Advertisement

Fallstudien zum Einsatz von KI-basierter Business Analytics

  • Felix Weber
Chapter
  • 280 Downloads

Zusammenfassung

Die Veränderungen im Einzelhandel in den letzten Jahren waren vielfältig: Die Globalisierung hat dazu geführt, dass internationale Wettbewerber Zugang zu den Märkten erhalten haben und nun Produkte in gleicher Qualität zu niedrigeren Preisen anbieten können. Darüber hinaus treten andere Marktteilnehmer, insbesondere aus dem E-Commerce, in den ohnehin schon hart umkämpften Markt ein und verschärfen damit den Wettbewerb. Dies und andere Faktoren haben zu einem zunehmenden Verdrängungswettbewerb geführt, nicht nur aufgrund von Überkapazitäten, sondern auch aufgrund stagnierender Gesamtmarktvolumina. Der Spielraum für die Preisdifferenzierung ist insgesamt geringer geworden, da in vielen Produktkategorien eine „technisch-funktionale Harmonisierung“ stattgefunden hat. Aufgrund der Ähnlichkeit von Sortimenten und Geschäftsarten im Einzelhandel – insbesondere im Lebensmittelsektor – ist der Einzelhandelspreis weitgehend das einzige verbleibende Wettbewerbsinstrument. Die erhöhte Preistransparenz der Verbraucher beruht auf der erhöhten Transparenz durch die allgegenwärtige Verfügbarkeit des Internets und der Preissuchmaschinen und -vergleiche. Der (positive) Zusammenhang zwischen Kundenzufriedenheit und Kaufbereitschaft ist wissenschaftlich nahezu unbestritten [1–5] und könnte neben der Preisorientierung als weiteres Wettbewerbsinstrument im deutschen Lebensmitteleinzelhandel genutzt werden. Das veränderte Kundenverhalten und die breitere Verfügbarkeit von Informationen sollen nicht nur den Kunden zugutekommen, sondern auch den Händlern zu ihrem eigenen Vorteil dienen. Das vorgestellte Forschungsprojekt stellt eine Fallstudie des stationären Einzelhandels mit einer bestehenden, auf Standardsoftware basierenden Retail-Systemarchitektur vor.

Literatur

  1. 1.
    Hallowell, R.: The relationships of customer satisfaction, customer loyalty, and profitability: an empirical study. Int. J. Serv. Ind. Manag. 7(4), 27–42 (1996)Google Scholar
  2. 2.
    Homburg, C., Koschate, N., Hoyer, W.D.: Do satisfied customers really pay more? A study of the relationship between customer satisfaction and willingness to pay. J. Mark. 69(2), 84–96 (2005)Google Scholar
  3. 3.
    Francioni, B., Savelli, E., Cioppi, M.: Store satisfaction and store loyalty: The moderating role of store atmosphere. J. Retail. Consum. Serv. 43, 333–341 (2018)Google Scholar
  4. 4.
    Kumar, V., Anand, A., Song, H.: Future of retailer profitability: An organizing framework. J. Retail. 93(1), 96–119 (2017)Google Scholar
  5. 5.
    Anderson, E.W.: Customer satisfaction and price tolerance. Mark. Lett. 7(3), 265–274 (1996)Google Scholar
  6. 6.
    Renker, C., Maiwald, F.: Vorteilsstrategien des stationären Einzelhandels im Wettbewerb mit dem Online-Handel. In: Binckebanck, L., Elste, R. (Hrsg.) Digitalisierung im Vertrieb: Strategien zum Einsatz neuer Technologien in Vertriebsorganisationen, S. 85–104. Springer Fachmedien, Wiesbaden (2016)Google Scholar
  7. 7.
    Fleer, J.: Kundenzufriedenheit und Kundenloyalität in Multikanalsystemen des Einzelhandels: Eine kaufprozessphasenübergreifende Untersuchung. Springer, Wiesbaden (2016)Google Scholar
  8. 8.
    IFH: Catch me if you can – Wie der stationäre Handel seine Kunden einfangen kann. https://www.cisco.com/c/dam/m/digital/de_emear/1260500/IFH_Kurzstudie_EH_digital_Web.pdf (2017). Zugegriffen am 23.07.2018
  9. 9.
    Töpfer, A.: Konzeptionelle Grundlagen und Messkonzepte für den Kundenzufriedenheitsindex (KZI/CSI) und den Kundenbindungsindex (KBI/CRI). In: Töpfer, A. (Hrsg.) Handbuch Kundenmanagement: Anforderungen, Prozesse, Zufriedenheit, Bindung und Wert von Kunden., S. 309–382. Springer, Berlin/Heidelberg (2008)Google Scholar
  10. 10.
    Anders, G.: Inside Amazon’s Idea Machine: How Bezos Decodes Customers. https://www.forbes.com/sites/georgeanders/2012/04/04/inside-amazon/#73807ee56199 (2012). Zugegriffen am 20.05.2018
  11. 11.
    Constantinides, E., Romero, C.L., Boria, M.A.G.: Social media: a new frontier for retailers? Eur. Retail Res. 22, 1–28 (2008)Google Scholar
  12. 12.
    Piotrowicz, W., Cuthbertson, R.: Introduction to the special issue information technology in retail: Toward omnichannel retailing. Int. J. Electron. Commer. 18(4), 5–16 (2014)Google Scholar
  13. 13.
    Evanschitzky, H., et al.: Consumer trial, continuous use, and economic benefits of a retail service innovation: the case of the personal shopping assistant. J. Prod. Innov. Manag. 32(3), 459–475 (2015)Google Scholar
  14. 14.
    Oliver, R.L.: Effect of expectation and disconfirmation on postexposure product evaluations: an alternative interpretation. J. Appl. Psychol. 62(4), 480 (1977)Google Scholar
  15. 15.
    Bösener, K.: Kundenzufriedenheit, Kundenbegeisterung und Kundenpreisverhalten: Empirische Studien zur Untersuchung der Wirkungszusammenhänge. Springer, Berlin (2014)Google Scholar
  16. 16.
    Simon, A., et al.: Safety and usability evaluation of a web-based insulin self-titration system for patients with type 2 diabetes mellitus. Artif. Intell. Med. 59(1), 23–31 (2013)Google Scholar
  17. 17.
    Fornell, C., et al.: The American customer satisfaction index: nature, purpose, and findings. J. Mark. 60(4), 7–18 (1996)Google Scholar
  18. 18.
    Becker, J., Schütte, R.: Handelsinformationssysteme. Domänenorientierte Einführung in die Wirtschaftsinformatik, 2. Aufl., Redline-Wirtschaft, Frankfurt an Main (2004)Google Scholar
  19. 19.
    Schütte, R.: Analyse des Einsatzpotenzials von In-Memory-Technologien in Handelsinformationssystemen. In: IMDM (2011)Google Scholar
  20. 20.
    Woesner, I.: Retail Omnichannel Commerce – Model Company. https://www.brainbi.dev (2016). Zugegriffen am 01.07.2017
  21. 21.
    Plattner, H., Leukert, B.: The In-Memory Revolution: How SAP HANA Enables Business of the Future. Springer, Berlin (2015)Google Scholar
  22. 22.
    Schütte, R., Vetter, T.: Analyse des Digitalisierungspotentials von Handelsunternehmen. In: Handel 4.0, S. 75–113. Springer, Berlin (2017)Google Scholar
  23. 23.
    Meffert, H., Burmann, C., Kirchgeorg, M.: Marketing: Grundlagen marktorientierter Unternehmensführung. Konzepte – Instrumente – Praxisbeispiele, 12. Aufl., S. 357–768. Springer Fachmedien, Wiesbaden (2015)Google Scholar
  24. 24.
    Daurer, S., Molitor, D., Spann, M.: Digitalisierung und Konvergenz von Online-und Offline-Welt. Z Betriebswirtsch. 82(4), 3–23 (2012)Google Scholar
  25. 25.
    Weber, F., Schütte, R.: A domain-oriented analysis of the impact of machine learning – the case of retailing. Big Data Cogn. Comput. 3(1), 11 (2019)Google Scholar
  26. 26.
    Kari, M., Weber, F., Schütte, R.: Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel. Springer, Berlin (2019). HMD Praxis der WirtschaftsinformatikGoogle Scholar
  27. 27.
    Schöler, K.: Das Marktgebiet im Einzelhandel: Determinanten, Erklärungsmodelle u. Gestaltungsmöglichkeiten d. räumlichen Absatzes. Duncker & Humblot, Berlin (1981)Google Scholar
  28. 28.
    Schröder, H.: Handelsmarketing Methoden und Instrumente im Einzelhandel, 1. Aufl. Redline Wirtschaft, München (2002)Google Scholar
  29. 29.
    Wedel, M., Kamakura, W.A.: Market Segmentation: Conceptual and Methodological Foundations, Bd. 8. Springer Science & Business Media, New York (2012)Google Scholar
  30. 30.
    Doyle, P., Saunders, J.: Multiproduct advertising budgeting. Mark. Sci. 9(2), 97–113 (1990)Google Scholar
  31. 31.
    Smith, W.R.: Product differentiation and market segmentation as alternative marketing strategies. J. Mark. 21(1), 3–8 (1956)Google Scholar
  32. 32.
    Weinstein, A.: Market Segmentation: Using Niche Marketing to Exploit New Markets. Probus Publishing, Chicago (1987)Google Scholar
  33. 33.
    Kesting, T., Rennhak, C.: Marktsegmentierung in der deutschen Unternehmenspraxis. Springer, Wiesbaden (2008)Google Scholar
  34. 34.
    Huang, J.-J., Tzeng, G.-H., Ong, C.-S.: Marketing segmentation using support vector clustering. Expert Syst. Appl. 32(2), 313–317 (2007)Google Scholar
  35. 35.
    Jiang, H., Kamber, M.: Data Mining: Concept and Techniques, S. 26–78. Morgan Kaufmann Publishers Inc., San Francissco (2001)Google Scholar
  36. 36.
    MacQueen, J.: Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Oakland (1967)Google Scholar
  37. 37.
    Kohonen, T.: Self-Organization and Associative Memory, Bd. 8. Springer Science & Business Media, New York (2012)Google Scholar
  38. 38.
    Mitsyn, S., Ososkov, G.: The growing neural gas and clustering of large amounts of data. Opt. Mem. Neural Netw. 20(4), 260–270 (2011)Google Scholar
  39. 39.
    Cottrell, M., et al.: Batch and median neural gas. Neural Netw. 19(6–7), 762–771 (2006)zbMATHGoogle Scholar
  40. 40.
    Brescia, M., et al.: The detection of globular clusters in galaxies as a data mining problem. Mon. Not. R. Astron. Soc. 421(2), 1155–1165 (2012)Google Scholar
  41. 41.
    Martinetz, T., Schulten, K.: A „Neural-Gas“ Network Learns Topologies. MIT Press, Cambridge (1991)Google Scholar
  42. 42.
    Fritzke, B.: A growing neural gas network learns topologies. In: Advances in Neural Information Processing Systems (1995)Google Scholar
  43. 43.
    Chaudhary, V., Ahlawat, A.K., Bhatia, R.: Growing neural networks using soft competitive learning. Int. J. Comput. Appl. (0975–8887). 21, 1 (2011)Google Scholar
  44. 44.
    Xinjian, Q., Guojian, C., Zheng, W.: An overview of some classical Growing Neural Networks and new developments. In: 2010 2nd International Conference on Education Technology and Computer (2010)Google Scholar
  45. 45.
    Angora, G., et al.: Neural gas based classification of globular clusters. In: International Conference on Data Analytics and Management in Data Intensive Domains. Springer, Berlin (2017)Google Scholar
  46. 46.
    Ghesmoune, M., Lebbah, M., Azzag, H.: A new growing neural gas for clustering data streams. Neural Netw. 78, 36–50 (2016)Google Scholar
  47. 47.
    Watson, H., Wixom, B.: The current state of business intelligence. Computer. 40, 96–99 (2007)Google Scholar
  48. 48.
    Awadallah, A., Graham, D.: Hadoop and the Data Warehouse: When to Use Which. Copublished by Cloudera, Inc. and Teradata Corporation, California (2011)Google Scholar
  49. 49.
    Hartmann, M.: Preismanagement im Einzelhandel, 1. Aufl., Gabler Edition Wissenschaft (Hrsg.). Dt. Univ.-Verl, Wiesbaden (2006)Google Scholar
  50. 50.
    Diller, H.: Preispolitik, 3. Aufl., Kohlhammer, Stuttgart (2000)Google Scholar
  51. 51.
    Weber, F.: Streaming analytics – real-time customer satisfaction in brick-and-mortar retailing. In: Cybernetics and Automation Control Theory Methods in Intelligent Algorithms. Springer, Cham (2019)Google Scholar
  52. 52.
    Mendes, A.B., Themido, I.H.: Multi-outlet retail site location assessment. Int. Trans. Oper. Res. 11(1), 1–18 (2004)zbMATHGoogle Scholar
  53. 53.
    Themido, I.H., Quintino, A., Leitão, J.: Modelling the retail sales of gasoline in a Portuguese metropolitan area. Int. Trans. Oper. Res. 5(2), 89–102 (1998)Google Scholar
  54. 54.
    Meffert, H., Burmann, C., Kirchgeorg, M.: Marketing Grundlagen marktorientierter Unternehmensführung, Konzepte, Instrumente, Praxisbeispiele, 9. Aufl. Gabler, Wiesbaden (2000)Google Scholar
  55. 55.
    Freter, H.: Marktsegmentierung (Informationen für Marketing-Entscheidungen). DBW, Stuttgart (1983)Google Scholar
  56. 56.
    Weber, F., Schütte, R.: State-of-the-art and adoption of artificial intelligence in retailing. Digital Policy Regul. Gov. 21(3), 264–279 (2019)Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  • Felix Weber
    • 1
  1. 1.Lehrstuhl für WirtschaftsinformatikUniversität Duisburg-EssenEssenDeutschland

Personalised recommendations