Datenanalyse ist das Herzstück der Digitalisierung des Einzelhandels. Die Entwicklung von LLM (Large Language Models) und generative KI eröffnen neue Perspektiven für die Nutzung von Textdaten.
In den letzten Jahren haben die Einzelhändler den strategischen Wert der Daten erkannt, die sie und ihre Kunden generieren. Sie haben verstanden, dass sie diese Daten in nützliche, umsetzbare Informationen umwandeln können, um ihre Prozesse zu optimieren und ihre Kunden besser zu bedienen.
In der Praxis stieß die Notwendigkeit einer tiefgreifenden Datenanalyse jedoch immer noch auf operative Hindernisse, die nur schwer zu überwinden waren.
Die Entwicklung neuer Modelle erleichtert nicht nur die Interpretation von Textdaten, sondern macht sie auch viel leichter zugänglich.
Warum ist die Analyse von Textdaten ein wichtiges Thema für Einzelhändler?
In den meisten Einzelhandelsbranchen hat sich der Wettbewerb verschärft. Zu den traditionellen Anbietern sind reine Internetanbieter hinzugekommen, wodurch sich der Wettbewerb ausgeweitet hat. Der Wettbewerb findet jetzt an mehreren Fronten statt (online, im Geschäft), da die Strategien zu Omnichannel werden.
Um wettbewerbsfähig zu bleiben, müssen Sie :
- Mit den Bedürfnissen und Erwartungen der Verbraucher Schritt halten
- Markttrends verstehen
- Optimieren Sie Entscheidungen und Prozesse
Analyse von internen und externen Daten ist eine Antwort auf diese Herausforderungen. Es erleichtert die strategische Entscheidungsfindung. Außerdem hilft es den Einzelhändlern, sich besser in Bezug auf ihr Umfeld (Kunden, Wettbewerber usw.) zu positionieren.
Insbesondere Textdaten Kundenwissen und/oder Benchmark-Daten zur Verfügung stellen. Akteure, die sich das Thema zu eigen machen, werden einen Wettbewerbsvorteil erlangen.
Hier finden Sie einige Anwendungsbeispiele, die die Bedeutung der Textdatenanalyse verdeutlichen:
- Die Bedürfnisse und Vorlieben der Kunden verstehen Textdaten (Kundenrezensionen, Produktbewertungen usw.) geben Aufschluss über die Erfahrungen und Gefühle der Kunden zu ihren Produkten und Dienstleistungen. Die Analyse dieser Daten hilft Einzelhändlern, besser zu verstehen, was ihre Kunden motiviert, was sie mögen und was sie kritisieren, und ihr Angebot und ihre Strategie entsprechend anzupassen.
- Erkennen von neuen Trends Die neuesten Trends: Einzelhändler können Online-Gespräche, Kommentare in sozialen Netzwerken und Kundenrezensionen analysieren, um Veränderungen im Verbraucherverhalten schnell zu erkennen und sich an neue Trends anzupassen.
- E-Reputationsmanagement Die Analyse von Kundenrezensionen und Kommentaren in sozialen Medien ermöglicht es Einzelhändlern, ihren Online-Ruf zu überwachen und Maßnahmen zu dessen Optimierung zu ergreifen.
- Produktabgleich: Sie können auch Textdaten analysieren, um identische oder ähnliche Produkte in Sortimenten auf der Grundlage ihrer Namen zu identifizieren.
Die größten Hindernisse bei der Analyse von Textdaten
Die Vorteile der Analyse von Textdaten liegen auf der Hand. Aber viele Hindernisse machten die Arbeit schwierig.
In erster Linie ist die semantische Analyse besonders nützlich für die Analyse großer Datensätze. Wenn ein Einzelhändler zum Beispiel beschließt, Produktbewertungen zu analysieren, wird er dies für alle ihm vorliegenden Bewertungen und möglicherweise zumindest für eine Auswahl strategischer Produkte tun. Das bedeutet die Analyse großer Datenmengen. Jetzt, Bis zum Aufkommen der LLMs war die Analyse großer Datenmengen sowohl mühsam als auch sehr viel kostspieliger.
Das zweite Hindernis liegt in der Fähigkeit, den die Fähigkeit, den Kontext und die Semantik von Wörtern zu verstehen. If you use a basic template to summarize reviews, you can isolate keywords. But unless you go and find the reviews and check the context, you don’t know whether these words are used positively or negatively. The approach therefore loses its appeal. It should be noted that ohne LLMs möglich ist, sind Modelle wie BERT und, in geringerem Maße, Doc2Vec in der Lage, den Kontext eines Korpus zu „verstehen“.
Das dritte Hindernis steht in direktem Zusammenhang mit den Modellbeschränkungen. Traditional models couldn’t cope with spelling mistakes. However, many of the notices contain errors or have a syntax close to oral, which makes it even more difficult to assess the context or analyze the occurrence of words in the notices. There e ncore ist durchaus auch ohne LLM machbar, entweder durch Vorverarbeitung (Levenshtein-Abstand), oder durch die Verwendung von Modellen wie Word2Vecs, die oft Fehler enthalten, die aus ihrem Trainingskorpus gelernt wurden, oder sogar Modellen wie BERT, die Wörter tokenisieren und daher weniger anfällig für dieses Problem sind.
Endlich Sprachverwaltung war ein weiteres Hindernis. Wenn viele der Rezensionen nicht auf Französisch verfasst sind, wie können sie dann interpretiert werden? Die meisten vortrainierten Modelle sind einsprachig (oder nur auf Englisch wirksam). Um dieses Problem zu überwinden, können Sie ein Spracherkennungsmodell verwenden, um nur Bewertungen in französischer Sprache zu finden. Aber wie können Sie mehrsprachige Rezensionen analysieren?
Die meisten dieser Fragen sind mit erheblicher technischer Komplexität verbunden. Es wäre daher sehr komplex und zeitaufwändig (wenn nicht sogar in einigen Fällen unmöglich) gewesen, Zusammenfassungen von Kundenrezensionen mit maschinellem Lernen zu erstellen und dabei korrekte Antwortzeiten und konsistente, klare Ergebnisse zu gewährleisten.
Warum sind LLMs ein entscheidender Faktor bei der Interpretation von Textdaten?
LLMs, wie ChatGPT, sind „game-changer“ im Bereich NLP (Natural Language Processing). NLP (Natürliche Sprachverarbeitung). Sie erleichtern den Zugang zur Interpretation von Textdaten und optimieren die Leistung erheblich.
In der Tat beseitigen die LLMs fast alle Hindernisse, die wir zuvor aufgelistet haben.
Ein chatGPT LLM wird trainiert trainiert auf einer riesigen Menge von Daten. This training makes him den Kontext „verstehen“ können in denen Wörter verwendet werden, Nuancen, grundlegender Sarkasmus, … All diese „Feinheiten“ sind jedoch für herkömmliche maschinelle Lernmodelle nur schwer zu bewältigen oder erfordern menschliches Eingreifen und damit unerschwingliche Kosten.
Von nun an stellt die Spracherkennung kein Hindernis mehr für neue Modelle dar (abhängig von den Trainingsdaten“ verarbeitet). It is possible to Training mit mehrsprachigen Datensätzen. It is no longer necessary to filter reviews by language before analysis. LLM-based solutions also understand words with spelling errors very well, and are able to reconcile them according to context.
Neben der Überwindung dieser traditionellen Hindernisse bieten LLMs weitere Vorteile.
Es ist möglich eine dialogfähige KI zu „konfigurieren“, indem Sie ihr eine Aufforderung geben. um bestimmte Aufgaben auszuführen, wie z.B. das Zusammenfassen von Kundenrezensionen. Mit der Eingabeaufforderung können Sie dem Modell sehr genaue Anweisungen über Ihre Erwartungen geben: Sprache, Antwortformat usw. Sie können sich auch vorstellen, dass Sie das Modell bitten, eine andere Aufgabe auszuführen. Die Einsatzmöglichkeiten sind also nahezu unbegrenzt.
Welche Einschränkungen gibt es bei der Verwendung von LLMs zur Nutzung semantischer Daten?
LLMs bieten eine Reihe von Vorteilen, die Einzelhändlern helfen, das Beste aus Textdaten zu machen.
Aber diese Art der Nutzung ist auch mit einer Reihe von Einschränkungen verbunden. ein paar Beschränkungenwie zum Beispiel :
- Das Modellgewicht Dieses kann zwischen 5 und 120 GB variieren, je nach Komplexität des Modells und seiner Architektur. der Bedarf an RAM oder VRAM (Modelle, die in die Festplatte geladen werden müssen). An sich sind 120 GB keine unerschwingliche Größe für Festplatten mehr.
- Berechnungszeit: Bei „herkömmlicher“ Hardware explodiert die Berechnungszeit bei der Verwendung solch schwerer Modelle.
Aus technischer Sicht gibt es Möglichkeiten, diese Beschränkungen zu überwinden:
- Auf der Ebene der Software ist es möglich, das Modell zu „komprimieren“, ohne seine Leistung wesentlich zu verringern. Es ist auch möglich, Bibliotheken (in unserem Fall in C++ kompiliert) zu verwenden, die speziell für Matrixberechnungen optimiert sind.
- Auf der Hardwareseite beschleunigen High-End-Grafikprozessoren (GPUs), die speziell für die parallele Bearbeitung einer großen Anzahl von Aufgaben entwickelt wurden, die Reaktionszeiten erheblich.
Ohne die größten Hindernisse, die ihrer Nutzung im Wege stehen, wird die Textdatenanalyse zu einem festen Bestandteil der Analyselösungen des Einzelhandels werden.
Die Vorteile sind in der Tat eindeutig.
Es hilft den Akteuren der Branche, die Gefühle und Bedürfnisse der Kunden besser zu verstehen und die Kundenmeinungen zu verschiedenen Produkten zu vergleichen. So erhalten Sie verwertbare Informationen, mit denen Sie Ihr Sortiment, Ihre Preise usw. optimieren können.
Das Aufkommen von LLMs und generativer KI vereinfacht und erweitert diese Analyse. Die neuen Modelle machen sie sowohl zugänglicher als auch relevanter. Wie die zunehmende Integration von Daten und KI in Entscheidungsprozesse bieten LLMs Einzelhändlern neue Schlüssel zum Verstehen und Handeln.
Inventarverwaltung
- Optimierung der Bestände KI analysiert historische und Echtzeitdaten, um den idealen Lagerbestand zu ermitteln. Dadurch werden die Kosten für überschüssige Bestände minimiert und gleichzeitig Fehlbestände vermieden.
- Vorhersage der Nachfrage: Mithilfe fortschrittlicher Algorithmen kann die KI Verbrauchstrends vorhersagen und die Lagerbestände entsprechend anpassen. Dies ist besonders nützlich für saisonale Produkte oder Artikel mit hoher Nachfrage.
- Automatischer Nachschub: KI kann automatisch Nachschubbestellungen auslösen, wenn die Bestände einen bestimmten Schwellenwert erreichen, um eine kontinuierliche Produktverfügbarkeit zu gewährleisten.
Prädiktive Analyse
- Trends vorhersehen: Durch die Analyse großer Datenmengen aus einer Vielzahl von Quellen (vergangene Verkäufe, Kundenverhalten, Markttrends) kann KI aufkommende Trends erkennen und Einzelhändlern helfen, fundierte Entscheidungen zu treffen.
- Personalisierung der Angebote: Durch ein besseres Verständnis der Kundenpräferenzen können Einzelhändler ihre Angebote und Promotionen gezielter gestalten und so den Umsatz und die Kundenzufriedenheit steigern.
- Preisoptimierung: KI-Algorithmen können Marktdaten analysieren und Preise in Echtzeit anpassen, um die Margen zu maximieren und gleichzeitig wettbewerbsfähig zu bleiben.
Vielen Dank an Siegfried Delannoy und Lucas Duleu, beide Datenwissenschaftler, für ihre wertvolle Zeit und ihren wesentlichen Beitrag zu unseren Diskussionen, die das Schreiben dieses Artikels bereichert haben.
