+150 XP

KI entlang der Wertschöpfungskette im Handel kartieren

# KI entlang der Wertschöpfungskette im Handel kartieren

Ein Kunde bricht in Berlin einen Online-Warenkorb ab. Innerhalb von Sekunden erkennt eine Recommendation Engine den Abbruch, eine E-Mail mit personalisiertem Rabatt geht raus, und ein Warehouse-System in Polen prüft den Bestand erneut, damit das Angebot auch lieferbar ist. Drei KI-Systeme haben gerade eine einzige Transaktion berührt, und der Kunde hat keines davon gesehen.

Genau diese Unsichtbarkeit ist der Punkt, und das Problem. Wenn Sie sich nur mit den vier prominenten Use Cases beschäftigt haben (Empfehlungen, Chatbots, Demand Forecasting, Dynamic Pricing), sehen Sie vielleicht ein Drittel davon, wo KI im Handel tatsächlich arbeitet. Diese Lektion kartiert den Rest der Wertschöpfungskette, vom Sourcing bis zu den Retouren, damit Sie echten Wert und Vendor-Overclaim unterscheiden können.

Warum der Blick auf die gesamte Wertschöpfungskette zählt

Anbieter im Handel verkaufen KI gern als einzelne „Personalisierungs"- oder „AI-Copilot"-Schicht. In der Realität ist Handel eine Kette einzelner Funktionen, jede mit anderen Daten, anderen Failure Modes und anderen ROI-Profilen (Return on Investment).

Ein Forecasting-Modell, das die Nachfrage nach Dosensuppe hervorragend vorhersagt, scheitert kläglich bei Modeartikeln ohne Verkaufshistorie. Ein Chatbot, der bei Fragen zum Bestellstatus funktioniert, frustriert Kunden, wenn man ihn auf komplexe Retourenstreitigkeiten ansetzt. Wenn Sie KI dem konkreten Glied in der Kette zuordnen, können Sie für jedes die richtige Evaluationsfrage stellen, statt einer generischen „Funktioniert KI?"-Frage.

Sourcing und Beschaffung

Wo KI wirklich hilft:

  • Supplier Risk Scoring: Modelle, die Lieferanten mit wahrscheinlichen Lieferverzögerungen oder Compliance-Problemen markieren, auf Basis von Signalen wie Versanddaten, News-Sentiment und Finanzberichten.
  • Vertragsanalyse: Natural Language Processing (NLP, KI, die menschliche Sprache verarbeitet und interpretiert), das Lieferantenverträge in großer Zahl auf unvorteilhafte Klauseln durchsucht.

Wo Anbieter übertreiben:

  • „KI-verhandelte Preise", also Tools, die Lieferantenverhandlungen end to end automatisieren wollen. In der Praxis bleiben sie Decision Support: Sie schlagen ein Zielpreisband vor, verhandelt wird weiter von Menschen. Händler wie Walmart und Carrefour nutzen KI, um Verhandlungsdaten aufzubereiten, nicht um Verhandler zu ersetzen.

Bedarfsplanung und Bestand (jenseits von Forecasting)

Demand Forecasting haben Sie bereits behandelt. Der benachbarte, weniger diskutierte Use Case ist die Bestandsallokation: die Entscheidung, welches von hunderten Lagern oder Filialen welche Einheiten vorhalten soll.

Das ist ein Constrained-Optimization-Problem (begrenzten Bestand über viele Standorte verteilen, um Stockouts und Abschriften zu minimieren), oft gelöst mit einer Mischung aus Machine-Learning-Nachfrageschätzungen und klassischem Operations Research. Zaras Muttergesellschaft Inditex hat ihren Ruf zum Teil auf einer engen Allokationslogik aufgebaut, die Bestand nahezu in Echtzeit in die Filialen verschiebt.

Overclaim-Warnung: Pitches zu „vollständig autonomem Bestandsausgleich" verschweigen häufig, wie viel manuelles Übersteuern Händler bei Promotions, Wetterereignissen oder Supply-Schocks noch brauchen. Stand 2025 halten die meisten großen Händler für Ausnahmen einen menschlichen Planer im Loop.

Merchandising und Sortiment

KI entscheidet hier, *was* verkauft wird, nicht nur wie viel.

  • Sortimentsoptimierung: Clustering von Filialen nach lokalen Nachfragemustern (eine Filiale in Miami braucht einen anderen Bestandsmix als eine in Minneapolis) mit Unsupervised Learning (Algorithmen, die Muster in Daten ohne gelabelte Ergebnisse finden).
  • Trenderkennung: NLP- und Computer-Vision-Modelle, die Social Media und Runway-Bilder auswerten, um aufkommende Modetrends vorherzusagen, genutzt von Fast-Fashion-Playern und zunehmend von Mid-Market-Marken über Anbieter wie Heuritech lizenziert.

Evaluationsfrage: Fragen Sie nach der backgetesteten Genauigkeit in *Ihrer* Kategorie, nicht nach dem Durchschnitt des Anbieters über alle Kategorien. Trenderkennung für Sneaker und Trenderkennung für einfache T-Shirts haben sehr unterschiedliche Signalqualität.

Marketing (jenseits von Empfehlungen)

  • Customer Lifetime Value (CLV) Modeling: Vorhersage, welche Kunden Retention-Budget wert sind, unterschieden von Next-Best-Product-Empfehlungen.
  • Creative Generation: generative KI, die Ad Copy und Produktbilder in großer Zahl erzeugt. Händler wie Coca-Cola und Mattel haben das für Kampagnenvarianten pilotiert, wobei die rechtliche Prüfung aus Marken- und Urheberrechtsgründen weiterhin nötig bleibt.

Overclaim-Warnung: „KI-Marketing, das das Marketing-Team überflüssig macht" ist ein verbreiteter Anbietersatz. Generative Tools verkürzen die Produktionszeit für Varianten; sie ersetzen weder Strategie noch Markenurteil noch Kampagnenmessung.

Filialbetrieb und Personal

  • Computer Vision für Regalüberwachung: Kameras, die leere Regale erkennen, genutzt von Unternehmen wie Focal Systems, im Einsatz bei Ketten wie einigen Carrefour- und 7-Eleven-Standorten.
  • Personalplanung: Modelle, die Kundenfrequenz vorhersagen, um Schichtpläne zu optimieren und Personalkosten gegen Servicelevel abzuwägen.

Das ist ein wirklich ausgereifter Use Case mit messbarem ROI: weniger Out-of-Stocks bedeuten direkt realisierte Umsätze. Ein nützlicher Plausibilitätscheck, wenn ein Anbieter Regalüberwachungs-KI pitcht:

Estimated monthly value = 
  (baseline out-of-stock rate - AI-improved rate) 
  × average daily category sales 
  × days per month

Example (illustrative, not a real client figure):
  Baseline OOS rate: 8%
  AI-improved rate: 5%
  Daily category sales: $10,000
  Monthly value = 0.03 × $10,000 × 30 = $9,000/month

Fragen Sie Anbieter immer nach der Baseline-OOS-Rate in *vergleichbaren* Filialen, nicht nach einer branchenweiten Schätzung, denn Out-of-Stock-Raten schwanken stark nach Kategorie und Region.

Fulfillment und Logistik

  • Routenoptimierung für die letzte Meile: ausgereift, gut belegt (jahrelang im ORION-System von UPS genutzt, heute Standard bei großen Logistikdienstleistern).
  • Lagerrobotik mit KI-gesteuertem Picking: Amazon und Ocado nutzen Computer Vision und Reinforcement Learning (Modelle, die optimale Aktionen durch Ausprobieren und Belohnung lernen), um Robotergreifarme zu steuern.

Overclaim-Warnung: „KI-gestützte, vollständig autonome Lager" bleiben außerhalb einer Handvoll Flagship-Anlagen selten. Die meisten Lager laufen als hybrider Mensch-Roboter-Betrieb, und die Vorzeige-Case-Studies der Anbieter (oft die Customer Fulfilment Centres von Ocado) sind nicht repräsentativ für die Investitionsbudgets typischer mittelgroßer Händler.

Wissenscheck

1. Warum ist es wichtiger, KI entlang der gesamten Wertschöpfungskette im Handel zu kartieren, als sich auf die vier prominenten Use Cases zu konzentrieren (Empfehlungen, Chatbots, Forecasting, Dynamic Pricing)?

2. Ein Demand-Forecasting-Modell funktioniert sehr gut bei Dosensuppe, aber schlecht bei neuen Modeartikeln. Was zeigt das?

3. Was ist in der Stufe Sourcing und Beschaffung der zentrale Unterschied zwischen wirklich nützlichen KI-Anwendungen und Vendor-Overclaims?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE richtigen Antworten dazu, warum das Berliner Beispiel des Warenkorbabbruchs die Lektion eröffnet.

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE richtigen Antworten zu den in der Lektion beschriebenen echten KI-Use-Cases in Sourcing und Beschaffung.

Wählen Sie alle richtigen Antworten aus.

Kundenservice und After Sales

Chatbots haben Sie wahrscheinlich schon behandelt. Das übersehene Glied ist die Retourenbearbeitung.

  • KI-Modelle prognostizieren die Retourenwahrscheinlichkeit beim Kauf (einige Modehändler zeigen intern inzwischen „hohes Retourenrisiko"-Flags an, um Größenempfehlungen anzupassen).
  • Automatisiertes Grading zurückgesandter Artikel per Computer Vision, um über Wiederverkauf, Liquidation oder Entsorgung zu entscheiden, wird von Resale-Plattformen und zunehmend von klassischen Händlern genutzt, um die Kosten manueller Prüfung zu senken.

Retouren sind einer der größten versteckten Kostenblöcke im Handel. Ein Bericht der National Retail Federation (US-Fokus, Zahlen jährlich aktualisiert) hat die gesamten US-Handelsretouren wiederholt auf mehrere hundert Milliarden Dollar pro Jahr geschätzt; behandeln Sie die Zahl eines bestimmten Jahres als Schätzung, die gegen den aktuellen Bericht geprüft werden sollte, denn Retourenquoten verschieben sich mit dem E-Commerce-Anteil und der Kategorie.

Eine einfache Karte für den weiteren Weg

| Stufe der Wertschöpfungskette | Ausgereifter KI-Use-Case | Häufiger Overclaim |

|---|---|---|

| Sourcing | Supplier Risk Scoring | Autonome Verhandlung |

| Planung | Bestandsallokation | Vollständig autonomer Bestandsausgleich |

| Merchandising | Sortiments-Clustering | Universelle Trendvorhersage |

| Marketing | CLV-Modeling | Ersatz der Marketingstrategie |

| Filialbetrieb | Regalüberwachung | Vollständige Personalautomatisierung |

| Fulfillment | Routenoptimierung | Vollständig autonome Lager |

| After Sales | Retourenrisiko-Prognose | End-to-end automatisierte Entscheidung |

🎬 [VIDEO: "How Amazon's Warehouses Use AI and Robots" - youtube.com - suchen Sie nach aktueller Berichterstattung (2024-2025) eines seriösen Kanals wie The Verge oder Bloomberg über Robotik in Amazon-Fulfillment-Centern, die die hybride Mensch-Roboter-Realität hinter den Automatisierungsschlagzeilen zeigt]

Key Takeaways

  • Der Wert von KI im Handel verteilt sich über mindestens sieben unterschiedliche Stufen der Wertschöpfungskette und konzentriert sich nicht auf die vier kundennahen Use Cases, die die meisten kennen.
  • Jede Stufe hat einen anderen Datenreifegrad und ein anderes ROI-Profil; bewerten Sie Anbieter Stufe für Stufe, nicht mit einer generischen „Ist KI gut?"-Frage.
  • Das häufigste Overclaim-Muster ist „vollständig autonomes X", wo X im Produktivbetrieb weiterhin menschliche Aufsicht braucht, besonders bei Verhandlungen, Lagerbetrieb und komplexen Kundenstreitigkeiten.
  • Wenn ein Anbieter eine ROI-Zahl nennt, fragen Sie nach der Baseline-Metrik in vergleichbaren Filialen oder SKUs (Stock Keeping Units, eindeutige Produktkennungen), nicht nach einem branchenweiten Durchschnitt.
  • Ausgereifte, gut belegte Use Cases (Routenoptimierung, Regalüberwachung, Bestandsallokation) sind für kurzfristigen ROI sicherere Wetten als aufkommende (generative Creatives, autonome Verhandlung), die weiterhin Human-in-the-Loop-Workflows brauchen.