Der deutsche Mode- und Lifestyle-Einzelhändler setzt KI in seinem gesamten Online-Geschäft ein. Personalisierte Produktrankings. Virtuelle Anprobe in seiner App. 

Auf der „ Big Data & AI World “ in Frankfurt erläuterten Iris Hollick und Dr. Richa Sharma vom Data-Science-Team von Breuninger, wie das Einzelhandelsunternehmen versucht, KI-Projekte in messbaren geschäftlichen Nutzen umzusetzen. Hier sind drei Erkenntnisse, die sie dabei gewonnen haben: 

 

1. Eigenverantwortung steht an erster Stelle 

Bei Breuninger waren die früheren KI-Projekte häufig auf verschiedene Teams verteilt, wobei die Zuständigkeiten unklar waren und ähnliche Probleme auf unterschiedliche Weise angegangen wurden. Generative KI half dem Team zwar, schneller voranzukommen, löste diese Probleme jedoch nicht.  

„Wenn man über viel Geschwindigkeit verfügt, aber keine Eigenverantwortung hat, führt das nur zu noch größerer Verwirrung“, sagte Hollick während der Sitzung. 

Aus diesem Grund legt der Einzelhändler nun bereits zu Beginn eines Projekts die Zuständigkeiten fest. Ein Datenwissenschaftler ist für die Erstellung und Validierung des Modells verantwortlich. Ein Geschäftsbereichsleiter trägt die Verantwortung für das Endergebnis. Produkt- und Entwicklungsteams werden hinzugezogen, wenn die Lösung integriert werden muss. 

„Modelle schaffen keinen Wert, sondern Eigentümer“, sagte Hollick. 

2. Die Wahl des richtigen KPI hängt vom jeweiligen Projekt ab 

Ein Beispiel hierfür sind die personalisierten Produktrankings von Breuninger. Das Modell nutzt das Kundenverhalten – darunter Käufe, Produktansichten und Markenpräferenzen –, um zu entscheiden, welche Produkte für den jeweiligen Kunden weiter oben angezeigt werden.  

Durch das Projekt stieg der Umsatz pro Sitzung um 7 %. Während der Fragerunde erklärte das Team zudem, dass eine der getesteten Varianten die Konversionsrate um etwa 2–3 % gesteigert habe.  

„Was den Erfolg wirklich ausmacht, ist, dass wir die richtigen KPIs für den jeweiligen Anwendungsfall haben“, sagte Dr. Sharma. 

Für personalisierte Rankings bedeutet dies, dass Kennzahlen wie die Konversionsrate, die Klickrate und der Umsatz pro Sitzung berücksichtigt werden müssen. Ein Prognosemodell nach dem „sales “-Ansatz müsste anders bewertet werden.  

3. Nicht jedes KI-Projekt sollte in großem Maßstab umgesetzt werden 

Sobald eine Idee technisch umsetzbar ist, prüft das Team, ob die zu erwartenden geschäftlichen Auswirkungen den Aufwand und die Kosten rechtfertigen. Ist dies nicht der Fall, kann das Projekt an dieser Stelle beendet werden. 

Während der Fragerunde führte Hollick das Beispiel eines kürzlich durchgeführten A/B-Tests für ein Produkt an, der nicht wie erhofft verlief. Dieser Test umfasste Echtzeit-Prognosen, und seine Fortsetzung wäre mit hohen Kosten verbunden gewesen.  

„Die Innovation war wirklich großartig, aber wir mussten das Projekt einstellen“, sagte Hollick. Sie fügte hinzu, dass die Ergebnisse in Zukunft möglicherweise für ein anderes Produkt wiederverwendet werden könnten. 

 

Das Fazit? „KI schafft Mehrwert, wenn Verantwortung, Steuerung und Messung Hand in Hand gehen“, sagte Hollick. 

Und eines sollten Sie bedenken: „Das größte Risiko besteht nicht darin, zu scheitern, sondern darin, zu spät zu scheitern.“ 

Erfahren Sie mehr über die Veranstaltung, „Beyond the Model: Turning AI Ownership & Governance into Measurable Value“, und lernen Sie die ReferentinnenIris HollickundDr. Richa Sharmaauf der Website „ Tech Show Frankfurt “ kennen.