![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/10\/PASCAL_COGGIA.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/08\/technative-logo.png\" "\\"technisches-logo\\""){kind=logo}
<\/span><\/div>Der Blick \u00fcber die vergangenen Verk\u00e4ufe hinaus, um zuk\u00fcnftige Verk\u00e4ufe genau vorherzusagen<\/h2><\/div>Wenn Einzelh\u00e4ndler ihre Bestellungen und Best\u00e4nde effektiv verwalten, k\u00f6nnen sie enorme zus\u00e4tzliche Gewinne erzielen. Da dies jedoch die Verarbeitung von data f\u00fcr eine riesige Anzahl von Lagerhaltungseinheiten (SKUs) erfordert, zu denen oft verderbliche Waren und Artikel geh\u00f6ren, die t\u00e4glich bestellt werden, ist dies auch eine gro\u00dfe Herausforderung.<\/p>\n<\/div>
Fr\u00fcher verlie\u00dfen sich Einzelh\u00e4ndler ausschlie\u00dflich auf die data aus den Vorjahren, um zuk\u00fcnftige Verk\u00e4ufe vorherzusagen (und damit ihren Bestand zu verwalten), aber diese Methode ist nur bis zu einem gewissen Punkt n\u00fctzlich. Das maschinelle Lernen hat sich jedoch inzwischen so weit entwickelt, dass es genaue Vorhersagemodelle liefern kann, die verschiedene Signale verwenden, je nachdem, wie sie die K\u00e4ufe beeinflussen.<\/p>\n<\/div>
Die Vorhersage von Ums\u00e4tzen ist komplex, da die K\u00e4ufe in einem bestimmten Zeitraum von vielen Faktoren beeinflusst werden: Wetter, Einkaufstrends, Vorschriften, neue Produkte, Kaufverhalten, eine Pandemie... Und Vorhersagen, die auf zuvor aufgezeichneten data beruhen, ber\u00fccksichtigen keine spezifischen Ereignisse und lassen die monatlichen Ums\u00e4tze gleichm\u00e4\u00dfig verteilt erscheinen, obwohl dies wahrscheinlich nicht der Fall ist.<\/p>\n<\/div>
Ein Artikel, der h\u00e4ufig nicht mehr vorr\u00e4tig ist, kann zum Beispiel zu einem R\u00fcckgang der Verk\u00e4ufe dieses bestimmten Produkts oder dieser Kategorie f\u00fchren, der sich aber nicht in den monatlichen reports niederschl\u00e4gt. Noch schlimmer ist, dass schlechte Zahlen oft als Zeichen f\u00fcr das Desinteresse der K\u00e4ufer angesehen werden, obwohl das Gegenteil der Fall ist: Der \u00dcberkauf eines Artikels durch die Verbraucher hat zu dessen Ausverkauf gef\u00fchrt.<\/p>\n<\/div>
Oder ein Produkt, das im Laden fehlt, k\u00f6nnte tats\u00e4chlich auf Lager sein - nur noch nicht in den Regalen. Gro\u00dfe Einzelh\u00e4ndler haben oft Schwierigkeiten, ihre Best\u00e4nde in Echtzeit aufzuf\u00fcllen. So kann es passieren, dass ein beliebter Artikel sehr schnell aus den Regalen verschwindet und somit nicht so gut abschneidet wie erwartet, obwohl er im Lager vorhanden ist. Hier ist eine Technologie gefragt, die den Einzelh\u00e4ndlern hilft, Angebot und Nachfrage nahtlos aufeinander abzustimmen.<\/p>\n<\/div>
Einsatz von maschinellem Lernen und mehreren Signalen zur Bewertung von Lagerbest\u00e4nden<\/p>\n<\/div>
Maschinelles Lernen bietet eine L\u00f6sung f\u00fcr diese Herausforderungen. Prognosemodelle k\u00f6nnen Verk\u00e4ufe Monate im Voraus vorhersagen, indem sie eine Reihe von Signalen nutzen, die sie beeinflussen (Saisonalit\u00e4t, Konsumtrends, Preisniveau usw.). Um so genau wie m\u00f6glich zu sein, ist es wichtig, dass die Modelle mehr Indikatoren als den Standardtag, das Produkt und das Gesch\u00e4ft verwenden, die \u00fcblicherweise ber\u00fccksichtigt werden.<\/p>\n<\/div>
Um dies zu veranschaulichen, k\u00f6nnte ein Einzelh\u00e4ndler die Saisonalit\u00e4t analysieren, um den Umsatz f\u00fcr den kommenden Zeitraum vorherzusagen. Die data wird jedoch verzerrt sein, weil die Verwendung von Datumsangaben nicht 100% genau ist. Ein bestimmtes Datum kann in einem Jahr ein Wochentag sein, im n\u00e4chsten Jahr jedoch ein Wochenende, so dass die Ums\u00e4tze stark schwanken k\u00f6nnen. Andere Faktoren, z.B. ob das Datum auf einen Feiertag (Weihnachten, Ostern usw.) oder ein gro\u00dfes Sportereignis f\u00e4llt, beeinflussen ebenfalls das Kaufverhalten der Verbraucher.<\/p>\n<\/div>
\u00c4hnlich verh\u00e4lt es sich mit Signalen auf der Preisebene. Werbeaktionen auf Gesch\u00e4ftsebene k\u00f6nnen den Verkauf eines Produkts aus einer bestimmten Kategorie deutlich beeinflussen oder sogar das Gesch\u00e4ft als Ganzes attraktiver machen.<\/p>\n<\/div>
Diese beiden Beispiele verdeutlichen, warum es notwendig ist, viele verschiedene Signale und Indikatoren zu ber\u00fccksichtigen, um eine genaue Umsatzprognose zu erstellen: eine Aufgabe, die sehr m\u00fchsam war, bevor maschinelles Lernen und fortschrittliche artificial intelligence-Modelle dies m\u00f6glich machten.<\/p>\n<\/div>
Maschinelles Lernen f\u00fcr die Bestandsverwaltung einsetzen<\/h2><\/div>Die Technologie ist vorhanden, aber damit Einzelh\u00e4ndler sie effektiv nutzen und genaue Vorhersagen treffen k\u00f6nnen, m\u00fcssen sie riesige Mengen an data sammeln und analysieren. Ein gro\u00dfer Teil davon liegt in verschiedenen data-Quellen vor und es kann sehr komplex sein, mehrere Excel- und PDF-Dateien zu verarbeiten, die fr\u00fchere reports und Medienpl\u00e4ne enthalten. Gro\u00dfe data-Tools werden ben\u00f6tigt, um diese Informationen in einem sauberen und lesbaren Format zu verarbeiten, das f\u00fcr die Erstellung von Vorhersagemodellen erforderlich ist, die Bestandsprobleme verhindern k\u00f6nnen.<\/p>\n<\/div>
Fr\u00fchere data-Verk\u00e4ufe f\u00fcr ein bestimmtes Gesch\u00e4ft k\u00f6nnen aufgrund von einmaligen Ereignissen (Werbeaktionen, schlechtes Wetter, Verkehrsstaus usw.) \u2018ungenau\u2019 sein. Um diese Verzerrung zu beseitigen, kombinieren Prognosemodelle vergangene Verkaufszahlen mit denen \u00e4hnlicher Gesch\u00e4fte.<\/p>\n<\/div>
Die andere gro\u00dfe Herausforderung besteht darin, zu verhindern, dass Artikel in den Regalen nicht verf\u00fcgbar sind, w\u00e4hrend sie auf Lager sind (da es f\u00fcr die Mitarbeiter fast unm\u00f6glich ist, die Regale in Echtzeit zu \u00fcberwachen und sie sofort wieder aufzuf\u00fcllen).<\/p>\n<\/div>
Es gibt zwar technologische L\u00f6sungen mit \u00dcberwachungskameras und Gewichtssensoren, aber sie sind eine gro\u00dfe Investition. Allerdings k\u00f6nnen leicht verf\u00fcgbare Informationen wie Echtzeit-Verk\u00e4ufe auf SKU-Ebene genutzt werden, um Situationen mit \u2018leeren Regalen\u2019 zu erkennen. Modelle k\u00f6nnen den \u00fcblichen Verkaufsfluss eines Artikels analysieren, so dass die normale Zeit zwischen zwei Verk\u00e4ufen eines Produkts in einer bestimmten Filiale bekannt ist. Durch menschliches Eingreifen k\u00f6nnen statistische Anomalien \u00fcberpr\u00fcft und behoben werden.<\/p>\n<\/div>
Die pr\u00e4diktive Analyse ist nur eine der vielen M\u00f6glichkeiten, wie traditionelle Einzelh\u00e4ndler vom maschinellen Lernen profitieren k\u00f6nnen. Sie haben viel zu gewinnen, wenn sie sich auf fortschrittliche Technologie f\u00fcr eine bessere Bestandsverwaltung verlassen, um den Umsatz ihrer Gesch\u00e4fte zu steigern. Die Verarbeitung gro\u00dfer Mengen von data kann ihnen auch dabei helfen, das Sortiment zu optimieren, attraktivere und profitablere Werbeaktionen anzubieten und Preise effizienter festzulegen.<\/p>\n<\/div>
Gut durchdachte Tools k\u00f6nnen komplexe und zeitaufw\u00e4ndige Aufgaben \u00fcbernehmen und schnell genaue reports liefern. Dies ist der eigentliche Wertsch\u00f6pfungshebel von artificial intelligence im Einzelhandel: Er befreit Manager von m\u00fchsamen Vergleichsanalysen aus mehreren Quellen und erm\u00f6glicht es ihnen, sich auf die kontinuierliche Verbesserung des Kundenerlebnisses zu konzentrieren.<\/p>\n<\/div>
\u00dcber die Autoren<\/h2><\/div>Pascal Coggia ist CEO von Artefact UK, wo er f\u00fcr die Expansion der artificial intelligence (AI) und data-driven Produkte und Dienstleistungen des Unternehmens in der Region verantwortlich ist. Als Gr\u00fcndungspartner von Artefact war er zuvor am Hauptsitz in Paris t\u00e4tig und hat in dieser Zeit den Betrieb von Artefact in Dubai aufgebaut. Zuvor war er unter anderem als Berater bei Columbus Consulting Shift in Frankreich und Rocket Internet SE in Gro\u00dfbritannien t\u00e4tig. Er hat einen Master-Abschluss von der HEC Business School in Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit ist ein data-Beratungspartner bei Artefact, wo er an data- und artificial intelligence-(AI)-Projekten mit gro\u00dfen franz\u00f6sischen Unternehmen aus den Bereichen Einzelhandel, Konsumg\u00fcter und Investmentfonds arbeitet. Zuvor leitete er die Strategieteams franz\u00f6sischer Medienkonzerne (Canal + und Lagard\u00e8re Active), nachdem er f\u00fcnfzehn Jahre bei f\u00fchrenden Strategieberatungsunternehmen (OC&C, Diligence Partners und Roland Berger) t\u00e4tig war. Er ist ein Absolvent der franz\u00f6sischen \u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Wenn Einzelh\u00e4ndler ihre Bestellungen und Best\u00e4nde effektiv verwalten, k\u00f6nnen sie enorme zus\u00e4tzliche Gewinne erzielen. Da dies jedoch die Verarbeitung von data f\u00fcr eine riesige Anzahl von Lagerhaltungseinheiten (SKUs) erfordert, zu denen oft verderbliche Waren und Artikel geh\u00f6ren, die t\u00e4glich bestellt werden, ist dies auch eine gro\u00dfe Herausforderung.<\/p>\n<\/div>
Fr\u00fcher verlie\u00dfen sich Einzelh\u00e4ndler ausschlie\u00dflich auf die data aus den Vorjahren, um zuk\u00fcnftige Verk\u00e4ufe vorherzusagen (und damit ihren Bestand zu verwalten), aber diese Methode ist nur bis zu einem gewissen Punkt n\u00fctzlich. Das maschinelle Lernen hat sich jedoch inzwischen so weit entwickelt, dass es genaue Vorhersagemodelle liefern kann, die verschiedene Signale verwenden, je nachdem, wie sie die K\u00e4ufe beeinflussen.<\/p>\n<\/div>
Die Vorhersage von Ums\u00e4tzen ist komplex, da die K\u00e4ufe in einem bestimmten Zeitraum von vielen Faktoren beeinflusst werden: Wetter, Einkaufstrends, Vorschriften, neue Produkte, Kaufverhalten, eine Pandemie... Und Vorhersagen, die auf zuvor aufgezeichneten data beruhen, ber\u00fccksichtigen keine spezifischen Ereignisse und lassen die monatlichen Ums\u00e4tze gleichm\u00e4\u00dfig verteilt erscheinen, obwohl dies wahrscheinlich nicht der Fall ist.<\/p>\n<\/div>
Ein Artikel, der h\u00e4ufig nicht mehr vorr\u00e4tig ist, kann zum Beispiel zu einem R\u00fcckgang der Verk\u00e4ufe dieses bestimmten Produkts oder dieser Kategorie f\u00fchren, der sich aber nicht in den monatlichen reports niederschl\u00e4gt. Noch schlimmer ist, dass schlechte Zahlen oft als Zeichen f\u00fcr das Desinteresse der K\u00e4ufer angesehen werden, obwohl das Gegenteil der Fall ist: Der \u00dcberkauf eines Artikels durch die Verbraucher hat zu dessen Ausverkauf gef\u00fchrt.<\/p>\n<\/div>
Oder ein Produkt, das im Laden fehlt, k\u00f6nnte tats\u00e4chlich auf Lager sein - nur noch nicht in den Regalen. Gro\u00dfe Einzelh\u00e4ndler haben oft Schwierigkeiten, ihre Best\u00e4nde in Echtzeit aufzuf\u00fcllen. So kann es passieren, dass ein beliebter Artikel sehr schnell aus den Regalen verschwindet und somit nicht so gut abschneidet wie erwartet, obwohl er im Lager vorhanden ist. Hier ist eine Technologie gefragt, die den Einzelh\u00e4ndlern hilft, Angebot und Nachfrage nahtlos aufeinander abzustimmen.<\/p>\n<\/div>
Einsatz von maschinellem Lernen und mehreren Signalen zur Bewertung von Lagerbest\u00e4nden<\/p>\n<\/div>
Maschinelles Lernen bietet eine L\u00f6sung f\u00fcr diese Herausforderungen. Prognosemodelle k\u00f6nnen Verk\u00e4ufe Monate im Voraus vorhersagen, indem sie eine Reihe von Signalen nutzen, die sie beeinflussen (Saisonalit\u00e4t, Konsumtrends, Preisniveau usw.). Um so genau wie m\u00f6glich zu sein, ist es wichtig, dass die Modelle mehr Indikatoren als den Standardtag, das Produkt und das Gesch\u00e4ft verwenden, die \u00fcblicherweise ber\u00fccksichtigt werden.<\/p>\n<\/div>
Um dies zu veranschaulichen, k\u00f6nnte ein Einzelh\u00e4ndler die Saisonalit\u00e4t analysieren, um den Umsatz f\u00fcr den kommenden Zeitraum vorherzusagen. Die data wird jedoch verzerrt sein, weil die Verwendung von Datumsangaben nicht 100% genau ist. Ein bestimmtes Datum kann in einem Jahr ein Wochentag sein, im n\u00e4chsten Jahr jedoch ein Wochenende, so dass die Ums\u00e4tze stark schwanken k\u00f6nnen. Andere Faktoren, z.B. ob das Datum auf einen Feiertag (Weihnachten, Ostern usw.) oder ein gro\u00dfes Sportereignis f\u00e4llt, beeinflussen ebenfalls das Kaufverhalten der Verbraucher.<\/p>\n<\/div>
\u00c4hnlich verh\u00e4lt es sich mit Signalen auf der Preisebene. Werbeaktionen auf Gesch\u00e4ftsebene k\u00f6nnen den Verkauf eines Produkts aus einer bestimmten Kategorie deutlich beeinflussen oder sogar das Gesch\u00e4ft als Ganzes attraktiver machen.<\/p>\n<\/div>
Diese beiden Beispiele verdeutlichen, warum es notwendig ist, viele verschiedene Signale und Indikatoren zu ber\u00fccksichtigen, um eine genaue Umsatzprognose zu erstellen: eine Aufgabe, die sehr m\u00fchsam war, bevor maschinelles Lernen und fortschrittliche artificial intelligence-Modelle dies m\u00f6glich machten.<\/p>\n<\/div>
Maschinelles Lernen f\u00fcr die Bestandsverwaltung einsetzen<\/h2><\/div>Die Technologie ist vorhanden, aber damit Einzelh\u00e4ndler sie effektiv nutzen und genaue Vorhersagen treffen k\u00f6nnen, m\u00fcssen sie riesige Mengen an data sammeln und analysieren. Ein gro\u00dfer Teil davon liegt in verschiedenen data-Quellen vor und es kann sehr komplex sein, mehrere Excel- und PDF-Dateien zu verarbeiten, die fr\u00fchere reports und Medienpl\u00e4ne enthalten. Gro\u00dfe data-Tools werden ben\u00f6tigt, um diese Informationen in einem sauberen und lesbaren Format zu verarbeiten, das f\u00fcr die Erstellung von Vorhersagemodellen erforderlich ist, die Bestandsprobleme verhindern k\u00f6nnen.<\/p>\n<\/div>
Fr\u00fchere data-Verk\u00e4ufe f\u00fcr ein bestimmtes Gesch\u00e4ft k\u00f6nnen aufgrund von einmaligen Ereignissen (Werbeaktionen, schlechtes Wetter, Verkehrsstaus usw.) \u2018ungenau\u2019 sein. Um diese Verzerrung zu beseitigen, kombinieren Prognosemodelle vergangene Verkaufszahlen mit denen \u00e4hnlicher Gesch\u00e4fte.<\/p>\n<\/div>
Die andere gro\u00dfe Herausforderung besteht darin, zu verhindern, dass Artikel in den Regalen nicht verf\u00fcgbar sind, w\u00e4hrend sie auf Lager sind (da es f\u00fcr die Mitarbeiter fast unm\u00f6glich ist, die Regale in Echtzeit zu \u00fcberwachen und sie sofort wieder aufzuf\u00fcllen).<\/p>\n<\/div>
Es gibt zwar technologische L\u00f6sungen mit \u00dcberwachungskameras und Gewichtssensoren, aber sie sind eine gro\u00dfe Investition. Allerdings k\u00f6nnen leicht verf\u00fcgbare Informationen wie Echtzeit-Verk\u00e4ufe auf SKU-Ebene genutzt werden, um Situationen mit \u2018leeren Regalen\u2019 zu erkennen. Modelle k\u00f6nnen den \u00fcblichen Verkaufsfluss eines Artikels analysieren, so dass die normale Zeit zwischen zwei Verk\u00e4ufen eines Produkts in einer bestimmten Filiale bekannt ist. Durch menschliches Eingreifen k\u00f6nnen statistische Anomalien \u00fcberpr\u00fcft und behoben werden.<\/p>\n<\/div>
Die pr\u00e4diktive Analyse ist nur eine der vielen M\u00f6glichkeiten, wie traditionelle Einzelh\u00e4ndler vom maschinellen Lernen profitieren k\u00f6nnen. Sie haben viel zu gewinnen, wenn sie sich auf fortschrittliche Technologie f\u00fcr eine bessere Bestandsverwaltung verlassen, um den Umsatz ihrer Gesch\u00e4fte zu steigern. Die Verarbeitung gro\u00dfer Mengen von data kann ihnen auch dabei helfen, das Sortiment zu optimieren, attraktivere und profitablere Werbeaktionen anzubieten und Preise effizienter festzulegen.<\/p>\n<\/div>
Gut durchdachte Tools k\u00f6nnen komplexe und zeitaufw\u00e4ndige Aufgaben \u00fcbernehmen und schnell genaue reports liefern. Dies ist der eigentliche Wertsch\u00f6pfungshebel von artificial intelligence im Einzelhandel: Er befreit Manager von m\u00fchsamen Vergleichsanalysen aus mehreren Quellen und erm\u00f6glicht es ihnen, sich auf die kontinuierliche Verbesserung des Kundenerlebnisses zu konzentrieren.<\/p>\n<\/div>
\u00dcber die Autoren<\/h2><\/div>Pascal Coggia ist CEO von Artefact UK, wo er f\u00fcr die Expansion der artificial intelligence (AI) und data-driven Produkte und Dienstleistungen des Unternehmens in der Region verantwortlich ist. Als Gr\u00fcndungspartner von Artefact war er zuvor am Hauptsitz in Paris t\u00e4tig und hat in dieser Zeit den Betrieb von Artefact in Dubai aufgebaut. Zuvor war er unter anderem als Berater bei Columbus Consulting Shift in Frankreich und Rocket Internet SE in Gro\u00dfbritannien t\u00e4tig. Er hat einen Master-Abschluss von der HEC Business School in Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit ist ein data-Beratungspartner bei Artefact, wo er an data- und artificial intelligence-(AI)-Projekten mit gro\u00dfen franz\u00f6sischen Unternehmen aus den Bereichen Einzelhandel, Konsumg\u00fcter und Investmentfonds arbeitet. Zuvor leitete er die Strategieteams franz\u00f6sischer Medienkonzerne (Canal + und Lagard\u00e8re Active), nachdem er f\u00fcnfzehn Jahre bei f\u00fchrenden Strategieberatungsunternehmen (OC&C, Diligence Partners und Roland Berger) t\u00e4tig war. Er ist ein Absolvent der franz\u00f6sischen \u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Die Technologie ist vorhanden, aber damit Einzelh\u00e4ndler sie effektiv nutzen und genaue Vorhersagen treffen k\u00f6nnen, m\u00fcssen sie riesige Mengen an data sammeln und analysieren. Ein gro\u00dfer Teil davon liegt in verschiedenen data-Quellen vor und es kann sehr komplex sein, mehrere Excel- und PDF-Dateien zu verarbeiten, die fr\u00fchere reports und Medienpl\u00e4ne enthalten. Gro\u00dfe data-Tools werden ben\u00f6tigt, um diese Informationen in einem sauberen und lesbaren Format zu verarbeiten, das f\u00fcr die Erstellung von Vorhersagemodellen erforderlich ist, die Bestandsprobleme verhindern k\u00f6nnen.<\/p>\n<\/div>
Fr\u00fchere data-Verk\u00e4ufe f\u00fcr ein bestimmtes Gesch\u00e4ft k\u00f6nnen aufgrund von einmaligen Ereignissen (Werbeaktionen, schlechtes Wetter, Verkehrsstaus usw.) \u2018ungenau\u2019 sein. Um diese Verzerrung zu beseitigen, kombinieren Prognosemodelle vergangene Verkaufszahlen mit denen \u00e4hnlicher Gesch\u00e4fte.<\/p>\n<\/div>
Die andere gro\u00dfe Herausforderung besteht darin, zu verhindern, dass Artikel in den Regalen nicht verf\u00fcgbar sind, w\u00e4hrend sie auf Lager sind (da es f\u00fcr die Mitarbeiter fast unm\u00f6glich ist, die Regale in Echtzeit zu \u00fcberwachen und sie sofort wieder aufzuf\u00fcllen).<\/p>\n<\/div>
Es gibt zwar technologische L\u00f6sungen mit \u00dcberwachungskameras und Gewichtssensoren, aber sie sind eine gro\u00dfe Investition. Allerdings k\u00f6nnen leicht verf\u00fcgbare Informationen wie Echtzeit-Verk\u00e4ufe auf SKU-Ebene genutzt werden, um Situationen mit \u2018leeren Regalen\u2019 zu erkennen. Modelle k\u00f6nnen den \u00fcblichen Verkaufsfluss eines Artikels analysieren, so dass die normale Zeit zwischen zwei Verk\u00e4ufen eines Produkts in einer bestimmten Filiale bekannt ist. Durch menschliches Eingreifen k\u00f6nnen statistische Anomalien \u00fcberpr\u00fcft und behoben werden.<\/p>\n<\/div>
Die pr\u00e4diktive Analyse ist nur eine der vielen M\u00f6glichkeiten, wie traditionelle Einzelh\u00e4ndler vom maschinellen Lernen profitieren k\u00f6nnen. Sie haben viel zu gewinnen, wenn sie sich auf fortschrittliche Technologie f\u00fcr eine bessere Bestandsverwaltung verlassen, um den Umsatz ihrer Gesch\u00e4fte zu steigern. Die Verarbeitung gro\u00dfer Mengen von data kann ihnen auch dabei helfen, das Sortiment zu optimieren, attraktivere und profitablere Werbeaktionen anzubieten und Preise effizienter festzulegen.<\/p>\n<\/div>
Gut durchdachte Tools k\u00f6nnen komplexe und zeitaufw\u00e4ndige Aufgaben \u00fcbernehmen und schnell genaue reports liefern. Dies ist der eigentliche Wertsch\u00f6pfungshebel von artificial intelligence im Einzelhandel: Er befreit Manager von m\u00fchsamen Vergleichsanalysen aus mehreren Quellen und erm\u00f6glicht es ihnen, sich auf die kontinuierliche Verbesserung des Kundenerlebnisses zu konzentrieren.<\/p>\n<\/div>
\u00dcber die Autoren<\/h2><\/div>Pascal Coggia ist CEO von Artefact UK, wo er f\u00fcr die Expansion der artificial intelligence (AI) und data-driven Produkte und Dienstleistungen des Unternehmens in der Region verantwortlich ist. Als Gr\u00fcndungspartner von Artefact war er zuvor am Hauptsitz in Paris t\u00e4tig und hat in dieser Zeit den Betrieb von Artefact in Dubai aufgebaut. Zuvor war er unter anderem als Berater bei Columbus Consulting Shift in Frankreich und Rocket Internet SE in Gro\u00dfbritannien t\u00e4tig. Er hat einen Master-Abschluss von der HEC Business School in Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit ist ein data-Beratungspartner bei Artefact, wo er an data- und artificial intelligence-(AI)-Projekten mit gro\u00dfen franz\u00f6sischen Unternehmen aus den Bereichen Einzelhandel, Konsumg\u00fcter und Investmentfonds arbeitet. Zuvor leitete er die Strategieteams franz\u00f6sischer Medienkonzerne (Canal + und Lagard\u00e8re Active), nachdem er f\u00fcnfzehn Jahre bei f\u00fchrenden Strategieberatungsunternehmen (OC&C, Diligence Partners und Roland Berger) t\u00e4tig war. Er ist ein Absolvent der franz\u00f6sischen \u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Pascal Coggia ist CEO von Artefact UK, wo er f\u00fcr die Expansion der artificial intelligence (AI) und data-driven Produkte und Dienstleistungen des Unternehmens in der Region verantwortlich ist. Als Gr\u00fcndungspartner von Artefact war er zuvor am Hauptsitz in Paris t\u00e4tig und hat in dieser Zeit den Betrieb von Artefact in Dubai aufgebaut. Zuvor war er unter anderem als Berater bei Columbus Consulting Shift in Frankreich und Rocket Internet SE in Gro\u00dfbritannien t\u00e4tig. Er hat einen Master-Abschluss von der HEC Business School in Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit ist ein data-Beratungspartner bei Artefact, wo er an data- und artificial intelligence-(AI)-Projekten mit gro\u00dfen franz\u00f6sischen Unternehmen aus den Bereichen Einzelhandel, Konsumg\u00fcter und Investmentfonds arbeitet. Zuvor leitete er die Strategieteams franz\u00f6sischer Medienkonzerne (Canal + und Lagard\u00e8re Active), nachdem er f\u00fcnfzehn Jahre bei f\u00fchrenden Strategieberatungsunternehmen (OC&C, Diligence Partners und Roland Berger) t\u00e4tig war. Er ist ein Absolvent der franz\u00f6sischen \u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>