertes Workforce-Management ist ein facettenreiches und komplexes Problem, das ohne den Einsatz von KI nicht gelöst werden kann. Viele bewegliche Teile müssen simultan berücksichtigt werden, um optimale Ergebnisse zu erzielen. Zuerst müssen Einzelhändler mehrere Prognosen verwenden, um den künftigen Workload exakt zu bestimmen:
- Für die Vorhersage des Workloads durch Kundenservice, wie etwa die Besetzung der Kasse, sind Prognosen des Kundenaufkommens notwendig.
- Die Bestimmung des Workloads durch Filialarbeiten, wie etwa Regalbestückung, erfordert volle Transparenz in die eingehenden Liefermengen.
- Die Vorbereitung von Fulfillment-Arbeiten, wie dem Kommissionieren von Bestellungen, machen Prognosen von Onlinebestellungen und Bestellpositionen erforderlich.
Dieser Gesamt-Workload wird so optimiert, dass zeitkritische Arbeiten wie der Kundenservice genau dann geleistet werden können, wenn die Nachfrage danach besteht. Weniger zeitkritische Aufgaben ordnen sich unter und werden so getimt, dass sich Arbeitsschichten sinnvoll gestalten lassen.
Letztlich müssen Einzelhändler Arbeitsschichten so optimieren, dass die Schichten die Arbeitslast sowie vertragliche Bestimmungen wie etwa maximale Arbeitsstunden im Blick haben. Auch gesetzliche Auflagen wie Pausen und Ruhezeiten zwischen Schichtende und -beginn sind miteinzubeziehen. Die Optimierung muss ebenfalls berücksichtigen, dass nicht alle Mitarbeiter über die gleichen Kompetenzen verfügen und nicht jeder Angestellte für jede Aufgabe infrage kommt – dementsprechend empfiehlt das System die Ressourcen mit den passenden Qualifikationen.
Durch den pragmatischen Einsatz von KI in Form einer Kombination von Algorithmen wird das komplexe Problem der Schichtoptimierung gelöst – viel präziser als zuvor und binnen Sekunden. KI deckt hier gleich zwei Bedarfe ab: Zum einen sorgt sie für ausgeglichene, effektive Arbeitsschichten. Gleichzeitig stellt sie langfristig sicher, dass der Arbeitgeber sämtliche vertragliche sowie gesetzliche Anforderungen erfüllt.
Der finanzielle Effekt von Workforce-Management und ‑Optimierung im Einzelhandel ist riesig: Personalkosten werden um bis zu 10 Prozent gesenkt. Für einen Einzelhändler mit einem Jahresumsatz von einer Milliarde US-Dollar entspricht das einer jährlichen Ersparnis von mehr als 10 Millionen Dollar. Die Angestellten profitieren von ausgeglichenerer Arbeitslast und verbesserter Transparenz im Hinblick auf künftige Arbeitsschichten. Workforce-Optimierung hilft auch Filialleitern: Sie verbringen viel weniger Zeit mit manueller Planung am Computer oder Smartphone und können so proaktiv ihr Team managen. (Lesen Sie mehr darüber in dieser Fallstudie).
2.2.2. KI für die Supply-Chain-Optimierung
Mathematische Ansätze und Operations Research werden seit einiger Zeit in der Supply-Chain-Optimierung angewandt, doch es gibt einige neue Möglichkeiten auf diesem Gebiet.
Stochastische Planung für Supply-Chains klingt hochtrabend, ist aber nur das intelligente Bewältigen von Unsicherheiten. Ein Beispiel ist das Ersetzen statischer Sicherheitsbestände für Frischwaren durch wahrscheinlichkeitsbasierte Bestelloptimierung: Sie erfasst Schwankungen in Absatzmengen und Unsicherheiten in der Nachfrage im Wochenverlauf. So können Lebensmitteleinzelhändler die Kosten-Nutzen-Abwägung zwischen Verderbsrisiko und dem Risiko entgangener Verkäufe optimieren.
Die Optimierung des Frischesortiments im LEH erzielt beeindruckende Resultate. Es gab Einzelhändler, die Verderb um bis zu 40 Prozent reduzierten (mehr über Lebensmittelverschwendung und ihren Einfluss auf die Nachhaltigkeit lesen Sie hier). Da die Kosten von Lebensmittelverderb sich für einen durchschnittlichen Lebensmitteleinzelhändler auf mehr als 1,5 Prozent des Umsatzes belaufen, ist die Reduzierung von Verderb ein wirksames Mittel, um die Profitabilität signifikant zu erhöhen.
Ein weiteres Anwendungsgebiet von KI in der Handelsoptimierung ist die Glättung des Warenflusses: Sie stellt sicher, dass sowohl der Güterstrom an die Verteilzentren als auch von dort an die Filialen ausgeglichener ist. Ein geglätteter Bestandsfluss ermöglicht effizienteres Ausnutzen von Kapazitäten in den Verteilzentren, Mikro-Fulfillment-Centern und Filialen. Das ist besonders für Einzelhändler, die in die Automatisierung des Güterumschlags investiert haben, wertvoll: Eine höhere Kapazitätsauslastung beschleunigt die Amortisierung einer Investition in Robotertechnik.
Die Anwendung künstlicher Intelligenz führt zu größerer Wertschöpfung in der vorgelagerten Supply-Chain. Fast noch wichtiger ist jedoch, dass sie dabei völlig neue Möglichkeiten der Optimierung in der nachgelagerten Lieferkette schafft. Die Filialdisposition so zu verbessern, dass ein geglätteter Warenfluss entsteht, ist von Natur aus komplex: Die Optimierung muss das komplette Produktsortiment berücksichtigen, das jede Filiale führt, sowie ein ganzes Spektrum filial- und produktspezifischer Daten. Ebenfalls miteinbezogen werden müssen die lokale Nachfrage nach jedem Produkt, die pro Produkt verfügbare Regalfläche, welche Produkte in der einzelnen Filiale jeweils im gleichen Gang präsentiert werden sowie Haltbarkeitsdaten. Durch die Verwendung von künstlicher Intelligenz – in diesem Fall Schwarmintelligenz – werden alle Anforderungen so erfüllt, dass es zu Effizienzgewinnen in den Filialen und im Verteilungsnetzwerk kommt (mehr über die Vorteile lesen Sie in dieser Fallstudie.)
Im Einzelhandel gilt: „Ein neuer Tag, eine neue Katastrophe“. Wenn Millionen von Warenflüssen gemanagt werden, geht unweigerlich etwas schief. Müssen menschliche Planer die Konsequenzen jeder verspäteten Lieferung, jedes Qualitätsproblems und jeder unerwarteten Absatzschwankung in der Supply-Chain managen, ist das sehr zeitaufwendig. Wiederkehrende, kleinere Störungen sollten stattdessen automatisiert behandelt werden – am besten, noch bevor sie sich negativ auf den Betrieb auswirken.
Die gute Nachricht ist, dass all diese Arten klar definierter Ausnahmen sich perfekt für eine autonome Problemlösung anbieten. Anhand vordefinierter Geschäftsprioritäten und automatisierter Regeln und Workflows kann Ihre Supply-Chain-Planungssoftware selbstständig intelligente Entscheidungen treffen: Beispielsweise die optimale Allokation knapper Bestände an die richtigen Filialen oder das automatische Auslösen optimierter forcierter Bestandszuweisungen, wenn dieser sich dem Verfallsdatum nähert.
2.3 KI für bessere Geschäftsentscheidungen im Einzelhandel
Im Merchandising helfen Algorithmen mit künstlicher Intelligenz Händlern, ein umfassendes Verständnis über das Einkaufsverhalten von Verbrauchern zu erlangen und dieses Wissen für das Einteilen von Produkten, Konsumenten und Filialen in Cluster zu nutzen. Beim Onlineshopping wird zum Beispiel häufig der Hinweis „Andere Kunden interessierten sich auch für diese Produkte“ eingeblendet. Diese Vorschläge werden von Empfehlungssystemen generiert, die typischerweise auf KI-Algorithmen basieren, welche die Warenkörbe anderer Onlinekunden analysieren.
Das Clustern von Filialen auf Grundlage lokaler Shoppingmuster ist ein weiteres Einsatzfeld von Klassifikationsalgorithmen – in diesem Fall geht es um den „k-nächste-Nachbarn-Algorithmus“, ein Klassifikationsverfahren, das bestimmt, in welcher Gruppe sich ein Datenpunkt befindet, indem er eine Anzahl von k Datenpunkten um ihn herum betrachtet. Effektive Filial-Clusterbildung unterstützt die Fähigkeit von Händlern, ihre Sortimente passgenau auf die lokale Nachfrage zuzuschneiden, ohne ihr Sortimentsmanagement unnötig zu verkomplizieren.
Optimierungsalgorithmen ermöglichen akkurate Merchandising-Entscheidungen: Beispielsweise die filialspezifische Flächenoptimierung. Hier werden die Regalplatzierung und die Anzahl der Facings für jedes Produkt basierend auf den lokalen Absatzprognosen und eingehenden Warenflüssen optimiert. KI-basierte Algorithmen wie die simulierte Abkühlung (oder Simulated Annealing) erlauben Planern, komplexe Optimierungsprobleme schnell und mit hoher Trefferquote zu lösen. Lokal optimierte Planogramme schaffen konkreten geschäftlichen Mehrwert, indem sie die Kosten des Güterumschlags reduzieren und Regalverfügbarkeit und Umsatz erhöhen.
Zu guter Letzt ist auch die Markdown-Optimierung eine simple, aber leistungsstarke Anwendung für KI im Merchandising: Sie verwendet Preiselastizitätsmodelle, um den Einfluss des Preises auf die Nachfrage nach einem Produkt aufzuzeigen. Die Berechnung von Preiselastizitäten ist kein Novum. Die Fähigkeit moderner Planungssysteme, die Kalkulationen ohne Vorbereitung „on the fly“ und pro Produkt/Filiale durchzuführen sowie bisher noch nie gekannte Transparenz von Beständen und Prognosegenauigkeit haben dieses bewährte Konzept auf ein neues Level katapultiert.
Moderne, integrierte Lösungen zur Handelsoptimierung ermöglichen einen hochautomatisierten Markdown-Prozess: Dieser identifiziert selbstständig die Produkte und Filialen, die von Preisnachlässen profitieren und empfiehlt dann optimale Rabatte in Übereinstimmung mit der Preisstrategie. Ein hoher Automatisierungsgrad erlaubt es Planern, Rabatte schnell mit geringem Aufwand auszuführen und so neue Möglichkeiten zu erschließen. Die Optimierung von Markdowns liefert auch in Handelssparten wie dem LEH, in denen sie bisher nicht gewinnbringend eingesetzt wurde, Mehrwert.
Der Vorteil liegt auf der Hand: Unsere Kunden erlebten ein Margenwachstum in Höhe von 4,9 Prozent. Markdown-Optimierung erleichtert zudem die Arbeit in den Filialen durch Abverkauf von alten Beständen. So schafft sie Platz für neue Produkte zu Saisonende oder bei Sortimentsänderungen (lesen Sie hierzu auch diese Fallstudie).
3. KI in der Handelsoptimierung liefert geschäftlichen Mehrwert
Wird künstliche Intelligenz in der Handelsoptimierung angewendet, liefert sie erstaunliche Ergebnisse: höhere Gewinnspannen und Umsätze, reduzierter Verderb und effektivere Auslastung von Bestand und Kapazitäten. Die Vorteile für den Einzelhändler, seine Kunden und auch für die Umwelt sind immens.
Der Einsatz von KI in Ihrem Einzelhandelsbetrieb muss jedoch sorgfältig und praxistauglich geplant werden. Damit Sie den vollen Nutzen aus künstlicher Intelligenz ziehen, muss Ihre Software für die Handelsplanung folgende Anforderungen erfüllen:
- Passende Algorithmen müssen basierend auf den verfügbaren Daten und der Art des vorliegenden Problems gewählt werden. Methoden müssen bei technischen Neuerungen und neuen verfügbaren Daten stets aktualisiert werden.
- Die Algorithmen sollten effizient und verlässlich operieren und auf den Einzelhandel abgestimmt sein: Sie sollen ein effektives Management der im Einzelhandel vorhandenen Milliarden von Prognosen und Millionen von Warenflüssen ermöglichen. Ist die Datenverarbeitung zu langsam, können Empfehlungen bei Erscheinen schon wieder veraltet sein.
- Alle KI-Ansätze müssen nahtlos ineinandergreifen und bereichsübergreifende Planung unterstützen. Eine der größten aktuellen Herausforderungen für Händler ist der Wandel vom suboptimalen Silodenken zu einer abteilungsübergreifenden Arbeitsweise, die die gesamte Profitabilität steigert.
- Die Logik hinter jeder automatisierten Entscheidung und Empfehlung muss komplett transparent sein: Softwarenutzer müssen die Berechnungen nachvollziehen und ihnen völlig vertrauen, aber auch Anpassungen vornehmen können, ohne Programmierkenntnisse zu benötigen.
Obwohl der Zugang zu mehr Daten, besseren Algorithmen und höherer Datenverarbeitungsleistung die Entscheidungsfindung immer detaillierter und treffsicherer macht und in zunehmendem Maße automatisiert, ist menschliches Fachwissen weiterhin von enormem Wert. Neue Situationen wie die globale COVID-19-Pandemie, für die kaum Daten zur Modellierung vorlagen, können immer wieder vorkommen (lesen Sie hier mehr über erfolgreiche Strategien von Einzelhändlern zur Bewältigung der Coronakrise). Auch die Umstrukturierung eines Einzelhandelsunternehmens führt zu einer Situation mit geringer Datenlage.
Planen Einzelhändler neue Filialformate oder Dienstleistungen, wird menschliche Expertise besonders wichtig. Ebenso werden sehr komplexe Probleme meist am besten gelöst, wenn menschliche Planer die möglichen Optionen mit Category-Managern oder Lieferanten diskutieren. Selbst wenn es darum geht, die spezifische Handelsstrategie eines Händlers in detaillierte Ziele zu übersetzen, die dann kontrollieren, wie KI die Ergebnisse optimieren soll, ist menschliches Planungs-Knowhow unverzichtbar.
Um bestmöglich von der Expertise ihrer menschlichen Planer zu profitieren, verstärken Einzelhändler deren Wissen mit dem Einsatz von Technologie: Die auf diese Weise erweiterte Intelligenz ist die Fähigkeit, Daten in umsetzbare Informationen und Handlungsempfehlungen zu verwandeln. Die Arbeit der Planer wird dadurch anspruchsvoller, denn Routinearbeiten erfordern weniger Zeit, die so für wertschöpfende Entscheidungen genutzt werden kann. Deshalb müssen moderne Planungssysteme über integrierte, leistungsstarke Analysefunktionen verfügen. Nur dadurch ist garantiert, dass keine Zeit beim Wechsel zwischen mehreren Systemen oder beim Warten auf Berichte verschwendet wird, wenn Entscheidungen getroffen werden müssen.
4. Die richtigen Fragen stellen: Wie Sie Ihre KI-Optionen evaluieren
Vielen Händlern fällt es schwer, einzuschätzen, was künstliche Intelligenz ist und was nicht: Wettbewerber versuchen sich gegenseitig mit ihrem KI-Wissen zu übertrumpfen und werfen mit Klischees wie „Daten sind das neue Öl“ um sich. Gleichzeitig preisen Softwareanbieter jede Berechnung, die eine Tabellenkalkulation übersteigt, als KI an. Wie stellen Händler also sicher, dass sie KI so anwendungsorientiert und pragmatisch einsetzen, dass sie das Unternehmen wirklich voranbringt?
Die einzige Methode, um für Klarheit zu sorgen, ist es, den Technologie-Anbietern genau die Fragen zu stellen, die jeder im Raum im Kopf hat, aber nur wenige laut aussprechen:
- Was meinen Sie genau, wenn Sie sagen, dies sei KI-basiert?
- Welche und wie viele Daten sind erforderlich, damit das funktioniert?
- Wie werden die Daten verwendet? Wie beeinflusst die Qualität der Daten die Ergebnisse?
- Wieso ist die neue Methode besser als die alte, um das Problem zu lösen?
- Haben Sie Praxisbeispiele, die zeigen, wie das in der Realität funktioniert?
- Kann ich mit Kunden sprechen, die diesen Ansatz bereits nutzen?
Jeder von uns hat bereits täglich mit spezialisierter künstlicher Intelligenz zu tun: Bei der Nutzung von Navigationsapps, beim Durchstöbern von Produktempfehlungen im Web oder wenn wir dem Einparkassistenten die Kontrolle über unser Auto überlassen. Künstliche Intelligenz ist keine Magie, sondern einfach clevere Technik.
Wie bei den meisten technologischen Innovationen müssen Sie KI-Algorithmen nicht selbst programmieren oder die Berechnungen nachvollziehen können, aber Sie müssen verstehen, wann etwas funktioniert (und insbesondere, wann nicht) und warum. Künstliche Intelligenz pragmatisch einzusetzen, bedeutet, Geschäftsprobleme zu lösen, um echten Geschäftswert zu erzielen.
