Skip to main content
SpringerLink
Log in

Fallstudien zum Einsatz von KI-basierter Business Analytics

  • Chapter
  • First Online:
Künstliche Intelligenz für Business Analytics

  • 16k Accesses

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  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. 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. 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. Kumar, V., Anand, A., Song, H.: Future of retailer profitability: An organizing framework. J. Retail. 93(1), 96–119 (2017)

    Google Scholar 

  5. Anderson, E.W.: Customer satisfaction and price tolerance. Mark. Lett. 7(3), 265–274 (1996)

    Google Scholar 

  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. Fleer, J.: Kundenzufriedenheit und Kundenloyalität in Multikanalsystemen des Einzelhandels: Eine kaufprozessphasenübergreifende Untersuchung. Springer, Wiesbaden (2016)

    Google Scholar 

  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. 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. 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. 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. 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. 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. 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. Bösener, K.: Kundenzufriedenheit, Kundenbegeisterung und Kundenpreisverhalten: Empirische Studien zur Untersuchung der Wirkungszusammenhänge. Springer, Berlin (2014)

    Google Scholar 

  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. Fornell, C., et al.: The American customer satisfaction index: nature, purpose, and findings. J. Mark. 60(4), 7–18 (1996)

    Google Scholar 

  18. Becker, J., Schütte, R.: Handelsinformationssysteme. Domänenorientierte Einführung in die Wirtschaftsinformatik, 2. Aufl., Redline-Wirtschaft, Frankfurt an Main (2004)

    Google Scholar 

  19. Schütte, R.: Analyse des Einsatzpotenzials von In-Memory-Technologien in Handelsinformationssystemen. In: IMDM (2011)

    Google Scholar 

  20. Woesner, I.: Retail Omnichannel Commerce – Model Company. https://www.brainbi.dev (2016). Zugegriffen am 01.07.2017

  21. Plattner, H., Leukert, B.: The In-Memory Revolution: How SAP HANA Enables Business of the Future. Springer, Berlin (2015)

    Google Scholar 

  22. Schütte, R., Vetter, T.: Analyse des Digitalisierungspotentials von Handelsunternehmen. In: Handel 4.0, S. 75–113. Springer, Berlin (2017)

    Google Scholar 

  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. Daurer, S., Molitor, D., Spann, M.: Digitalisierung und Konvergenz von Online-und Offline-Welt. Z Betriebswirtsch. 82(4), 3–23 (2012)

    Google Scholar 

  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. Kari, M., Weber, F., Schütte, R.: Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel. Springer, Berlin (2019). HMD Praxis der Wirtschaftsinformatik

    Google Scholar 

  27. Schöler, K.: Das Marktgebiet im Einzelhandel: Determinanten, Erklärungsmodelle u. Gestaltungsmöglichkeiten d. räumlichen Absatzes. Duncker & Humblot, Berlin (1981)

    Google Scholar 

  28. Schröder, H.: Handelsmarketing Methoden und Instrumente im Einzelhandel, 1. Aufl. Redline Wirtschaft, München (2002)

    Google Scholar 

  29. Wedel, M., Kamakura, W.A.: Market Segmentation: Conceptual and Methodological Foundations, Bd. 8. Springer Science & Business Media, New York (2012)

    Google Scholar 

  30. Doyle, P., Saunders, J.: Multiproduct advertising budgeting. Mark. Sci. 9(2), 97–113 (1990)

    Google Scholar 

  31. Smith, W.R.: Product differentiation and market segmentation as alternative marketing strategies. J. Mark. 21(1), 3–8 (1956)

    Google Scholar 

  32. Weinstein, A.: Market Segmentation: Using Niche Marketing to Exploit New Markets. Probus Publishing, Chicago (1987)

    Google Scholar 

  33. Kesting, T., Rennhak, C.: Marktsegmentierung in der deutschen Unternehmenspraxis. Springer, Wiesbaden (2008)

    Google Scholar 

  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. Jiang, H., Kamber, M.: Data Mining: Concept and Techniques, S. 26–78. Morgan Kaufmann Publishers Inc., San Francissco (2001)

    Google Scholar 

  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. Kohonen, T.: Self-Organization and Associative Memory, Bd. 8. Springer Science & Business Media, New York (2012)

    Google Scholar 

  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. Cottrell, M., et al.: Batch and median neural gas. Neural Netw. 19(6–7), 762–771 (2006)

    MATH  Google Scholar 

  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. Martinetz, T., Schulten, K.: A „Neural-Gas“ Network Learns Topologies. MIT Press, Cambridge (1991)

    Google Scholar 

  42. Fritzke, B.: A growing neural gas network learns topologies. In: Advances in Neural Information Processing Systems (1995)

    Google Scholar 

  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. 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. 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. Ghesmoune, M., Lebbah, M., Azzag, H.: A new growing neural gas for clustering data streams. Neural Netw. 78, 36–50 (2016)

    Google Scholar 

  47. Watson, H., Wixom, B.: The current state of business intelligence. Computer. 40, 96–99 (2007)

    Google Scholar 

  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. Hartmann, M.: Preismanagement im Einzelhandel, 1. Aufl., Gabler Edition Wissenschaft (Hrsg.). Dt. Univ.-Verl, Wiesbaden (2006)

    Google Scholar 

  50. Diller, H.: Preispolitik, 3. Aufl., Kohlhammer, Stuttgart (2000)

    Google Scholar 

  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. Mendes, A.B., Themido, I.H.: Multi-outlet retail site location assessment. Int. Trans. Oper. Res. 11(1), 1–18 (2004)

    MATH  Google Scholar 

  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. Meffert, H., Burmann, C., Kirchgeorg, M.: Marketing Grundlagen marktorientierter Unternehmensführung, Konzepte, Instrumente, Praxisbeispiele, 9. Aufl. Gabler, Wiesbaden (2000)

    Google Scholar 

  55. Freter, H.: Marktsegmentierung (Informationen für Marketing-Entscheidungen). DBW, Stuttgart (1983)

    Google Scholar 

  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 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Wirtschaftsinformatik, Universität Duisburg-Essen, Essen, Deutschland

    Felix Weber

Authors
  1. Felix Weber
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

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

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Weber, F. (2020). Fallstudien zum Einsatz von KI-basierter Business Analytics. In: Künstliche Intelligenz für Business Analytics. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-29773-2_4

Download citation

Publish with us

Policies and ethics

Search

Navigation