Der Einzelhandel ist heutzutage von riesigen Datenmengen und geringen Margen geprägt, und manuelle oder auf Tabellenkalkulationen basierende Entscheidungen können mit beidem nicht Schritt halten. Zudem ist es nicht einfach, die veralteten, regelbasierten Systeme durch eine Lösung zu ersetzen, die sich anhand der von Ihnen angestrebten Ziele optimal an Ihre Anforderungen anpasst.
Die Lösung dieses technischen Problems – nämlich den Weg von Ihren Unternehmenszielen hin zu Millionen von Produktentscheidungen zu ebnen – ist genau das, was ein produktionsreifes System erfordert. Der Technologie-Stack von 7Learnings ist genau darauf ausgelegt.
Datenverbindungen
Um präzise Prognosen zu liefern, muss eine Optimierungsplattform in bestehende Einzelhandelsökosysteme über alle Kanäle hinweg integriert sein, darunter Online-Shops, stationäre Filialen und mobile Kontaktpunkte.
Dies erfordert den Aufbau robuster, standardisierter Datenverbindungen für den Ein- und Ausgang, die hochfrequente Datenübertragungen bewältigen können, ohne den Kernbetrieb des Einzelhändlers zu beeinträchtigen, und die ein echtes Omnichannel-Erlebnis ermöglichen.
7Learnings hat standardisierte Eingangsverbindungen entwickelt, um wichtige Daten aus Ihrem gesamten digitalen Kundenerlebnis zu erfassen, darunter historische Umsatzzahlen, Lagerbestände, Produktmetadaten, Preise der Wettbewerber und Marketingausgaben. Zu diesen Integrationen gehören:
Sobald die Optimierungen berechnet sind, müssen sie unverzüglich in die Betriebssysteme des Einzelhändlers zurückgespielt werden. 7Learnings hat Ausgangsverbindungen entwickelt, um optimierte Preise und Nachfrageprognosen direkt in folgende Systeme einzuspeisen:
Datenbereinigung
Rohdaten von Unternehmen enthalten häufig fehlende Werte, doppelte Einträge, verzerrte historische Anomalien (wie beispielsweise einen Tracking-Fehler, durch den versehentlich eine Million Verkäufe innerhalb einer Stunde erfasst wurden) sowie inkonsistente Formatierungen. Wenn diese „unbereinigten“ Daten in die Modelle des maschinellen Lernens einfließen, werden die Prognosen äußerst ungenau ausfallen.
Um dem entgegenzuwirken, verfügt die 7Learnings-Plattform über eine automatisierte Datenbereinigung, die auf ständigen Datentests basiert, welche unauffällig im Hintergrund ablaufen. Das System identifiziert, kennzeichnet und korrigiert Anomalien automatisch.
So kann das System beispielsweise künstliche Nachfragespitzen erkennen, die durch B2B-Großhandelsaufträge verursacht werden, oder Lücken ausgleichen, die durch System-Lagerengpässe entstehen, und so sicherstellen, dass die Modelle des maschinellen Lernens ausschließlich auf der Grundlage hochwertiger, realistischer Abbildungen der Nachfrage im Einzelhandel trainiert werden.
Derzeit führen wir täglich 250 Datenqualitätstests für jeden Kunden durch, um sicherzustellen, dass alle neuen Daten, die wir erhalten, von hoher Qualität sind. Sollte ein Problem auftreten, wird das Kundendatenteam automatisch benachrichtigt.
Datenabstraktion
Jeder Einzelhändler strukturiert seine Daten anders. Ein Unternehmen bezeichnet eine Produkt-ID möglicherweise als „SKU_num“, während ein anderes sie als „item_id“ bezeichnet. Jede skalierbare Lösung auf Basis künstlicher Intelligenz muss sicherstellen, dass Daten von völlig unterschiedlichen Unternehmen für die darauf basierenden Modelle des maschinellen Lernens einheitlich dargestellt werden.
7Learnings löst dieses Problem durch die Entwicklung eines universellen Datenschemas. Wenn Daten in die 7Learnings-Pipeline gelangen, durchlaufen sie eine Abstraktionsschicht, die kundenspezifische Strukturen in ein einheitliches Format übersetzt.
Diese Abstraktion ermöglicht es 7Learnings, schnell zu skalieren, standardisierte Modelle innerhalb von Tagen statt Monaten bei neuen Kunden bereitzustellen und aggregierte, anonymisierte Lerndaten plattformweit zu nutzen, um die Grundgenauigkeit der Prognosen zu verbessern.
Datenaufbereitung
Sobald die Daten extrahiert sind, müssen sie in einen für das maschinelle Lernen optimalen Zustand umgewandelt werden. Dieser als „Feature Engineering“ bezeichnete Prozess umfasst die Erstellung prädiktiver Variablen (wie beispielsweise Indikatoren für die Preiselastizität, Trends nach Wochentagen, Auswirkungen von Feiertagen oder Phasen des Produktlebenszyklus).
Die technische Herausforderung liegt in der Skalierbarkeit. Die Entwicklung maßgeschneiderter Features für jeden einzelnen Kunden ist äußerst ressourcenintensiv. 7Learnings löst dieses Problem durch die Automatisierung der Datenaufbereitung, um Features zu generieren, die für viele verschiedene Kunden gleichermaßen einsetzbar sind.
Unabhängig davon, ob ein Einzelhändler Modebekleidung oder Unterhaltungselektronik verkauft, ermittelt die Pipeline zur Datenaufbereitung automatisch standardisierte, aussagekräftige Merkmale, die allgemeine Dynamiken im Einzelhandel erfassen, und stellt so sicher, dass die KI die zugrunde liegenden Marktsignale sofort erkennen kann.
Modellstandardisierung
In der traditionellen Datenwissenschaft werden Modelle von Ingenieuren sorgfältig und manuell auf bestimmte Datensätze abgestimmt. Dieser maßgeschneiderte Ansatz versagt jedoch, wenn Sie Millionen von Produktvarianten für Dutzende von Unternehmenskunden verwalten.
Um echte Skalierbarkeit zu erreichen, setzt 7Learnings auf Modellstandardisierung. Wir haben Machine-Learning-Modelle mit standardisierten Hyperparametern, Merkmalen und Konfigurationen definiert, die sich dynamisch an das Datenvolumen und die Datenqualität jedes Einzelhändlers anpassen. Ziel ist es, die Modellgenauigkeit automatisch zu maximieren.
Durch die Standardisierung der Modellarchitektur können wir eine erstklassige Vorhersageleistung in verschiedenen Branchen des Einzelhandels gewährleisten, ohne dass ein großes Team von Datenwissenschaftlern erforderlich ist, um die Algorithmen für jeden neuen Katalog manuell anzupassen.
Erstellung von Prognosen
Der Kern des Technologie-Stacks liegt in der Durchführung der eigentlichen Prognose mithilfe von Predictive Analytics. Die Berechnung von Preiselastizitäten und Nachfrageprognosen auf der Ebene einzelner Produkte (SKUs) über Hunderte von Filialen oder digitale Kanäle hinweg führt zu einer astronomischen Anzahl von Datenkombinationen.
In dieser Größenordnung können die Rechenkosten und die Verarbeitungszeit sprunghaft ansteigen. 7Learnings erstellt diese Prognosen mithilfe einer hochoptimierten Pipeline, die parallele Verarbeitung und cloudnative automatische Skalierung nutzt.
Die daraus resultierenden Prognosen werden komprimiert und unter Verwendung moderner Datenspeichertechniken (wie beispielsweise spaltenorientierter Speicherformate) gespeichert, wodurch der Speicherbedarf und die Rechenkosten drastisch minimiert werden. Diese Effizienz ermöglicht es uns, äußerst präzise Prognosen zu liefern, ohne unseren Kunden exorbitante Rechnungen für die Cloud-Infrastruktur in Rechnung zu stellen.
Prognosen für den Einzelhandel müssen ständig aktualisiert werden. Täglich kommen neue Produkte auf den Markt und es werden neue Verkaufszahlen erfasst; daher trainiert 7Learnings die zugrunde liegenden Modelle des maschinellen Lernens neu und aktualisiert die Prognosen täglich.
Genauigkeitsprüfung
Um sicherzustellen, dass unsere Modelle ihre maximale Vorhersagekraft beibehalten und einer Leistungsverschlechterung im Laufe der Zeit widerstehen, setzt 7Learnings eine automatisierte Pipeline zur Genauigkeitsprüfung ein, die auf zwei zentralen Bewertungsmethoden basiert:
- Das System führt gleichzeitig 30 verschiedene Schritte zur Genauigkeitsprüfung parallel über die Cloud-Infrastruktur hinweg durch. Es unterzieht die Prognosen auf globaler Ebene, auf Kategorieebene und auf SKU-Ebene einem Stresstest und misst dabei kurz- bzw. langfristige Zeithorizonte anhand verschiedener Fehlerkennzahlen (wie WAPE und RMSE), um eine robuste Validierung zu gewährleisten.
- Um die tatsächliche Genauigkeit zu ermitteln, führt die Pipeline regelmäßig Simulationen durch, bei denen sie die Zeit auf einen früheren Zeitpunkt zurückdreht, die nachfolgenden Verkaufsdaten vollständig vor dem Modell verbirgt und die KI dazu zwingt, eine Prognose für diesen vergangenen Zeitraum zu erstellen.
Regel- und Ziel-Engine
Empfehlungen, die ausschließlich auf KI basieren, sind unglaublich leistungsstark, können jedoch nicht isoliert umgesetzt werden. Führungskräfte im Einzelhandel müssen die strategische Kontrolle über ihre Geschäftsziele behalten. Dies kann bedeuten, den Winterbestand bis zu einem bestimmten Stichtag abzubauen, das Markenimage durch die Einhaltung einer Mindestmarge zu schützen oder mit den aggressiven Rabatten eines wichtigen Wettbewerbers gleichzuziehen.
7Learnings umfasst eine leistungsstarke Regel- und Ziel-Engine in Verbindung mit einer intuitiven Benutzeroberfläche. Dies ermöglicht es Anwendern aus dem Geschäftsbereich, komplexe Regeln und geschäftliche Ziele äußerst flexibel anzuwenden.
Die Nutzer können allgemeine Rahmenbedingungen festlegen oder sich auf bestimmte Produktkategorien konzentrieren und so die reine Vorhersagekraft der KI mit der übergreifenden strategischen Vision des Einzelhandelsmanagementteams verbinden.
Optimierung
Die Nachfrageprognose ist nur die halbe Miete; der letzte Schritt besteht darin, diese Prognosen in die genauen Preise oder Lagerbestände umzusetzen, mit denen sich die Geschäftsergebnisse maximieren lassen. Hier treffen dynamische Preisgestaltung und Bestandsmanagement aufeinander, um umfangreiche, multivariable mathematische Optimierungsprobleme zu lösen.
Herkömmliche Verfahren zur linearen Optimierung haben damit oft Schwierigkeiten, da die Nachfragekurven im Einzelhandel von Natur aus nichtlinear sind und die schiere Anzahl der Artikel (SKUs) dazu führen kann, dass herkömmliche Optimierungsalgorithmen ins Stocken geraten. 7Learnings hat eine eigene Optimierungstechnologie entwickelt, die speziell auf die Dynamik des Einzelhandels zugeschnitten ist.
Unsere Optimierungs-Engine ist deutlich schneller als herkömmliche lineare Optimierungsverfahren (z. B. zwei Minuten gegenüber sechs Stunden bei einem herkömmlichen linearen Optimierer). Dieser enorme Geschwindigkeitsvorteil verändert den Arbeitsablauf für Führungskräfte im Einzelhandel.
Anstatt stundenlang auf eine einzige Berechnung zu warten, können Anwender sofort mehrere alternative „Was-wäre-wenn“-Szenarien durchspielen und vergleichen, ihre Zielvorgaben anpassen und sicher diejenige Optimierungsstrategie auswählen, die ihren Geschäftszielen am besten entspricht.
Sicherheit auf Unternehmensniveau
Eine Plattform zur Optimierung des Einzelhandels verarbeitet hochsensible, geschäftskritische Daten wie Gewinnmargen, firmeneigene Preisstrategien und historische Transaktionsvolumina. Sicherheit darf nicht erst im Nachhinein berücksichtigt werden.
7Learnings gestaltet seine Infrastruktur, seine Governance und seine Prozesse gemäß den weltweit höchsten Sicherheitsstandards für Unternehmen und gewährleistet so den Einzelhandelspartnern ein Gefühl der Sicherheit. Unser Ansatz zum Schutz Ihrer Daten stützt sich auf vier Kernsäulen:
Nachweisbares Vertrauen und Zertifizierungen
Wir verfolgen den Ansatz „Vertrauen ist gut, Kontrolle ist besser“ und stellen sicher, dass unsere Kontrollmaßnahmen unabhängig geprüft und kontinuierlich validiert werden.
- SOC 2 Typ II-zertifiziert: Dies bestätigt unser langfristiges Engagement für Betriebssicherheit, Plattformverfügbarkeit und strenge interne Kontrollmechanismen über einen längeren Zeitraum hinweg.
- ISO 27001-zertifiziert: Bestätigt die Einhaltung internationaler Standards zur Einrichtung, Umsetzung und Aufrechterhaltung robuster Informationssicherheits-Managementsysteme.
- Kontinuierliche Überwachung: Wir nutzen Vanta, eine Live-Trust-Management-Plattform, um unsere Sicherheitslage rund um die Uhr zu überwachen und in Echtzeit Einblick in die Wirksamkeit der Kontrollmaßnahmen zu gewähren.
- Regelmäßige Penetrationstests: Unabhängige Sicherheitsunternehmen führen jährlich umfassende Penetrationstests an unseren SaaS- und Cloud-Diensten durch, um potenzielle Schwachstellen aktiv zu identifizieren und zu beheben.
Sicherheitsorientierte Architektur und Isolierung einzelner Mandanten
Im Gegensatz zu typischen Multi-Tenant-SaaS-Anbietern, bei denen Daten mehrerer Unternehmen zusammengefasst werden, wendet 7Learnings eine strikte Kundenisolierung an, um das Risiko einer gegenseitigen Beeinflussung auszuschließen.
- Dedizierte GCP-Projekte: Jeder einzelne Kunde wird in einer eigenen, isolierten Google Cloud Platform (GCP)-Projektumgebung bereitgestellt.
- Komponentenspezifische Sicherheit: Die Kundentrennung wird auf jeder Ebene unseres Stacks strikt durchgesetzt, einschließlich der Datenschicht, des Frontends, des Backends, des Optimierers und der Onboarding-Tools.
- Netzwerkisolierung: Wir nutzen VPC Service Controls, um Daten innerhalb von Kundenprojekten vollständig abzusichern und so die Weitergabe von Daten an unbefugte externe Netzwerke zu verhindern.
Zuverlässiger Datenschutz und Verschlüsselung
Ihre Daten bleiben jederzeit Ihr Eigentum. Um die Vertraulichkeit zu gewährleisten, setzt die 7Learnings-Plattform erstklassige Verschlüsselungs- und Datenschutzprotokolle ein.
- Verschlüsselung in allen Bereichen: Alle Daten werden sowohl während der Übertragung als auch im Ruhezustand mithilfe von branchenüblichen Protokollen sicher verschlüsselt.
- Vom Kunden verwaltete Schlüssel: Kunden können selbst verwaltete Verschlüsselungsschlüssel verwenden, wodurch sie die uneingeschränkte Befugnis erhalten, den Zugriff bei Bedarf sofort zu widerrufen und Daten unlesbar zu machen.
- Datenminimierung: Wir halten uns strikt an die Grundsätze der DSGVO und erheben sowie verarbeiten ausschließlich die Daten, die für den Betrieb der Modelle des maschinellen Lernens unbedingt erforderlich sind.
Zero-Trust-Modell und Sicherheits-Governance
7Learnings basiert auf einer Zero-Trust-Architektur, wodurch sichergestellt wird, dass interne Arbeitsabläufe ebenso streng gesichert sind wie unsere nach außen gerichteten.
- Prinzip der geringsten Berechtigungen: Der Zugriff auf die Systeme wird streng nach dem „Need-to-know“-Prinzip gewährt. Nur autorisierte Datenwissenschaftler und Cloud-Administratoren haben unter strenger Aufsicht Zugriff auf die Projektdaten.
- Moderne Authentifizierung: 7Learnings setzt bei allen Vorgängen Single Sign-On (SSO) und eine obligatorische Multi-Faktor-Authentifizierung (MFA) durch.
- Infrastructure as Code (IaC): Jede Änderung an der Infrastruktur wird über IaC bereitgestellt, um absolute Konfigurationskonsistenz, Rückverfolgbarkeit und Überprüfbarkeit zu gewährleisten.
- Sicherheit in der Lieferkette: Täglich werden automatisierte Schwachstellenscans für alle Software-Abhängigkeiten und Container-Images durchgeführt, um modernen Bedrohungen in der Lieferkette vorbeugend entgegenzuwirken.
Ein Proof-of-Concept lässt sich leicht erstellen. Ein System, das den Sicherheitsanforderungen von Unternehmen, täglichen Nachschulungen und Millionen von Artikelnummern gerecht wird, ist dies jedoch nicht. 7Learnings betreibt diesen Systemstack bereits heute für Einzelhändler. Vereinbaren Sie eine Demo, um zu sehen, wie es Ihren Produktkatalog verarbeitet.
