Die G. Elsinghorst Stahl und Technik GmbH aus Bocholt verwaltet rund 40.000 Artikel von 600 Herstellern über mehrere Vertriebskanäle, wodurch der Wareneingang bislang zeitaufwendig und fehleranfällig war. Im Rahmen eines Transferprojekts von Fraunhofer IML wurde ein auf maschinellem Lernen basierendes System zur automatischen Texterkennung entwickelt, das gezielt relevante Datenpunkte wie Bestellnummern aus Lieferscheinen extrahiert und die Vorsortierung im Wareneingang automatisiert. Der Algorithmus lernt dabei kontinuierlich aus Nutzerkorrekturen dazu und ermöglichte so kürzere Bearbeitungszeiten, weniger Fehler und geringere Betriebskosten für das mittelständische Unternehmen.
E-Mail-Response-Management mit KI-Klassifizierung senkt Bearbeitungszeit bei Frankonia Handels
ReplyOne nutzt automatische Klassifizierung und Intent-Erkennung, um eingehende Kundenanfragen zu analysieren, thematisch einzuordnen und regelbasiert an die richtigen Bearbeiter weiterzuleiten, inklusive menschlicher Kontrolle im Prozess. Der Outdoor- und Jagdausrüster Frankonia Handels GmbH & Co. KG setzt die Lösung im Kundenservice ein: Laut Torsten Rudolph, Leiter Kundenbetreuung, konnte die Durchlaufzeit von Kundenanfragen innerhalb von zwei Jahren von 59 auf 31 Stunden gesenkt werden – eine Reduktion um rund 47 Prozent. Weitere Sematell-Kunden wie lekker Energie, badenova oder die Neodigital Versicherung nutzen ReplyOne unter anderem zur Automatisierung der Kündigungsprävention beziehungsweise des Omnichannel-Supports, was den breiten produktiven Einsatz der Technologie unterstreicht.
Kontextsensitive Regalroboter für den Einzelhandel (C4Retail)
Das dreijährige, vom Bundesministerium für Wirtschaft und Klimaschutz über das Zentrale Innovationsprogramm Mittelstand geförderte Projekt läuft von Mai 2024 bis April 2027 und startete im Juni 2024 mit einem Kick-off am DFKI-Labor für Mensch-Roboter-Kollaboration. Neben dem autonomen Patrouillieren durch die Filiale und dem automatisierten Regal-Scan ermöglicht eine „Transfer of Control“-Funktion die Fernsteuerung des Roboters über Virtual- oder Augmented-Reality-Schnittstellen, wenn die KI an ihre Grenzen stößt. Internationaler Partner ist das koreanische Forschungsinstitut KIMM. Der Ansatz zeigt, wie stationärer Einzelhandel mit Serviceroboter-Technologie Personal von repetitiven Regalpflegeaufgaben entlasten kann, ohne auf menschliche Kontrolle in Ausnahmefällen zu verzichten.
Virtueller Assistent „Arvee“ entlastet Kundenservice bei Camping World
Arvee wurde über mehrere Geschäftsbereiche hinweg (Einzelhandel, Finanzdienstleistungen, Autohäuser) eingesetzt und beantwortet über 30 häufige Kundenfragen automatisiert, integriert mit Oracle- und Salesforce-Systemen. Von 13.999 Chat-Konversationen im Einzelhandel wurden rund 8.000 vollständig durch den virtuellen Agenten gelöst, ohne dass ein menschlicher Mitarbeiter übernehmen musste. Das Beispiel zeigt, wie ein watsonx-basierter Chat-/Voice-Assistent im Handel Service ermöglicht und gleichzeitig Personalressourcen für komplexere Anliegen freisetzt.
KI-Personal-Shopper und automatisierte Produktbeschreibungen bei Central Retail
Die Lösung umfasst den Chatbot „Chefbot“ auf Basis von Gemini, Vertex AI Search für visuelle Produktsuche sowie automatisiert generierte, zweisprachige (Thai/Englisch) Produktbeschreibungen, die 50 Prozent schneller erstellt werden. Dank Gemini Flash verkürzte sich die Ausrollzeit neuer KI-Funktionen von 6 auf 2 Monate. Zusätzlich analysiert ein Self-Service-Sentiment-Chatbot jährlich über 1 Million Kundenrückmeldungen automatisch. Der Fall zeigt anschaulich, wie generative KI im Einzelhandel Kundenerlebnis und interne Effizienz gleichzeitig verbessern kann.
KI wandelt Feedback von Store-Mitarbeitenden in Geschäftsentscheidungen um
Amazon Bedrock wurde mit Amazon Transcribe und Amazon Translate kombiniert, um Feedback in verschiedenen Sprachen automatisch zu erfassen und auszuwerten. „Ask Rexy“ wurde mit Unterstützung von AWS Professional Services in nur 8 Wochen entwickelt, wobei generative KI-Lösungen laut AWS zehnmal schneller realisiert werden konnten als zuvor. Die gewonnenen Erkenntnisse fließen in eine bessere Sortimentsabstimmung an lokale Kundenpräferenzen sowie ein höheres Mitarbeiterengagement ein. Der Fall ist auf andere filialbasierte Einzelhändler übertragbar, die Frontline-Feedback bislang nicht systematisch nutzen.
KI-gestützter Formulierungsassistent für eine B2B-Matching-Plattform
In zwei halbtägigen Workshops mit KI-Trainern des Zentrums wurde ein maßgeschneiderter Prompt- und Dialogansatz entwickelt, der Inhaltsdichte, Schlagwortverwendung und Formatierung der Nutzereingaben berücksichtigt. Voraussetzung war der Zugang zur kostenpflichtigen OpenAI-API sowie umfassendes internes Fachwissen der FoP-Mitarbeitenden zur Plattformlogik. Der fertige Assistent soll nahtlos in die bestehende Matching-Plattform integriert werden, um die Qualität und Vergleichbarkeit der Nutzerbeschreibungen zu erhöhen. Der Ansatz eignet sich generell für B2B-Plattformen, deren Matching-Qualität von der Textqualität der Nutzereingaben abhängt.
Predictive Sales Analytics für den B2B-Vertrieb
Die KI-gestützte Predictive-Sales-Analytics-Software liefert handlungsrelevante Echtzeitinformationen zu Umsatz, Cross-Selling, Abwanderungsrisiko und Preisniveau direkt aus den bestehenden ERP-/CRM-Systemen, ohne dass Vertriebsmitarbeiter selbst Datenanalysen durchführen müssen. Voraussetzung ist eine Anbindung an strukturierte Kunden- und Auftragsdaten aus ERP oder CRM. Das Modell ist auf B2B-Vertriebsorganisationen unterschiedlicher Branchen übertragbar, die über historische Verkaufsdaten verfügen.
KI-Nachfrageprognose mit Google Cloud TiDE beim Versandhändler OTTO
Ausgangslage war die Herausforderung klassischer Prognosemodelle, sowohl kurzfristige Nachfrageschwankungen als auch langfristige saisonale Muster über ein extrem heterogenes Sortiment hinweg abzubilden, inklusive Preis- und externer Einflussfaktoren. OTTO nutzt dafür das von Google Research entwickelte Time-series-Dense-Encoder-Modell (TiDE), trainiert auf Vertex AI mit historischen Verkaufsdaten aus BigQuery und produktiv betrieben auf Google Kubernetes Engine. Voraussetzung war eine bestehende Cloud-Dateninfrastruktur sowie die Zusammenarbeit mit Google Research zur Modellentwicklung. Die Prognosen nutzen Demand-Analysten bei OTTO zur Steuerung von Lagerbeständen und dynamischer Preisgestaltung. Laut OTTO verbesserte sich die Prognosegenauigkeit um bis zu 30 Prozent, wodurch Lagerkosten gesenkt, Umsatz durch bessere Verfügbarkeit gesteigert und Verschwendung reduziert werden konnte. Der Ansatz ist auf andere Handelsunternehmen mit breitem, volatilem Sortiment übertragbar.
On Grid Robotic Pick: KI-Robotik in Ocados automatisierten Lebensmittel-Lagern
Ausgangslage war die hohe Variabilität an Artikelformen, -größen und -verpackungen im Lebensmittelhandel sowie der Bedarf, in temperaturgeführten Umgebungen (tiefgekühlt, gekühlt, Umgebungstemperatur) rund um die Uhr zu kommissionieren, ohne die Lagerfläche zu vergrößern. Ocado Technology entwickelte dafür robotische Greifarme mit Computer Vision zur Objekterkennung und Greifpunktbestimmung, ergänzt um Machine-Learning-Verfahren wie Behavior Cloning und Reinforcement Learning sowie Drucksensorik für schonenden Umgang mit fragilen Artikeln. Ein ‚Fleet-Learning‘-Ansatz sorgt dafür, dass Erkenntnisse eines Roboters allen anderen Robotern im Netzwerk zugutekommen. Voraussetzung ist Ocados eigens entwickelte automatisierte Lagerinfrastruktur (Ocado Smart Platform), die auch an andere Handelspartner lizenziert wird. Ergebnis: mehr als 30 Millionen mit dem System kommissionierte Artikel im Jahr 2024 bei deutlichen Produktivitätsgewinnen und reduzierter Abhängigkeit von manueller Handarbeit. Das Modell wird von Ocado auch als Lizenzlösung an andere Lebensmittelhändler weltweit vermarktet.