KI im Store-Betrieb und in der Fulfillment-Abwicklung

# KI im Store-Betrieb und in der Fulfillment-Abwicklung

Eine Kundin betritt an einem Samstagnachmittag einen Store. Das Müsli-Regal ist halb leer, ein Aktions-Endcap trägt das falsche Preisschild, drei Mitarbeiter stehen zusammen an den Kassen, während die Schlange vor der Umkleide wächst, und eine Online-Bestellung im System wird frühestens in einer Stunde gepickt. Kaputt ist hier eigentlich nichts. Alles ist nur ein bisschen falsch. Genau dieses leichte Danebenliegen, multipliziert über tausende Quadratmeter und hunderte Stores, ist die Stelle, an der Handelsmarge still und leise versickert.

In dieser Lektion geht es darum, diese Lücken mit KI zu schließen, angewendet auf drei konkrete Probleme: zu wissen, was im Regal steht, die richtigen Leute an den richtigen Platz zu stellen und Stores in Fulfillment-Maschinen zu verwandeln.

Der Store als datenarme Umgebung

Die meisten Händler kennen ihre Umsätze auf den Cent genau. Was auf der Fläche passiert, ist deutlich unschärfer. Ein Stockout (ein Artikel, den ein Kunde will, aber nicht findet) bleibt oft unerfasst, weil der Verkauf schlicht nie stattfindet. Branchenschätzungen verorten Lücken in der Regalverfügbarkeit meist im hohen einstelligen bis niedrigen zweistelligen Prozentbereich, wobei der reale Wert je nach Kategorie und Store stark schwankt.

Das Kernproblem: Das Regal ist die Source of Truth, und bis vor kurzem hat es niemand durchgehend beobachtet.

KI verändert die Ökonomie des Beobachtens.

Computer Vision für Regalüberwachung

Computer Vision ist Software, die Bilder so interpretiert wie ein geschulter Mitarbeiter, nur in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab und ohne Ermüdung. Richten Sie Kameras auf Regale (fest installierte Kameras, Handyfotos von Mitarbeitern oder Kameras auf autonomen Bodenrobotern), und ein Modell kann drei Fragen beantworten:

• Ist dieses Produkt im Regal verfügbar?
• Steht es am richtigen Platz (Planogramm-Compliance, also stimmt das Regal mit dem vorgesehenen Layout überein)?
• Ist das Preisschild korrekt?

Was es tatsächlich erkennt

Ein gut eingestelltes System meldet ein leeres Facing (der vorderste Platz für ein Produkt), bevor ein Mensch es bemerkt, gleicht es mit dem Lagerbestand im Backroom ab und erzeugt eine Aufgabe: „Gang 7, Fach 3 auffüllen, Artikel liegt noch im Lager.“

Der wertvollste Insight ist die Unterscheidung zwischen zwei sehr unterschiedlichen Fehlern:

• Phantom-Stockout: Der Artikel liegt im Backroom, aber nicht im Regal. Das ist ein Personal- und Prozessfehler und in Minuten behoben.
• Echter Stockout: Es gibt überhaupt keinen Bestand. Das ist ein Beschaffungs- und Replenishment-Fehler.

Klassische Systeme kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen die beiden nicht auseinanderhalten. Vision plus Bestandsdaten schon. Allein diese Unterscheidung ändert, welche Anweisung der Store bekommt.

Die ehrlichen Grenzen

Computer Vision tut sich schwer mit reflektierenden Verpackungen, tiefen Regalen, Verdeckung durch Kunden und Produkten, die fast identisch aussehen (denken Sie an Geschmacksvarianten desselben Getränks). Die Genauigkeit fällt außerdem schnell ab, wenn das Modell bei Verpackungsänderungen nicht nachtrainiert wird. Behandeln Sie Genauigkeitsangaben von Anbietern als Best-Case-Laborwerte, nicht als Garantie für die Verkaufsfläche. Führen Sie immer einen Piloten in einer Handvoll realer Stores durch, bevor Sie sich festlegen.

Als verständliche Einführung in die Funktionsweise dieser Technologie ist die Google-Cloud-Übersicht zu Computer Vision ein solider kostenloser Einstieg.

🎬 [VIDEO: "How Computer Vision Is Transforming Retail" - youtube.com - ein kurzer, zugänglicher Durchgang durch Regalüberwachung und Vision-Anwendungsfälle im Store]

KI-gestützte Personaleinsatzplanung

Jetzt zu den Mitarbeitern, die an den Kassen stehen, während sich die Umkleide staut. Das ist ein Planungs- und Allokationsproblem, und genau hier liefert KI schnelle, unspektakuläre Erfolge.

Bedarfsprognose in der richtigen Granularität

Klassische Einsatzplanung stützt sich auf grobe Wochenmuster und das Bauchgefühl der Führungskraft. KI-gestütztes Workforce Management prognostiziert den Personalbedarf in feinen Zeitscheiben (oft 15- oder 30-Minuten-Intervalle) anhand von Inputs wie historischer Kundenfrequenz, lokalem Wetter, Aktionen, Zahltagen, Schulkalendern und Events.

Das Ergebnis ist nicht „wie viele Leute diese Woche“. Es ist „wie viele Leute, für welche Aufgabe, um 14:15 Uhr am Samstag“.

Von der Prognose zum echten Dienstplan

Die schwierigere Hälfte ist das Constraint Solving. Ein Dienstplan muss Folgendes erfüllen:

• Verfügbarkeit und Qualifikationen der Mitarbeiter (nur ein Teil des Personals darf den Apothekentresen besetzen)
• Arbeitsrecht und Regeln zur Planungssicherheit (manche Städte verlangen Vorlaufzeit für Schichten; das Ändern eines veröffentlichten Plans kann Strafzahlungen auslösen)
• Vertrags- und Überstundengrenzen
• Fairness und Mitarbeiterpräferenzen, die auf die Retention einzahlen

KI kann Dienstpläne erzeugen, die all das gleichzeitig berücksichtigen, was mit einer Tabellenkalkulation kaum gelingt. So sieht das Problem vereinfacht aus:

minimize:  labor_cost + understaffing_penalty + overstaffing_penalty
subject to:
  staff_on_shift[t] >= forecast_demand[t]        for each 15-min slot t
  hours_per_employee <= contracted_max
  required_skill_coverage[station] == True        for each station
  advance_notice_rule == satisfied
  employee_availability == respected

Es geht nicht um die Mathematik. Es geht darum, dass KI konkurrierende Kosten gleichzeitig ausbalanciert: Unterbesetzung kostet Umsatz und frustriert Kunden, Überbesetzung verbrennt Marge. Das Optimum liegt dazwischen, und es verschiebt sich Stunde für Stunde.

Der Vorbehalt beim Personal

Algorithmische Einsatzplanung hat dort einen schlechten Ruf, wo sie genutzt wurde, um Beschäftigte mit erratischen „Clopening“-Schichten und null Planbarkeit auszupressen. Das geht nach hinten los: Fluktuation ist teuer, und im Handel ist sie brutal. Nutzen Sie diese Werkzeuge, um die Passung zu verbessern und Beschäftigten mehr Mitsprache und Stabilität zu geben, nicht weniger. In etlichen Rechtsräumen machen Fair-Workweek-Gesetze die missbräuchliche Variante ohnehin rechtlich riskant.

Store-Fulfillment-Routing

Die ungepickte Online-Bestellung ist die dritte Lücke, und sie ist heute oft die strategischste. Stores sind längst nicht mehr nur Orte zum Einkaufen. Sie sind Miniaturlager.

Zwei dominierende Modelle:

• BOPIS (buy online, pick up in store): Der Kunde bestellt online, das Personal pickt, der Kunde holt ab.
• Ship-from-Store: Der Store wickelt eine E-Commerce-Bestellung ab und versendet sie, in Konkurrenz zum zentralen Distributionszentrum.

Die Routing-Entscheidung

Wenn eine Online-Bestellung eingeht, entscheidet ein KI-System, welcher Standort sie erfüllen soll. Das ist eine Optimierung über:

• Bestandsgenauigkeit in jedem infrage kommenden Store (versprechen Sie nichts, was das Regal nicht hergibt)
• Entfernung und Versandkosten zum Kunden
• Aktuelle Personalkapazität im Store (kippen Sie nicht 40 Picks in einen Store, der ohnehin überlastet ist)
• Abschriftenrisiko (die Abwicklung aus einem Store, der im März mit Winterjacken überbestückt ist, räumt langsam drehende Ware ab)

Ein guter Router splittet eine Bestellung womöglich auf zwei Stores oder leitet sie an einen etwas weiter entfernten Store, weil dem nächstgelegenen die Personalstunden fehlen. Ziel sind die niedrigsten Gesamtkosten der Belieferung bei Einhaltung des Lieferversprechens.

Der Pickpfad

Nach der Zuweisung sequenziert KI das Picken: die Reihenfolge, in der ein Mitarbeiter Artikel einsammelt, damit der Weg durch den Store möglichst kurz ist. In einem Store, der nicht als Lager konzipiert wurde, ist Laufen der dominierende Kostenfaktor. Sekunden pro Artikel einzusparen summiert sich über tausende Bestellungen.

Das gesamte System hängt an vertrauenswürdigen Bestandsdaten, womit wir wieder bei Computer Vision sind. Das ist der zentrale architektonische Insight dieser Lektion: diese drei Fähigkeiten verstärken sich gegenseitig. Vision liefert genaue Verfügbarkeitsdaten an den Fulfillment-Router. Der Fulfillment-Bedarf speist die Personaleinsatzplanung. Bessere Besetzung hält die Regale korrekt. Setzen Sie sie isoliert ein, bleibt jede unter ihren Möglichkeiten.

Alles zusammen: ein Tag auf der Fläche

Zurück zu diesem Samstag im Store, jetzt mit laufendem Stack.

Über Nacht haben Vision-gestützte Scans das halb leere Müsli-Regal als Phantom-Stockout markiert. Eine Auffüllaufgabe wurde für die Öffnung eingeplant. Das Personalmodell hat, mit Blick auf die prognostizierte Nachmittagsfrequenz plus ein lokales Event, eine zusätzliche Kraft für die Fläche von 13 bis 17 Uhr eingeplant und eine Kassenkraft zur Unterstützung der Selbstbedienungskassen abgezogen. Das falsch ausgezeichnete Endcap wurde von der Label-Erkennung erfasst und korrigiert, bevor die Aktion Frequenz erzeugte.

Als die Online-Bestellung einging, prüfte der Router, ob der Artikel tatsächlich im Regal lag (nicht nur im System), bestätigte, dass der Store Personalspielraum hatte, und gab sie mit optimiertem Pickpfad frei. Die Kundin holte sie nach fünfzehn Minuten ab.

Nichts davon ist ein Moonshot. Es ist das systematische Beseitigen von leichtem Danebenliegen.

Wie Sie die Einführung staffeln

Für einen Händler am Anfang eine sinnvolle Reihenfolge:

1. Zuerst die Bestandstransparenz in Ordnung bringen. Alles Nachgelagerte hängt daran. Starten Sie mit Vision in einigen wenigen frequenzstarken Kategorien mit hoher Stockout-Rate.

2. Dann Personalprognosen ergänzen, dort, wo der Umsatz am stärksten frequenzabhängig ist.

3. Fulfillment-Routing hinzufügen, sobald die Bestandsgenauigkeit verlässlich genug ist, um darauf Zusagen zu geben.

Schritt eins zu überspringen ist der häufigste und teuerste Fehler. Ein Fulfillment-Router auf Basis schlechter Bestandsdaten storniert Bestellungen, und stornierte Bestellungen vertreiben Kunden schneller als langsame.

Wichtigste Erkenntnisse

• Das Regal ist die Source of Truth, und historisch hat es niemand beobachtet. Computer Vision macht durchgehende Regalüberwachung wirtschaftlich machbar, und ihr wertvollster Output ist die Trennung von Phantom-Stockouts (Personalthema) und echten Stockouts (Beschaffungsthema).
• KI-gestützte Personaleinsatzplanung gewinnt, indem sie Personal in feinen Zeitscheiben an die Nachfrage anpasst, unter Berücksichtigung von Qualifikationen, Gesetzen und Fair-Workweek-Regeln. Nutzen Sie sie, um Stabilität und Retention zu verbessern, nicht um Beschäftigte auszupressen.
• Stores sind heute Fulfillment-Knoten. Routing-Entscheidungen balancieren Bestandsgenauigkeit, Versandkosten, Personalkapazität und Abschriftenabbau, um die Gesamtkosten der Belieferung zu minimieren.
• Diese drei Fähigkeiten verstärken sich. Genaue Bestände speisen das Fulfillment; der Fulfillment-Bedarf speist die Besetzung; gute Besetzung hält die Regale korrekt. Führen Sie sie gemeinsam ein.
• Bringen Sie die Bestandstransparenz in Ordnung, bevor Sie darauf Zusagen geben. Eine Fulfillment-Maschine auf unzuverlässigen Bestandsdaten zerstört Vertrauen schneller als langsamer Service.