Die Verbreitung von IoT-fähigen Geräten und Sensoren im Verkauf und Kundenservice, in Warenlagern und Lieferketten macht auch vor dem Einzelhandel nicht halt. Durch den Einsatz von KI zur besseren Nutzung der von den IoT-Geräten erzeugten Daten entsteht die künstliche Intelligenz der Dinge (Artificial Intelligence of Things, AIoT), die auch für den Einzelhandel immer wichtiger wird.

In seinem Report über IoT im Einzelhandel und in der Bekleidungsindustrie stellt Global Data fest, dass der Einzug von KI in IoT-Produkte und IoT-Dienstleistungen im Einzelhandel unvermeidlich ist und dass er auch bereits stattfindet: „Die wichtigsten Ebenen in der IoT-Wertschöpfungskette sind die physische Ebene, Konnektivität, Daten, Anwendungen und Dienstleistungen. Während diese Ebenen logisch voneinander getrennt sind, verschwimmen die logischen Grenzen bei groß angelegten IoT-Lösungen zunehmend.“

„Zwar wird es beispielsweise weiterhin eine klar identifizierbare Datenschicht am oberen Ende des Stacks geben, aber ein wachsender Anteil der Datenverarbeitung wird im Inneren und am Rand des Netzwerks stattfinden. Die beschleunigte Entwicklung der generativen KI, insbesondere von ChatGPT, hat die Bedeutung der KI auf allen IoT-Ebenen gesteigert. Eine wachsende Zahl von IoT-Produkten und IoT-Services integriert daher KI in ihre Funktionalität, insbesondere in ihre kundenorientierten Schnittstellen."

Mit KI die IoT-Datenflut sinnvoll nutzen

Die ersten KI-Anwendungen im Einzelhandel konzentrieren sich wahrscheinlich auf generative KI (Gen-AI) und Large Language Models (LLMs). Diese können für die direkte Interaktion mit den Kunden über Filial-Apps oder den Omnichannel-Kundenservice und sogar zur Unterstützung der Mitarbeiter im Lager eingesetzt werden.

Eines der größten Probleme der heutigen LLM-basierten KI ist jedoch, dass sie relativ teuer und langsam ist. IoT-Daten einfach an ein LLM zu übertragen, ist aufwendig und sehr teuer. Den größten Nutzen aus der Konvergenz von KI und IoT im Einzelhandel werden Unternehmen ziehen, die intelligente Anwendungsfälle identifizieren, von denen Kunden, Mitarbeiter und das Unternehmen gleichermaßen profitieren.

Ereignisgesteuertes Denken ist der entscheidende Faktor beim Einsatz von KI und IoT im Einzelhandel

Granulares Routing über Event-Streaming ermöglicht es den Systemen, bei der KI-Analyse selektiver vorzugehen und damit kostengünstiger und flexibler auf Ereignisse zu reagieren. Ein Ereignis ist eine Zustandsänderung oder Aktualisierung, z. B. wenn ein Artikel in einen Einkaufswagen gelegt, eine Kundenkarte beantragt oder eine Bestellung versandfertig gemacht wird.

Ereignisse werden mit einem Betreff „veröffentlicht“, der angibt, worum es sich handelt. Systeme können alle Ereignisse mit relevantem Betreff „abonnieren“. KI-Systeme empfangen Ereignisse und erzeugen Echtzeitergebnisse, die automatisch Lösungen/Aktionen in Echtzeit auslösen können. Dieser Datenfluss bietet gleichzeitig die Grundlage für kontinuierliches Lernen – entweder durch die Aufnahme in eine Vektordatenbank oder für die Optimierung des Modells.

Drei Anwendungsbeispiele zur Verdeutlichung

Ereignisgesteuerte IoT-Datenströme können Kunden und Mitarbeitern des Einzelhandels in den Filialen, im Kundenservice und sogar in der Lagerhaltung Vorteile bieten.

Im Folgenden werden drei Anwendungsfälle beschrieben, in denen die Konvergenz von KI und IoT im Einzelhandel, unterstützt durch Event-Streaming, eine entscheidende Verbesserung bewirken kann.

1.   In der Filiale: Integration von KI in In-Store-Apps, um jede Interaktion mit dem Kunden zu personalisieren

AIoT ermöglicht es Einzelhändlern, Filial- und Kundendaten intelligent zu nutzen, um hochgradig personalisierte Einkaufserlebnisse zu schaffen. Durch den Einsatz von KI zur Analyse von Kundendaten aus IoT-Geräten können Einzelhändler Produktempfehlungen, Angebote und sogar Einkaufserlebnisse auf individuelle Vorlieben abstimmen. Ein Beispiel hierfür wäre ein Kundendienstassistent im Geschäft, der weiß, wo sich der Kunde befindet und –  was noch wichtiger ist – wo sich alles andere befindet.  

Ein Kunde könnte zum Beispiel der App im Baumarkt sagen, dass er einen Zaun bauen möchte. Er müsste dann nicht mehr darauf warten, dass ihm der Baumarktmitarbeiter sagt, welches Material er braucht und wo er es findet. Stattdessen würde ein KI-Assistent die spezifischen Filial-Informationen  nutzen, um eine auf die Bedürfnisse des Kunden zugeschnittene Antwort zu geben. Er würde auf seine Datenbanken zugreifen und die Anfrage intelligent beantworten, indem er sagt: "Okay, wir haben herausgefunden, welche Art von Material Sie benötigen. Jetzt schauen wir, wo Sie es finden.” 

Die Kundenerfahrung am Frontend zu maximieren, erfordert Datenbewegungen am Backend

Um solche Anfragen schnell, präzise und effizient bearbeiten zu können, müssen alle Bestandsinformationen und die KI ereignisgesteuert verarbeitet werden. Nur so erfährt der Kunde in Echtzeit, ob das von ihm benötigte Material verfügbar ist. Der kontextbezogene Einsatz von Sensoren in der Filiale ist erforderlich, um den Kunden zu dem Bereich zu führen, in dem er die gewünschte Ware findet.

Ein ereignisgesteuerter Ansatz, der die Gerätedaten und die KI-Verarbeitung integriert, nutzt ein Event-Mesh. Dabei handelt es sich um ein Netzwerk miteinander verbundener Event-Broker, das die Verteilung von Ereignisinformationen zwischen Anwendungen, Cloud-Diensten und Geräten ermöglicht, um eine Echtzeitverarbeitung zu ermöglichen und vorausschauende Erkenntnisse zu gewinnen. Nach dem Kauf könnten auch Backend-Dokumentationen und Anleitungen enthalten sein, die dem Kunden erklären, wie er sein Projekt zu Hause umsetzen kann.

2.   Im Call-Center: Unterstützung der Kundendienstmitarbeiter im Hintergrund

Moderne Kundenkontaktzentren optimieren den Kundenservice mit einem KI-Copiloten. So ist jetzt der Microsoft Copilot ein integraler Bestandteil von Microsoft 365. Er erweitert bestehende Contact-Center-Kanäle um generative KI mit dem Ziel, das Serviceerlebnis zu verbessern und die Produktivität der Agenten zu steigern. 

KI kann bei der Bearbeitung von aufgezeichneten oder Echtzeit-Anrufen im Kundendienst helfen, um auf schwerwiegende Probleme aufmerksam zu machen, die dringend einer Lösung bedürfen. Dabei ersetzt die KI nicht den Kundendienstmitarbeiter, sie reagiert vielmehr auf Probleme, die bei einem Anruf von Mensch zu Mensch auftreten, indem sie in Echtzeit Informationen über den Kunden und sein Problem bereitstellt. 

Ereignisgesteuerte KI liefert Kundendienstmitarbeitern zusätzlichen Kontext

Durch die Aktivierung dieses KI-Copiloten und die Verknüpfung mit den zahlreichen Datenpunkten im gesamten Kundendienstprozess – CRM-Daten zur Kundenhistorie, Art des Geräts/Kanals, über den der Kunde kommuniziert, Kundendienstskripte/Protokolle und BI-Reports – können Unternehmen dem Kundendienstmitarbeiter in Echtzeit zusätzliche Informationen bereitstellen. 

KI-Agenten können eine enge Gruppe von Ereignissen abonnieren, eine spezifische Prompt-Vorlage für dieses Abonnement bereitstellen und dann ein LLM verwenden, um das Ereignis mit zusätzlichen Informationen anzureichern. Beispielsweise können Sie eine Stimmungsanalyse der Benutzerinteraktionen durchführen, um zu erkennen, welche Kunden an einen Experten weitergeleitet werden müssen. Sie können auch Kunden identifizieren, die für einen Upsell bereit sind, oder neue Ereignisse aus der Kombination der gesammelten Daten synthetisieren.

3.   Im Lager: Befähigung und Schutz der Arbeiter vor Ort

Weiter oben in der Lieferkette des Einzelhandels kann die KI Fabrikarbeitern bei der Verwaltung von Ausnahmen helfen. Die meisten Einzelhändler verwenden heute mobile Geräte oder Tablets für die Bestandsverwaltung. Diese werden bei der Bestandsüberwachung und vergleichbaren Aufgaben durch IoT-Geräte in den Verkaufsräumen unterstützt. 

All das bietet eine Fülle potenzieller Vorteile, aus denen die KI neue Erkenntnisse gewinnen und Problemlösungen vorschlagen kann. Beispielsweise könnte eine Generative KI allen Mitarbeitern eine sehr einfache Möglichkeit bieten, Probleme, Vorfälle oder Beinaheunfälle zu melden oder Vorschläge zur Effizienzsteigerung zu machen. Dabei handelt es sich um qualitative Informationen, die von einer LLM-basierten KI geprüft, sortiert und gruppiert werden können, um dem Management kuratierte Ratschläge zu unterbreiten. 

Notfallreaktion in Echtzeit zur Aufrechterhaltung des Betriebs

Die Geschwindigkeit, mit der Unternehmen in Echtzeit auf Notfälle im Lager oder in der Fabrik reagieren, könnte erheblich gesteigert werden. Ein ereignisgesteuertes System, das Informationen liefert, und eine KI, die diese Informationen übersetzt, prüft und so schnell wie möglich an die zuständige Person weiterleitet, könnten die Sicherheit in der Fabrik erhöhen und Zeit und Geld sparen.

Dabei kann das Event-Mesh viele KI-Agenten verbinden, die jeweils auf eine bestimmte Gruppe von Ereignissen zugeschnitten sind. Das kann beispielsweise so erfolgen: Alle Ereignisse, die Audio-Rohdaten enthalten, werden abonniert. Ein Spracherkennungs-Tool erstellt eine Transkription jedes Gesprächs, die im Event-Mesh veröffentlicht wird. Alle diese Komponenten kommunizieren asynchron über das Event-Mesh und versenden garantierte Nachrichten, die sicherzustellen, dass keine Ereignisse unterwegs verloren gehen und dass sie an die richtige Person oder das richtige Gerät weitergeleitet werden, um eine Notfallreaktion auszulösen.

Die Zukunft des Einzelhandels ist intelligent und vernetzt

Die Konvergenz von KI und IoT im Einzelhandel ist keine Modeerscheinung, sondern eine Revolution, die mit den Technologien und Daten, über die der Einzelhandel heute verfügt, bereits möglich ist.

Der Schlüssel zu diesen Vorteilen liegt in einem ereignisgesteuerten Ansatz. Durch die gezielte Einspeisung relevanter Daten in KI-Systeme können Einzelhändler Echtzeitlösungen implementieren, um das Kundenerlebnis auf ein neues Niveau zu heben, Mitarbeiter zu befähigen und Prozesse zu optimieren.

Zum Autor: Edward Funnekotter ist Chefarchitekt und KI-Verantwortlicher bei Solace. Er leitet die Architekturteams für die Cloud- und Event-Broker-Produkte und ist auch für die strategische Ausrichtung des Unternehmens in Bezug auf die KI-Integration in Produkte und interne Tools verantwortlich. Funnekotter begann seine Karriere bei Solace 2004 als FPGA-Architekt. Später wechselte er ins Management und leitete mehrere Jahre lang das Core Product Development Team, bevor er seine derzeitige Position übernahm.