Künstliche Intelligenz für Business Analytics

Die Globalisierung, eine möglicherweise entstehende Ressourcenknappheit, deutlich erhöhte Komplexität der Märkte und der Aufstieg der BRICS-Länder sind die größten Herausforderungen für die führenden Industrieländer der letzten Jahre. Für diese Nationen und die dort beheimateten Unternehmen besteht die Hauptaufgabe für die nächsten Dekaden darin, die vorhandenen Produktionskapazitäten wesentlich effizienter auszunutzen und ein Umfeld für hoch entwickelte Industrieprodukte zu gewährleisten. Um diesen Herausforderungen gerecht zu werden, konzentriert man sich vornehmlich auf Subventionspolitik und Forschungsaktivitäten zu komplexen Konzepten wie der „Digitalen Fabrik“ [1], „Industrie 4.0“ [2] oder generell „Intelligente Produktionssysteme“ [3]. Neben dieser großen Veränderung liegt ein weiterer Fokus auf der Einführung einer Vielzahl von Systemen zur Steuerung, Optimierung und Kontrolle der bestehenden Betriebsprozesse. Das Hauptziel dieser Maßnahmen ist dabei, die vollständige Digitalisierung und Integration aller Prozesse des Produktlebenszyklus inklusive der Lieferketten anzustreben.

McCarthy definiert Künstliche Intelligenz als „[…] die Wissenschaft und Technik der Schaffung intelligenter Maschinen, insbesondere intelligenter Computerprogramme“. Die Disziplin steht im Zusammenhang mit der Aufgabe, Computer zum Verständnis der menschlichen Intelligenz zu nutzen. Damit stützen auch viele Teilbereiche und Methoden der KI sich auf biologische Muster und Abläufe, die KI ist aber nicht nur auf diese biologisch beobachtbaren Methoden beschränkt.

Bei dem Begriff der Datenhaltung denkt man sofort an die klassische Datenbank und das relationale Datenbankmodell. Aber auch hier hat der technische Fortschritt die Auswahl in den letzten Jahren erheblich kompliziert. Im Rahmen von BA-Projekten gilt es aber erst mal zwischen zwei grundlegenden Ansätzen der Datenhaltung zu unterscheiden: dem Datawarehouse (kommt am nächsten an die klassische Datenbank heran) und dem Data Lake.

Die Veränderungen im Einzelhandel in den letzten Jahren waren vielfältig: Die Globalisierung hat dazu geführt, dass internationale Wettbewerber Zugang zu den Märkten erhalten haben und nun Produkte in gleicher Qualität zu niedrigeren Preisen anbieten können. Darüber hinaus treten andere Marktteilnehmer, insbesondere aus dem E-Commerce, in den ohnehin schon hart umkämpften Markt ein und verschärfen damit den Wettbewerb. Dies und andere Faktoren haben zu einem zunehmenden Verdrängungswettbewerb geführt, nicht nur aufgrund von Überkapazitäten, sondern auch aufgrund stagnierender Gesamtmarktvolumina. Der Spielraum für die Preisdifferenzierung ist insgesamt geringer geworden, da in vielen Produktkategorien eine „technisch-funktionale Harmonisierung“ stattgefunden hat. Aufgrund der Ähnlichkeit von Sortimenten und Geschäftsarten im Einzelhandel – insbesondere im Lebensmittelsektor – ist der Einzelhandelspreis weitgehend das einzige verbleibende Wettbewerbsinstrument. Die erhöhte Preistransparenz der Verbraucher beruht auf der erhöhten Transparenz durch die allgegenwärtige Verfügbarkeit des Internets und der Preissuchmaschinen und -vergleiche. Der (positive) Zusammenhang zwischen Kundenzufriedenheit und Kaufbereitschaft ist wissenschaftlich nahezu unbestritten [1–5] und könnte neben der Preisorientierung als weiteres Wettbewerbsinstrument im deutschen Lebensmitteleinzelhandel genutzt werden. Das veränderte Kundenverhalten und die breitere Verfügbarkeit von Informationen sollen nicht nur den Kunden zugutekommen, sondern auch den Händlern zu ihrem eigenen Vorteil dienen. Das vorgestellte Forschungsprojekt stellt eine Fallstudie des stationären Einzelhandels mit einer bestehenden, auf Standardsoftware basierenden Retail-Systemarchitektur vor.