Machine Learning Wie KI und BI den Handel und die Fertigung unterstützen

Anbieter zum Thema

Treston Deutschland GmbH

Schneider Electric GmbH

KALTENBACH.SOLUTIONS GmbH

Comarch Software und Beratung AG

Business Intelligence und künstliche Intelligenz arbeiten bei Datenanalysen immer enger zusammen und die Übergänge werden zunehmend flüssig. Wie konkrete Einsatzszenarien in den Bereichen Großhandel, Einzelhandel und Fertigung mit ERP-Systemen gestaltet werden.

Business Intelligence (BI) wird vor allem für Zukunftsprognosen eingesetzt. So lassen sich Trends für die Zukunft ableiten und auch Sondereffekte wie Aufträge oder Werbeaktionen einkalkulieren. Dabei werden die Analysen auf Basis allgemeiner Statistiken durchgeführt. Die Zahlenreihen werden exponentiell geglättet und auf der Grundlage von mathematischen Formeln errechnet. Mit festen Parametern und dem Input aus historischen Zeitreihen kann eine BI-Software in die Zukunft rechnen und einen erklärbaren Output liefern.

KI macht Analysen schneller und flexibler

Das Allgemeine Ziel bei solchen Analysen ist es, möglichst präzise Ergebnisse zu erzielen. Dazu können KI-Systeme eingesetzt werden, die Modelle auslesen können. Das Modell wird mit Einsatzparametern und Gewichtung von Menschen entsprechend der eigenen Pläne und Ziele gesteuert: Wenn ein Schwellwert in den Daten aus dem ERP überschritten wird, wird dies im Output ausgegeben. Künstliche Intelligenz benötigt diese Eingangsparameter, welche dann die künstlichen Neuronen und deren Gewichtung steuern, um einen Schwellwert auslösen.

Zahlen lassen sich mit KI-Systemen automatisierter und viel tiefer erforschen, wenn ein Prinzip von Ursache und Wirkung durch die Künstliche Intelligenz aufgedeckt wurde. Der Wert wird in Relation gebracht und steht schließlich zum Beispiel für die Absatzprognose bereit.

Welcher Lerntyp ist Ihre Maschine?

Wichtig ist, dass nicht jede KI gleich denkt. In der Praxis wird zwischen folgenden Lernansätzen unterschieden:

• Überwachtes Lernen: Hier sind die Ergebnisse, die das System anhand des Eingabemusters ausgeben soll, bereits bekannt. Angenommen ein Eingabemuster besteht aus 10.000 Transaktionen, von denen 100 als betrügerisch einzustufen sind, dann werden die Ergebnisse (das Ausgabemuster) dahingehend überprüft, ob das System diese 100 Betrugsfälle als solche erkannt hat.

• Nicht überwachtes Lernen: Dem System soll beigebracht werden, selbstständig Muster in den Eingabedaten zu erkennen. Ein Beispiel für dieses Lernverfahren ist der K-Means-Algorithmus, mit dem Kunden anhand ihrer Daten in homogene Gruppen mit ähnlichen Verhaltensmustern/Präferenzen segmentiert werden.

• Bestärkendes Lernen: Dieses Verfahren kommt beispielsweise bei Systemen zum Einsatz, die mit Hilfe von Algorithmen Schach spielen und belohnt werden, wenn sie gewinnen oder ein bestimmtes Ergebnis erzielen.

Kombination von KI und BI vereinfacht Prozesse

Je mehr und je unterschiedlicher die eingespielten Daten, desto mehr Abweichungen müssen interpretiert werden. Eine vorherige Gewichtung der Daten im BI-Tool und eine anschließende Optimierung sind also von Vorteil. Dieses Gewichten fördert wieder das Expertenwissen der Künstlichen Intelligenz, was Daten beherrschbar macht.

Digitalisierung

Industrial Analytics – Grundlagen und Definitionen

KI-Selling im Einzelhandel

Im Einzelhandel kann Künstliche Intelligenz auf vielfältige Weise genutzt werden, um durch eine Steigerung des Verkaufs und die Erhöhung der Margen Unternehmensgewinne zu erzielen. In einem ersten Schritt tragen KI-Systeme mittels statistischer Verfahren und k-Means-Algorithmen zu einem besseren Verständnis des Kunden bei und ermöglichen die Bestimmung homogener Kundengruppen (Kunden mit vergleichbarem Einkaufsverhalten und ähnlichen Präferenzen).

Anschließend kommen Prognosealgorithmen zum Einsatz, um Kunden zu einem bestimmten Verhalten zu motivieren und damit Cross-Selling oder (dank Warenkorbanalyse) Up-Selling zu erreichen. Hierbei erfolgt eine präzise Kundenausrichtung von Angeboten und Marketingkampagnen sowie die Bewerbung von Ersatzprodukten, sollte ein angebotenes Produkt im Lager nicht mehr vorrätig sein. Am häufigsten bedient man sich dabei der Strategien Next-Best-Offer (Erstellung von Angeboten anhand der Kaufhistorie des Kunden und seines aktuellen Warenkorbs) und Next-Best-Action (Vorschläge für den nächsten Schritt in der Interaktion mit dem Kunden).

gesponsertKI in der Qualtiätssicherung

Wie KI das Product Life Cycle Management optimiert

KI-Analysen im Großhandel

Im Großhandel kann KI auch zur Unterstützung von Back-Office-Prozessen genutzt werden. Die vorausschauende Analyse der Verkaufszahlen ermöglicht die Definition von Algorithmen für die automatische Lagerauffüllung. In der Kundenanalyse unterstützt KI zum Beispiel die Festlegung passenderer Kreditlimits oder eine genauere Einschätzung der Zuverlässigkeit des Käufers. Zudem können Aktionen genau analysiert werden sowie Einflüsse von Kampagnen auf die Verkaufsprognosen (Menge, Margen) genau unter die Lupe genommen werden.

KI-Bestandsplanung in der Fertigung

Im Industriesektor gibt es ebenfalls zahlreiche Einsatzmöglichkeiten für Künstliche Intelligenz. Neben der Bilderkennung kann Künstliche Intelligenz bei der Entwicklung der Produktionstechnologie, der optimalen Auswahl von Ersatzgütern/-stoffen oder der Aufrechterhaltung idealer Bestandsmengen hilfreich sein. Auch die Optimierung der Auslastung von einzelnen Produktionslinien und Fertigungsinseln lässt sich durch die Verwendung von KI vereinfachen.

Neben den in ERP-Systemen gespeicherten Daten sind dabei Daten aus IoT-Plattformen für KI von besonderem Interesse. Die Integration von ERP-Systemen sowie Messdaten von Maschinen, Produktionslinien und Fertigungsinseln macht den Einsatz von Künstlicher Intelligenz in der Analyse der Produktionsprozesse möglich. Zudem können Qualitätsprüfungen durch die Auswertung von Bilddaten oder Qualitätskontrollen durch eine Auswertung von Messergebnissen mit Erkennung von Anomalien durchgeführt werden.

Interview

„Wer zukunftsfähig sein möchte, muss die Zukunft auch gestalten“

Dieser Beitrag ist ursprünglich auf unserem Partnerportal Industry of Things erschienen.

(ID:48430251)