Machine-Learning im Lebensmittelhandel

von Dr. Peter Kauf

Wenn das Stichwort „Künstliche Intelligenz“ über einem Online-Artikel thront, ist dieser Text meist mit Bildern von Robotern versehen, die ein menschliches Erscheinungsbild haben. Künstliche Intelligenz (KI) nimmt aber sehr häufig eher nicht-gegenständliche Formen an. So wie das Programm AlphaGo, welches im März 2016 den stärksten Go-Spieler der Welt ziemlich klar besiegte. Woran man auch eher nicht denkt: dass Künstliche Intelligenz unbemerkt immer mehr in unseren Alltag drängt. Seien es Chatbots, die uns einen menschlichen Kundenservice vorgaukeln, intelligente Lautsprecher, die uns personalisierte Nachrichten vorlesen oder der Streaming-Service, der unsere musikalischen Vorlieben sehr genau kennt. Hinter solchen Angeboten steht KI und häufig im Speziellen eine Technologie, die mit dem Oberbegriff „Machine-Learning“ bezeichnet wird.

Mit Hilfe des maschinellen Lernens erkennen IT-Systeme Muster in Datenbeständen und entwickeln eigenständig Lösungen für Probleme. Damit ist Machine-Learning-Technologie die Einlösung des Versprechens, was das Buzzword „Big Data“ bislang eher schlecht einhalten konnte. Das Einsammeln von immer mehr Daten bringt allein noch keinen großen Vorteil (und ist eigentlich auch keine große Kunst), sondern erschwert sogar Entscheidungen auf Basis des Datenbestandes – je größer der Heuhaufen, desto schwieriger ist die Nadel darin zu finden. Erst das Identifizieren von Korrelationen und Ableiten von Regeln zum Beispiel für Prognosen schöpfen den Mehrwert aus dem eigenen Datenschatz. Häufig ist dieses Erkennen von Zusammenhängen noch ein Betätigungsfeld menschlicher Intuition. Darum ist der Beruf des Data Scientist aktuell gefragter denn je.

Je mehr Daten wir aber sammeln, desto schwieriger wird es selbst für erfahrene „Auguren“ die Zusammenhänge so zu erkennen, dass der Blick in die Zukunft mit den tatsächlich eintretenden Realitäten zusammenpasst. Machine-Learning kann insbesondere dort helfen, wo so genannte externe Faktoren die Daten beeinflussen. Wie zum Beispiel im Lebensmittelhandel.

Warum gerade im Lebensmittelhandel?

Das Handling von großen Informationsmengen gehört schon lange zum Alltagsgeschäft im Lebensmittelhandel. Ein gut sortierter, durchschnittlicher Supermarkt in Deutschland hat etwa 12.000 Artikel im Angebot, etwa die Hälfte davon machen frische Produkte aus. Insbesondere diese Gruppe, die von Obst und Gemüse über Fleisch und Fisch bis hin zu Fertigpasta und Brot reicht, wird stark von externen Faktoren wie Wetter, Promotionen oder Feiertagen beeinflusst. Diese Komplexität führt bei der klassischen Planung des zukünftigen Absatzes (z.B. mit reinen Zeitreihenanalysen) dazu, dass die geplanten Mengen sich mehr oder weniger stark vom tatsächlichen Kaufverhalten der Kunden unterscheiden. Die Folge sind entweder Abschreibung (Stichwort: Lebensmittelverschwendung) oder ein fehlendes Angebot, was die Kundenzufriedenheit und den Umsatz negativ beeinflusst. Es gibt also einen eindeutigen Bedarf, die Prognosegenauigkeit zu verbessern.

Heute versuchen Absatzplaner den Einfluss der externen Faktoren mithilfe ihres antrainierten Bauchgefühls in ihre Voraussagen über den zukünftigen Abverkauf einfließen zu lassen. Da es sich um recht komplexe Zusammenhänge handelt, wobei z.B. auch verschiedene Faktoren sich gegenseitig beeinflussen, hängen die Ergebnisse stark von der Erfahrung des Planers ab. Es bleibt allerdings der menschliche „Makel“, dass nicht wirklich alles berücksichtigt werden kann. Algorithmen hingegen können im Prinzip alles berücksichtigen, was sich in Daten abbilden lässt, oft fehlt aber gerade im Handel die notwendige Datenbasis.

Wenn die Daten fehlen, wie kann dann Machine-Learning dem Lebensmittelhandel weiterhelfen? Indem die Stärken von Menschen (Intuition) und Maschinen (Handling von Komplexität) kombiniert werden. 

Warum ist ein Benutzer-zentrierter Ansatz hier besser als ein reiner Maschinenansatz?

Allerdings steht der Mensch heute in den Heilsversprechen der Digitalisierung eher oft am Rande der technologischen Entwicklung. Planung soll automatisiert werden – der Mensch wird Zuschauer, Kollege Algorithmus übernimmt.

Der schnelle Wandel in Marketingstrategien im Lebensmittelhandel erlaubt aber typischerweise keine umfangreichen Datenhistorien für einzelne Artikel. Darüber hinaus gibt es wiederkehrende typische Szenarien wie Weihnachten oder Ostern, bei denen zu wenige Informationen zusammenkommen, um eine genaue Vorhersage anhand eines Algorithmus zu errechnen. Es gibt auch Situationen, die allein anhand der Daten gar nicht erklärbar sind, z.B. wenn eine Charge aufgrund mangelnder Qualität gar nicht in den Verkauf gelangt. Reine Maschinen-basierte Planung kann hier nur scheitern.

Der Vorteil der Kombination von Mensch und Maschine besteht aber nicht nur darin, dass bestimmte Prognosen überhaupt berechnet werden können. Die Einführung eines solchen von Menschen trainierbaren Systems erfolgt deutlich schneller als bei einem Ansatz, bei dem die Maschine eigenständig versucht, die Zusammenhänge zu lernen. So kann ein solches System direkt in den operativen Betrieb übernommen werden und muss nicht erst einmal über sehr lange Zeit parallel zum Tagesgeschäft im Trainingsmodus bleiben.

Lernen hat darüber hinaus im Team Mensch-Maschine keine klare Rollenverteilung. Dadurch, dass das Lernen bzw. die Bewertung von Faktoren systemimmanent ein transparenter Prozess sein muss, können unerfahrene Disponenten schnell von dem Wissen der erfahrenen Planer profitieren, da deren Input schon vom System verwertet wurde.

Wie wird Machine-Learning den Lebensmittelhandel verändern?

Machine-Learning wird die Arbeit in vielen Branchen in Zukunft nachhaltig verändern, der Lebensmittelhandel ist da keine Ausnahme. Wie erfolgreich diese digitale Transformation ist, hängt aber unter anderem davon ab, ob die Unternehmen den Wandel als Verdrängungskampf anlegen oder die Menschen in diesen Prozess stets integrieren. Dabei geht es um Akzeptanz, aber eben auch um das nüchterne Ergebnis.  In sehr vielen Fällen zeigt sich, dass das wahre Potenzial der Technologien in der Kombination von Mensch und Maschine besteht. Der Lebensmittelhandel wird mit Machine-Learning deutlich effizienter arbeiten und so auch Lebensmittelverschwendung signifikant vermindern können.



Diese Beiträge könnten Sie auch interessieren

Augmented Reality in der Logistik: Wegweiser in der Brille

Lesen

Die Halloween Supply Chain

Lesen

Operations Research ist das Salz in der “Industrie 4.0“-Suppe – ein Interview mit Prof. Dr. Marco Lübbecke

Lesen

Über den Autor

  • Dr. Peter Kauf

    Dr. Peter Kauf ist CEO und Mitbegründer der PrognosiX AG, die im Juli 2014 als Spin-Off der ZHAW Zürcher Hochschule für Angewandte Wissenschaften gegründet wurde.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben