Vom Anbau über die Produktion bis hin zur Vermarktung: Die Integration von KI versetzt die Akteure der Weinbranche in die Lage, ihre Produktqualität zu steigern, betriebliche Effizienzen zu erhöhen und insgesamt präzisere Entscheidungen treffen. Im Folgenden werfen wir einen detaillierten Blick auf konkrete Anwendungsbeispiele:

KI im Weinberg

Bereits im Weinberg wird auf KI und Verfahren des maschinellen Lernens zurückgegriffen.  Unternehmen wie VitiBot oder VineView nutzen maschinelles Lernen und Sensortechnologie, um Weinberge effizienter zu bewirtschaften. Drohnen und Bodenroboter, ausgestattet mit multispektralen Kameras, erfassen Echtzeitdaten zu Bodenfeuchtigkeit, Nährstoffgehalt und Pflanzenstress. Diese werden genutzt, um Vorhersagen zu Bewässerungsbedarf, Schädlingsbefall oder über den optimalen Erntezeitpunkt zu treffen.

Auch die Verbreitung von Krankheiten wie Mehltau lässt sich frühzeitig erkennen. Sensornetzwerke im Weinberg sind in der Lage, mikroklimatische Daten zu erfassen, während KI die Wahrscheinlichkeit eines Ausbruchs berechnet und entsprechende Maßnahmen vorschlägt. Dies spart nicht nur Kosten, sondern führt durch den reduzierten Einsatz von Pflanzenschutzmitteln auch zu Nachhaltigkeitseffekten. Ebenso lassen sich lokale Hagelprognosen durch die erfassten Daten ableiten, wodurch rechtzeitig entsprechende Schutzmaßnahmen eingeleitet werden können.

Das durch das Bundeslandwirtschaftsministerium geförderte Projekt KI-iREPro („Künstliche Intelligenz für innovative Ertragsprognose bei Reben“) zielt darauf ab, ertragsrelevante Merkmale direkt im Weinberg zu erfassen und mittels Methoden des maschinellen Lernens präzise Ertragsprognosen zu erstellen. Dazu werden Daten zu Traubenanzahl, -größe und -gewicht gesammelt und analysiert, um den optimalen Lesezeitpunkt zu bestimmen und die Weinleselogistik effizient zu planen. Ziel ist neben einer verbesserten Weinqualität auch die ressourcenschonende Bewirtschaftung.

KI in der Weinproduktion

Auch im Weinkeller, bei der Weinbereitung, wird inzwischen immer öfter auf KI zurückgegriffen: Schon geringe Schwankungen im Gärprozess können die Qualität des Weins nachhaltig beeinflussen. Mittels Sensoren in den Gärtanks lassen sich Temperatur, pH-Wert und Zuckerabbau überwachen. Unerwünschte Entwicklungen, wie Unterbrechungen des Fermentationsprozesses oder ungewollte Oxidationen lassen sich damit frühzeitig abpassen. Anbieter wie WineGrid leiten aus den gesammelten und aus in der Vergangenheit aggregierten Daten mittels KI Handlungsempfehlungen ab und ermöglichen auf diese Weise ein „Smart Monitoring“ der Weinproduktion.

Noch einen Schritt weiter geht das kalifornische Startup Tastry, das maschinelles Lernen einsetzt, um die chemische Analyse der Weine mit Daten zu Kundenpräferenzen zu verknüpfen. Die KI gibt daraufhin Hinweise, wann Temperatur oder Gärzeit angepasst werden sollten, um den angestrebten Geschmacksprofilen zu entsprechen.

KI im Weinmarketing und der Absatzsteuerung

Die Digitalisierung des Marketings hat natürlich auch schon seit längerem die Weinbranche erfasst. Die Analyse von Konsumentenpräferenzen, personalisierte Empfehlungen auf Basis von Kundenverhalten und Kaufhistorien, wie auch Verfahren des „Next-Best-Offer“-Marketings sind langerprobte Ansätze, die auch im Weinmarketing zum Tragen kommen. Die skizzierten Anwendungsfälle in der Weinbereitung lassen sich dabei mit erfassten Geschmacksprofilen und -präferenzen der Kunden verknüpfen, um perspektivisch auch die Herstellung „individualisierten“ Weins zu ermöglichen.

Ansätze wie der oben beschriebene von Tastry oder auch des BMEL-Projektes PINOT (Projekt zur Entwicklung einer Künstlichen Intelligenz für oenologische Technologie), eröffnen neue Möglichkeiten für das Absatzmarketing. Ziel von PINOT ist die Entwicklung eines Aromadetektors, einer „künstlichen Nase“ für Weinbau und Handel. Mittels KI lassen sich die sensorischen Geschmacksprofile der Weine in natürliche Sprache übersetzen. Auf diese Weise entstehen für den Konsumenten verständliche Weinbeschreibungen, welche die Einkaufsentscheidungen erleichtern sollen. Gewissermaßen ließe sich damit also ein „künstlicher Sommelier“ erschaffen. In Kombination mit dem Rückgriff auf generative KI wären damit weitere Hilfestellungen für den Kunden denkbar, etwa passende Speiseempfehlungen oder aggregierte und aus den Datenmustern abgeleitete Angaben zur optimalen Reifezeit eines Weines.

KI im Weinbau: noch viel Potenzial

Trotz der zahlreichen Anwendungsbeispiele ist der Einsatz von KI im Weinbau, verglichen mit anderen Branchen, noch als eher unterentwickelt zu bezeichnen. Obwohl einige „Leuchtturmprojekte“ existieren, wird das Potenzial in der Breite noch nicht ausgeschöpft. Das liegt sicherlich nicht zuletzt auch an der Fragmentierung der Branche, mit vielen kleinen Betrieben. Gerade aber die stetig geringer werdenden Hürden bei der Nutzung insbesondere generativer KI dürften dazu beitragen, dass findige Marktakteure schnell diese Vorteile für sich zu nutzen lernen.

Mehr zum Thema KI: Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Von Cyborgs und Digitalen Lebewesen: Wie generative KI&VR menschliches Leben (und Sterben) verändern“:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag KI im Weinbau: Anbau, Weinbereitung und Marketing erschien zuerst auf Nerdwärts.de.

Man braucht nicht unbedingt Deep Learning und Big Data, um aus Daten Ableitungen für das Marketing zu gewinnen. Was die Vorliebe für Mayonnaise oder die Haltung zur Legalisierung von Marihuana über einen Menschen aussagt:

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Wie man mit nur fünf Fragen bereits ein aussagekräftiges Profil eines Menschen erstellen kann erschien zuerst auf Nerdwärts.de.

Personalisierung umschreibt allgemein das „Zuschneiden“ eines Angebotes auf bestimmte Personen oder Personengruppen. Die Personalisierung kann nach der erfolgreichen individuellen (Erst-)-Ansprache verschiedene weitere Dimensionen umfassen, von der erstmaligen „Darreichung“ eines Produktes, beziehungsweise einer Dienstleistung, über dessen individuell angepasste Verwendung, bis hin zu zielgerichteten Maßnahmen im Kundenbindungs- und Kundenrückgewinnungsmanagement. Letztlich dient Personalisierung der effektiveren und effizienteren Bedienung der Bedürfnisse des Kunden, der schnelleren und qualitativ höherwertigeren Abwicklung der Interaktionen mit diesem und folglich der Erhöhung der Kundenzufriedenheit sowie der Wahrscheinlichkeit wiederholter Kontakte und Transaktionen. Insofern können Personalisierungsmaßnahmen eines Unternehmens von der Kundengewinnungsphase bis hin zur Kundenbeziehungs- oder sogar der Trennungsphase reichen.

Personalisierung vs. Customization

Der Begriff der Customization ist mit dem der Personalisierung verwandt und wird teilweise auch synonym verwandt. Im Kern lässt sich jedoch hinsichtlich der Akteure eine Unterscheidung treffen: Personalisierung ist als gezielte und aktive Marketingmaßnahme des Unternehmens zu verstehen. Customization umfasst hingegen die Bereitstellung einer entsprechenden Möglichkeit für den Kunden, ein Produkt oder eine Dienstleistung für seine spezifischen Bedürfnisse zu individualisieren, der Kunde „personalisiert“ also selbst innerhalb eines vorgegebenen Rahmens.

Oft spricht man in Bezug auf Personalisierung auch von „Next best action“- oder „Next best offer“-Marketing. Damit wird auf den Paradigmenwechsel hingewiesen, der als Konsequenz aus einem solch dezidierten personalisierten Marketing erwächst: Unter der Maßgabe der Unternehmensziele erfolgt eine intensive Fokussierung auf den Kunden und seine Bedürfnisse. Statt, wie klassischerweise, für ein vorab formuliertes Angebot potenzielle Interessenten zu finden und anzusprechen, wird der Kundendialog situativ entschieden – jeweils nach den in einer spezifischen Konstellation vermuteten Bedürfnissen, Vorlieben und Befindlichkeiten. Es geht also darum, jedem einzelnen Kunden zum „richtigen“ Zeitpunkt das jeweils „richtige“ Angebot zu unterbreiten.

Vom Targeting zur Personalisierung

Technisch baut Personalisierung, auch in den auf die werbliche Ansprache folgenden Phasen, unter anderem auf die Instrumente des Targetings auf und wird durch weitere verfügbare Informationen, insbesondere aus dem unternehmenseigenen Umfeld, angereichert. Daraus werden individuelle Profile erstellt, die eine Zurechnung einzelner Nutzerhandlungen ermöglichen. Aus den erhobenen Daten lassen sich zudem Prognosen über die Interessen und das zukünftige Verhalten der Kunden ableiten. Diese Informationen dienen unter anderem dazu, im Einklang mit den Unternehmens- und abgeleiteten Marketingzielen, den Kunden „ideal“, ohne Friktionen, durch das Angebot zu „leiten“. Je mehr Informationen und auch je mehr Kanäle für die Durchführung des Kundendialogs existieren, umso höher sind die Anforderungen an das Entscheidungssystem. Es liegt auf der Hand, dass hier somit ein geradezu „idealtypisches“ Einsatzszenario für intelligente Systeme und maschinelles Lernen entstanden ist. Entsprechend lassen sich in diesem Kontext zahlreiche Anwendungsbeispiele zur Individualisierung von Angebotsmechanismen mit Hilfe von KI finden.

Recommendation Engines

Das Spektrum reicht von „Recommendation Engines“, die im Online-Shop automatisiert und zielgerichtet Vorschläge für ein „Cross“- oder „Upselling“ und zur Auswahl „passende“ Produktempfehlungen unterbreiten, bis hin zu anspruchsvollen Customer-Journey-Analysen über verschiedene Kontaktpunkte hinweg, die eine vollumfängliche Analyse des Kunden und seiner Vorlieben gestatten, bis hin zu individuellen und automatisch erstellten Ansprachen – wie personalisierten Texten und Webseiten.

Die Ausspielung individueller Produktvorschläge durch „Recommendation Engines“ kennt man schon seit langem im digitalen Marketing. Amazons „Kunden, die das gekauft haben, haben auch gekauft…“ ist ein auch in diesem Buch bereits vielzitierter Klassiker, der auf der Identifizierung von Mustern im Konsumentenverhalten setzt, um aus der Ähnlichkeit von Kundentypen eine effiziente Angebotsunterbreitung abzuleiten. Grundsätzlich sind diese „Empfehlungsdienste“ nicht auf den Bereich des eCommerce begrenzt, auch im Bereich der digitalen Medien kommen sie immer stärker zum Einsatz, wenn es gilt, redaktionelle Inhalte oder Werbebotschaften der Anzeigenkunden zielgerichtet auszuspielen. Auch Akteure wie Netflix oder Spotify greifen intensiv auf derartige Verfahren zurück. Und im Prinzip erfolgt auch die „organische“ Ausgabe der Suchergebnisse bei Google entlang dieser Logik.

Zuschneidung des Angebotes

Meist funktioniert dies über die Quantifizierung des individuellen, potenziellen Interesses eines Nutzers an einem „Angebot“, worüber dann die personelle Ausspielung gesteuert wird. Im Prinzip geht es dabei immer um eine Filterung der insgesamt möglichen Vorschläge, also die Konzentration auf diejenigen, zu denen am ehesten eine Affinität aus dem gesammelten Datenmaterial berechnet werden kann. Während für den Nutzer idealerweise damit mehr „Übersichtlichkeit“ erzielt wird, ist es das Ziel aus Sicht des Unternehmens auf diese Weise das Angebot entlang ökonomischer Kennzahlen zu optimieren. In der Regel geschieht dies mit dem Ziel einer höheren „Conversionrate“, die beispielsweise den Anteil derjenigen, die ein Produkt kaufen beziehungsweise nutzen oder allgemein eine bestimmte gewünschte Handlung ausführen, im Verhältnis zu der Zahl der Nutzer, die insgesamt mit dem Angebot konfrontiert wurden, ausdrückt.

Zwei Arten von Empfehlungen

Grundsätzlich lassen sich zwei Empfehlungstypen beschreiben: zum einen „inhaltliche und kontextuelle Empfehlungen“, zum anderen „kollaborative Empfehlungen“. 

• Inhaltliche und kontextuelle Empfehlungen basieren auf der individuellen Nutzung des Angebotes durch den Nutzer selbst. Aus seinem persönlichem Konsum- und Informationsverhalten sowie aus seinem Umgang mit dem Angebot wird auf bestimmte Neigungen und Interessen geschlossen. Hier spiegelt sich gewissermaßen die Logik des Behavioural Targetings wider.

• Kollaborative Empfehlungen beruhen hingegen auf der Gegenüberstellung mit vergleichbaren Nutzerprofilen („Kunden, die das gekauft haben, haben auch…“). Das entspricht in den Grundzügen der Wirkungsweise des Predictive Behavioural Targetings

Daneben sind auch weitere regelbasierte Formen („Wenn – dann“) von Empfehlungen denkbar. Im Rahmen von Clustering-Verfahren des „Unsupervised Learnings“ könnte KI dabei auch zusätzliche, „neue“ Übereinstimmungen und Regeln identifizieren, die dem menschlichen Auge zunächst verborgen geblieben sind.

Personalisierung & Customization in der Praxis

Eine der weltweit größten Online-Galerien, „Saatchi Art“, die Künstlern damit eine Plattform bieten, um direkt und mit möglichst großer Reichweite in Kontakt zu Kunstliebhabern zu treten, stand vor dem Problem, wie die über die Jahre stark angewachsene Anzahl an Kunstwerken noch marktorientiert und übersichtlich angeboten werden konnte. Bei Produkten wie diesen, die sich nicht einfach nach übereinstimmenden Merkmalen klassifizieren lassen, sondern individuelle „ästhetische“ Qualitäten aufweisen, erweisen sich klassische kollaborative Empfehlungen wie „andere Kunden kauften auch diese Kunstwerke“ oder „weitere Bilder dieses Künstlers“ nur als bedingt zielführend. Stattdessen versuchte man, Muster im spezifischen „geschmacklichen Empfinden“ der einzelnen Nutzer – anhand der Katalognutzung, etwa der Verweildauer auf einzelnen Kunstwerken, und der bisherigen Kaufhistorie zu identifizieren. Mittels Einsatz von Deep Learning sei es gelungen, die Conversion Rate deutlich zu erhöhen, wie ein A/B-Test angeblich belegte.

Ziel: Conversionoptimierung

Die britische Hotelkette „Jurys“ deckte mit Hilfe von Verfahren zur Mustererkennung auf den ersten Blick nicht offensichtliche Zusammenhänge zwischen dem Mediennutzungs- und dem Buchungsverhalten ihrer Kunden auf. Es zeigte sich, dass hierbei eine Korrelation zwischen einer Zimmerbuchung und einem medialen Interesse an Sportthemen bestand, die bisher in dieser Form nicht aufgefallen war. Eine tiefergehende Analyse brachte jedoch zu Tage, dass viele dieser gewonnenen Kunden, zuvor zielgerichtet nach Hotels in unmittelbarer Nähe von Fußballstadien suchten und dies insbesondere an Tagen, an denen Spiele der britischen Premier League terminiert gewesen waren. Ausgestattet mit dieser Erkenntnis erstellte die Hotelkette spezifische Inhalte, um diese Klientel entsprechend aufzufangen und zu kanalisieren. Die Zahl der Conversions konnte somit merklich gesteigert werden.

Koordinierung von Angebot und Nachfrage

Einen weiteren spannenden und vermutlich richtungsweisenden Versuch hat die temporäre Zimmer- und Wohnungsvermittlung „Airbnb“ unternommen. Eine interne Analyse ergab hier, dass es bei der Zimmersuche auf der Plattform notwendig ist, sich nicht nur an den Präferenzen der Mieter zu orientieren, sondern auch diejenigen der Vermieter bei der Ergebnisausgabe der Angebote passender Unterkünfte zwingend miteinzubeziehen. Ein Vertrag kommt schließlich nur dann zustande, wenn die potenziellen Vermieter auch bereit sind, einen bestimmten Übernachtungsgast zu akzeptieren – und nur dann wird auch die entsprechende Provision für Airbnb fällig.

Aus diesen Erkenntnissen entwickelte man ein komplexes Modell zur Verbesserung der Suchergebnisanzeigen, das anschließend in der Realität getestet und anhand der Conversionzahlen (also mit dem Ziel einer steigenden Anzahl von zustande gekommenen Vermietungen) optimiert wurde.

AirBnB: Abgleich Vermieter und Mieter

Ursprünglich hatte man die Relevanz und damit die Sortierung der Suchergebnisse allein an den potenziellen Mieter ausgerichtet, für die neben der Bewertung durch vorherige Nutzer, wohl vor allem Faktoren wie der Preis und der Lage bei der Entscheidung für ein bestimmtes Angebot eine Rolle spielten. Die Kriterien auf der Vermieterseite können – so das Ergebnis der Analyse –  jedoch deutlich variieren. Einerseits dürften diese tendenziell ein Interesse an möglichst wenig belegungsfreien Tagen innerhalb ihrer zeitlichen Angebotsspanne haben. Tatsächlich akzeptierten viele Anbieter eher Gäste, die eine weitgehend lückenlose Belegung ermöglichten. Andererseits steht diesem ökonomisch rationalen Verhalten auch eine eher „gelegentliche Vermietungshaltung“ gegenüber. Diese ließ sich vor allem für „kleinere“ Märkte mit vergleichsweise weniger Angebot an Unterkünften feststellen. Daneben spielten aber auch andere Faktoren eine Rolle: Ein spezifisch unterschiedliches Verhaltensmuster der Anbieter war auch bei der Vorlaufzeit einer Vermietung auszumachen.

Während im Durchschnitt Gastgeber auf Airbnb demnach zwar bevorzugten, eine Buchung mindestens eine Woche im Voraus zu erhalten, fanden sich auch durchaus Gruppen, denen ein sehr kurzfristiger Bezug lieber war. Tatsächlich stellte sich heraus, dass die diesbezüglichen Vorlieben sehr weit auseinanderklafften. Gleiches galt für andere Entscheidungsfaktoren wie die Anzahl der Gäste oder die Art des Aufenthaltes – sei es ein Wochenendtrip oder eine beruflich veranlasste Reise. Diese Erkenntnisse legten den Schluss nahe, dass eine rein durchschnittliche Betrachtung Nachteile birgt hinsichtlich der Optimierung der Conversion Rate, weil dann spezifische Gruppen mit Merkmalen jenseits des Durchschnitts auch eher unspezifisch, also letztlich unbefriedigend, angesprochen werden würden. Stattdessen könne eine sinnvolle, auf jeden Einzelfall abgestimmte Vorgehensweise die jeweils besten Ergebnisse liefern.

Dynamische Modellierung

Durch die Variabilität sowohl der Nachfrage- als auch der Angebotsseite ergibt sich eine Anforderung von hoher Komplexität an den Algorithmus, der die Ergebnisausgabe auf der Plattform steuert. Um nicht nur interessierten Zimmersuchenden ein Angebot zu unterbreiten, sondern auch gleichzeitig eine Übereinstimmung zwischen den Anbietern und Nachfragern auf der Web-Plattform erzielen zu können, bedarf es einer „dynamischen Modellierung“ mit dem Ziel, im Verhältnis zu den Ausgaben der Suchergebnisse möglichst viele Mietvereinbarungen zustande kommen zu lassen. Für jede Suchanfrage eines möglichen Gastes auf der Website berechnet das System nun die Wahrscheinlichkeit, dass ein dafür relevanter Anbieter auch bereit ist, diesem eine Unterkunft zu vermieten. Dies bestimmt dann, neben den durch die Mietpräferenz geprägten Faktoren, an welcher Stelle das jeweilige Suchergebnis in der Ergebnisanzeige ausgeben wird. Erreicht wurde dies über eine mechanisierte Auswertung vorliegenden Datenmaterials und dem Training mittels „echter“ Praxisdaten und einer laufenden „Nach-Modellierung“ anhand originärer Sucheingaben mit dem Zielkriterium der Optimierung der Conversion Rate. 

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Personalisierung in der Kundenkommunikation mittels KI erschien zuerst auf Nerdwärts.de.

Der berühmte „Target“-Case oder was unser Kaufverhalten über uns aussagt.

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Die Schwangere im Supermarkt… und was Daten über uns aussagen erschien zuerst auf Nerdwärts.de.

Der Prozess der Preisfindung hat sich seit dem Aufkommen des Internets deutlich verändert. Schon immer bestand die Herausforderung darin, Informationen über das Verhalten der Konsumenten korrekt erheben und verarbeiten zu können, um die Preisbereitschaften der Kundschaft „optimal“ aus Unternehmenssicht zu identifizieren. Die Datenmenge, die hierzu durch die fortschreitende Digitalisierung bereitsteht, lässt sich schon seit geraumer für „dynamisierte“ Preisfestsetzungsverfahren nutzen. Dieses „Dynamic Pricing“ finden wir heute nicht nur im E-Commerce, wo entlang der vorliegenden Nutzerdaten individuell Angebote unterbreitet und unterschiedliche Preise aufgerufen werden. Auch im stationären Handel existieren zunehmend „digitale“ Preisauszeichnungen, die je nach Nachfrage oder Lagerbestand automatisch justiert werden können, auch sind durchaus Entwicklungen denkbar, die dabei auch vorliegende Informationen über potenzielle Käufer bei der Kalkulation miteinbeziehen.

Dynamic Pricing mit Künstlicher Intelligenz

Durch den Einsatz von Künstliche Intelligenz (KI), gewinnen diese Ansätze weiter an Bedeutung. Verfahren des maschinellen Lernens helfen dabei, eine Vielzahl von „Signalen“ und „Dateninputs“ zu verarbeiten. Autonome intelligente Systeme sind nun zunehmend in der Lage, sich in „Echtzeit“ permanent ändernden Rahmenbedingungen anzupassen und situativ und individuell den „besten“ Preis für ein Produkt oder eine Dienstleistung festzulegen. Das erfasst grundsätzlich alle digital getriebenen Transaktionen – im eCommerce genauso wie bei der Automatisierten Werbemittelausspielung im Rahmen des „Programmatic“ bzw. „Real Time Advertising“.

Aus einer großen Menge an Datenpunkten lassen sich Muster im Nachfrageverhalten und bei den entsprechenden Preisbereitschaften identifizieren. Aus der Kombination von historischen wie auch Echtzeitdaten wird versucht zu errechnen, wie ein Kunde auf eine bestimmte Preisanpassung voraussichtlich reagiert. Ziel ist dabei, die jeweils situative „Preis-Absatz-Funktion“, die beschreibt, welcher Absatz zu einem bestimmten Preis generiert werden kann, zu simulieren und hinsichtlich des Umsatzes oder auch mit Blick auf den jeweiligen Deckungsbeitrag zu optimieren. Kombiniert wird dies oft mit einer allgemeinen Absatzprognose, die sich an die Erwartungen für den Gesamtmarkt anlehnt und die Disposition und Lagerhaltung beeinflusst. Auch diese Informationen fließen möglicherweise bei der Preisbildung mit ein.

Maschinelles Lernen & Preismodelle

Im Prinzip erstellt man hierzu zunächst ein Modell, das mit den bestehenden „fixen“ und historischen Daten – Ausgangspreis, Datum, bisheriger Absatz, etc. – gefüttert und trainiert wird. Auch bereits identifizierte Muster und Zusammenhänge können dabei herangezogen werden. Anschließend beginnt das „adaptive“ Lernen in der Praxisumgebung. Die getätigten Transaktionen und die daraus gewonnen „Preiserkenntnisse“ werden zur Anpassung des Preismodells durch das System herangezogen, dabei kommen „Preisversuche“, zunächst nach dem Prinzip „Trial and Error“, später entsprechend optimiert, zum Einsatz. Dies liefert dann die Grundlage für eine möglichst exakte „Vorhersage“ der idealen Preise in einer bestimmten Transaktionssituation.

„Surge Pricing“ bei Uber

Der US-amerikanische Taxi-Dienst Uber bedient sich einer Kombination aus Dynamic Pricing und Personalisierung. Das Unternehmen bietet ein als „Surge Pricing“ bezeichnetes Verfahren an, das je nach Auftragsaufkommen die Preise für eine Transportfahrt automatisch anpasst. In der Vergangenheit wurden dabei neben der Nachfrage in einer Region auch Merkmale wie Treibstoffkosten und Fahrtdauer berücksichtigt. Seit einiger Zeit greift ja man jedoch dabei auch auf „soziologische“ und behavioristische Faktoren zurück, die spezifische Verhaltenszusammenhänge beschreiben, welche über maschinelle Mustererkennung identifiziert wurden. So stellte man etwa fest, dass unabhängig von der Dauer und der Entfernung eine erhöhte Preisbereitschaft existierte, wenn eine Fahrt von einer einkommensstärkeren Gegend in eine andere, ebenso vermögende anstand. Uber wertet dazu eine Menge verschiedenster Daten aus. Dazu zählt unter anderem auch der Batteriestand des Smartphones, mit dem eine Fahrt gebucht werden soll. Diese Informationen stehen zur Verfügung, weil die App sich bei der Installation den Zugriff darauf genehmigen lässt, vorgeblich, um später rechtzeitig in den Energiesparmodus schalten zu können. Hierbei ließ sich ein Muster ermitteln, das Zusammenhänge zwischen einem niedrigen Akkustand und einer erhöhten Preisbereitschaft nahelegt. Was zunächst nicht offensichtlich erschien, erwies sich nach Identifizierung durch einen Cluster-Algorithmus als nachvollziehbar: Offenbar war die Angst der Nutzer so groß, in bestimmten Situationen mangels Kontaktmöglichkeit ohne ein adäquates Transportmittel dazustehen, dass man dann Preise akzeptierte, die ohne diesen Druck niemals zustande gekommen wären.

Dynamic Pricing für jedermann

Inzwischen werden solche Lösungen auch zunehmend standardisiert. Durch maschinelles Lernen gesteuertes Dynamic Pricing lässt sich über Anbieter entsprechender Software inzwischen auch in gewöhnlichen Online-Shops integrieren und an die individuellen Anforderungen der Betreiber anpassen.  

Der Einsatz von KI in der Preisbildung ist jedoch nicht allein auf die digitale Online- und Mobile-Welt beschränkt, auch außerhalb des WWW, in vermeintlich klassischen „offline“-Umgebungen finden die Technologien immer häufiger Verwendung. Auch klassische Supermärkte verfügen über „digitale Preisschilder“, die sich „dynamisch“ bespielen lassen. Dabei kann eine Vielzahl von Daten verwendet werden, um situations- oder profilgenaue Kaufbereitschaften abzudecken. Ansätze in China zeigen, wie weit diese Entwicklung reichen könnte. Der Handelsriese „AliBaba“ setzt dazu Kameras mit Gesichtserkennungssoftware in Kombination mit Produkt-Trackings über RFID-Chips ein.  Auch andernorts werden per Kamera die Verhaltensweisen der Ladenbesucher analysiert: welche Produkte nehmen diese in die Hand und welche legen sie wieder zurück, welche Körperhaltung nehmen sie dabei ein, etc. Perspektivisch sollen diese Informationen über Gesichtserkennung auch mit der Einkaufhistorie der Kunden verknüpft werden.  Der Rückgriff auf künstliche neuronale Netze verspricht dann potenziell eine Echtzeitanpassung der unterschiedlichen Preise, kundenindividuell und auf den jeweiligen Wettbewerb angepasst.  

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Dynamic Pricing mit Künstlicher Intelligenz erschien zuerst auf Nerdwärts.de.

Standortbezogene Informationen: Location Based Services

Typische Anwendungen in diesem Bereich sind standortbezogene Restaurant- und Shoppingempfehlungen, die auch einem ortsunkundigen Nutzer helfen sollen, entsprechende Angebote in seiner aktuellen direkten Umgebung zu identifizieren und dann zielsicher über die Navigationsfunktion des Telefons anzusteuern (Beispiele: Yelp, Google Now). Lokale Händler könnten LBS beispielsweise dazu nutzen, um Laufkundschaft gezielt mit Rabatten und spezifischen Angeboten in das jeweilige Ladengeschäft zu locken.

Indoor, auf kurze Distanz: Proximity Marketing

Weil GPS in geschlossen Gebäuden kaum oder nur sehr eingeschränkt funktioniert, sind LBS-Anwendungen in der Regel auf Outdoor-Aktivitäten beschränkt. Für den Indoor-Gebrauch erweisen sich andere Technologien wie NFC („Near Field Communication“) oder Bluetooth vielversprechender. Diese Ansätze werden in Abgrenzung zu LBS und Location Based Marketing als Proximity Marketing umschrieben. Beim NFC-Verfahren, das auf der RFID-Technik („Radio Frequency Identification“) beruht, anders als diese aber eine zweiseitige Kommunikation ermöglicht, werden kontaktlos, über Radiowellen, Daten über sehr kurze Distanzen ausgetauscht. Benötigt werden dazu auf Sender- wie auf Empfängerseite die sogenannten „NFC-Tags“, kleine Chips in Reiskorngröße, die heute standardmäßig in den meisten Smartphones verbaut sind.

Verwendung auch jenseits von Mobile Payment

Aktuell beschränkt sich die Verwendung von NFC oft auf Mobile Payment, also Bezahlverfahren mit Chipkarte oder Handy. Allmählich entwickeln sich jedoch auch weitere Nutzungsansätze, etwa zur direkten werblichen Ansprache, wenn beispielsweise im Ladengeschäft direkt Informationen oder auch spezifische Rabattangebote übermittelt werden sollen. Ferner sind Ticketingfunktionen, bei denen via NFC das Smartphone als digitale Eintrittskarte genutzt wird, denkbar. Die NFC-Technologie gilt insbesondere im Vergleich zur WLAN-Übertragung vor allem wegen der notwendigen kurzen Distanz zwischen Sender und Empfänger als relativ datensicher.

Datenerhebung vor Ort

Händlern, die solche Services anbieten, eröffnet sich jedoch die Gelegenheit, aussagekräftige Kundendaten aufgrund der Nutzung der NFC-Dienste zu erheben. Durch die eindeutige Identifikation des Gerätes und somit des Nutzers, lassen sich ausgetauschte Daten diesem eindeutig zuschreiben. Je nach Einsatz sind dann Aussagen über Kaufverhalten, Preissensibilität oder die Wirkung von Werbemaßnahmen am Point-of-Sale möglich. Darüber ließen sich des Weiteren eine Personalisierung von Angeboten und die Individualisierung von Kommunikationsmaßnahmen ableiten, etwa die Bereitstellung von Informationen zu verwandten Produkten oder auf den Nutzer und sein Einkaufsverhalten abgestimmte Coupon- und Rabattangebote (Singer 2016, S. 48).

Bluetooth Low Energy als neuer Standard im Proximity Marketing?

Neben NFC rückt in jüngerer Zeit ein weiterer Funkstandard in der Verwendung im Proximity Marketing verstärkt in den Vordergrund – BLE, „Bluetooth Low Energy“. Diese auf der klassischen Bluetooth-Technologie aufsetzende, aber energiesparendere Funktechnik, bildete auch die Grundlage für Apples iBeacon-Vorstoß, mit dem ein neuer Standard zur Indoor-Navigation etabliert werden sollte, der auch für Androidgeräte verfügbar ist. Im Vergleich zu NFC ist mit BLE auch ein größerer Funkradius mit bis zu zehn Metern möglich. Für die Nutzbarmachung von BLE werden in einem geschlossenen Raum Sendemodule – bei Apple die „iBeacons“ – in entsprechender Entfernung angebracht, die automatisch mit anderen BLE-Modulen Verbindung aufnehmen. Auf diese Weise lässt sich ein Smartphone mit aktivierter BLE-Funktion exakt lokalisieren. Analog zu NFC sind auch inzwischen die meisten neuen Mobiltelefone mit BLE ausgestattet.

Individualisierte Kundenkommunikation

Die Anwendung von BLE im Marketing entspricht der des NFC-Ansatzes. Durch die exakte Ortung eines Nutzers (bzw. dessen Endgerätes) ist es möglich, detaillierte Bewegungsprofile innerhalb eines Raumes zu erstellen, was ein äußerst feinjustiertes ortsbezogenes Targeting und damit eine direkte und individualisierte Kundenkommunikation ermöglicht. Durch die größere Reichweite werden zudem gegenüber NFC die Bedingungen der „In-Store-Navigation“ erheblich vereinfacht. Der stationäre Einzelhandel kann auf diese Weise den Kunden im Ladengeschäft zielgenau durch das Warenangebot führen.

Technische Überlegenheit von BLE?

Aufgrund der technischen Überlegenheit wird inzwischen oft davon ausgegangen, dass BLE die NFC-Technologie im Proximity Marketing ablösen wird. Allerdings weisen sämtliche Verfahren – des Weiteren ließen sich hier die noch nicht flächendeckend erprobten und auf der LED-Technik basierenden „Light Field Communication“- und „LED Based Indoor Positioning“-Ansätze anführen – in diesem Umfeld aktuell noch eine sehr begrenzte Verbreitung und zudem eine noch beschränkte Akzeptanz auf; letztere ist vor allem auf Vorbehalte der Nutzer hinsichtlich des Datenschutzes zurückzuführen, wie eine Studie der Hochschule Hof kürzlich belegte (Singer 2016, S.111). Da allen ortsbezogenen Marketingansätzen gemein ist, dass die Nutzer zu irgendeinem Zeitpunkt die jeweilige Ortungsfunktion zumindest einmal selbst aktiviert haben müssen, könnte sich dies als ernstzunehmende Hürde erweisen.

Chancenausgleich für Stationären Handel?

Grundsätzlich sind die Instrumente des Location Based Services und Proximity Marketing jedoch geeignet, zumindest in Teilen eine gewisse Chancengleichheit des stationären Einzelhandels mit den reinen Onlineakteuren wiederherzustellen. Indem die Tracking- und Profilierungstechniken aus der Onlinesphäre in das analoge Tagesgeschäft übertragen werden, ist es möglich, die eigenen Stärken des „vor-Ort-seins“ und des persönlichen und direkten Kundenkontaktes mit den bestehenden digitalen Möglichkeiten zu verbinden und daraus eine nachhaltige Geschäftsstrategie abzuleiten.

Die Studie zur Akzeptanz von Proximity Marketing kann hier heruntergeladen werden.

Der Beitrag ist ein Exzerpt aus:
Wagener, Andreas (2018): Marketing 4.0 In: Wolff, Dietmar / Göbel, Richard (Hrsg.). Digitalisierung: Segen oder Fluch. Wie die Digitalisierung unsere Lebens- und Arbeitswelt verändert, http://www.springer.com/de/book/9783662548400

Quellen:
Singer, Maximilian (2016): Online goes Offline im modernen Einzelhandel. Eine Untersuchung zur konsumentenseitigen Akzeptanz des Einsatzes verschiedener Funktechnologien im stationären Einzelhandel und die damit verbundene Bedeutung von Kundendaten. In: Wagener, Andreas (Hrsg.). Hofer Akademische Schriften zur Digitalen Ökonomie, Bd. 5, Hochschule für Angewandte Wissenschaften Hof,
https://opus4.kobv.de/opus4-hof/frontdoor/index/index/docId/73

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Digitaler Vertrieb im stationären Handel: LBS & Proximity Marketing erschien zuerst auf Nerdwärts.de.