Analyse der Daten ist das Herzstück der Digitalisierung des Einzelhandels. Die Entwicklung von LLM (Large Language Models) und der Linguistik. generative KI eröffnet neue Perspektiven für die Nutzung von Textdaten.
In den letzten Jahren sind sich die Einzelhändler der strategischen Bedeutung der Daten, die sie und ihre Kunden generieren, bewusst geworden. Sie verstehen, dass sie diese Daten in nützliche und umsetzbare Informationen umwandeln können, um ihre Prozesse zu optimieren und ihren Kunden einen besseren Service zu bieten.
In der Praxis stieß die Notwendigkeit einer gründlichen Datenanalyse jedoch immer noch auf schwer zu überwindende operative Hindernisse.
Die Entwicklung neuer Modelle erleichtert die Interpretation von Textdaten und macht sie zugänglicher.
Warum ist die Analyse von Textdaten eine Schlüsselfrage für Einzelhändler?
In den meisten vertikalen Bereichen des Einzelhandels ist der Wettbewerb verschärft. Zu den traditionellen Akteuren sind reine Online-Player hinzugekommen, die den Wettbewerbsrahmen erweitern. Der Wettbewerb findet nun an mehreren Fronten statt (online, in den Geschäften), da die Strategien auf Omnichannel ausgerichtet sind.
Um wettbewerbsfähig zu bleiben, müssen Sie daher :
- Mit den Bedürfnissen und Erwartungen der Verbraucher Schritt halten
- Verstehen Sie die Entwicklungen auf Ihrem Markt
- Optimierung der Entscheidungsfindung und der Prozesse
Analyse interner und externer Daten ist eine Antwort auf diese Herausforderungen. Sie erleichtert die strategische Entscheidungsfindung. Sie hilft den Einzelhändlern auch, sich besser in Bezug auf ihre Umgebung (Kunden, Konkurrenten, …) zu positionieren.
Insbesondere sind die Textdaten Elemente für Kundenwissen und/oder Benchmarks liefern. Die Akteure, die sich das Thema zu eigen machen, verschaffen sich einen Wettbewerbsvorteil.
Hier sind einige Beispiele, die die Bedeutung der Analyse von Textdaten verdeutlichen:
- Verständnis der Bedürfnisse und Präferenzen der Kunden Textdaten (Kundenbewertungen, Produktbewertungen, …) liefern Informationen über die Erfahrungen und Gefühle der Kunden in Bezug auf Produkte und Dienstleistungen. Die Analyse dieser Daten hilft Einzelhändlern, besser zu verstehen, was ihre Kunden motiviert, was sie schätzen und was sie kritisieren, und ihr Angebot und ihre Strategie entsprechend anzupassen.
- Erkennung von aufkommenden Trends Die Einzelhändler können Online-Konversationen, Kommentare in sozialen Netzwerken und Kundenmeinungen analysieren, um Änderungen im Verbraucherverhalten schnell zu erkennen und sich auf neue Trends einzustellen.
- Verwaltung der E-Reputation E-Reporting: Die Analyse von Kundenmeinungen und Social-Media-Kommentaren ermöglicht es Einzelhändlern, ihren Online-Ruf zu verfolgen und Maßnahmen zu dessen Optimierung zu ergreifen.
- Produkt-Matching: Sie können auch Textdaten analysieren, um identische oder ähnliche Produkte in Sortimenten anhand ihrer Bezeichnungen zu identifizieren.
Die größten Hindernisse bei der Analyse von Textdaten
Der Nutzen der Analyse von Textdaten ist offensichtlich. Aber mehrere Hindernisse erschwerten die Arbeit.
Zunächst ist die semantische Analyse vor allem dann interessant, wenn es darum geht, große Datensätze zu analysieren. Wenn ein Einzelhändler beispielsweise beschließt, Produktbewertungen zu analysieren, wird er dies für alle ihm zur Verfügung stehenden Bewertungen und möglicherweise zumindest für eine Auswahl strategischer Produkte tun. Es müssen also große Datensätze analysiert werden. Gold, Bis zur Entstehung der LLMs war die Analyse großer Datensätze sowohl zeitaufwendig als auch viel teurer..
Die zweite Hürde besteht in der Fähigkeit, die Sprache zu verstehen und zu verstehen. Fähigkeit, den Kontext und die Semantik von Wörtern zu beurteilen. Wenn Sie ein grundlegendes Modell zur Zusammenfassung von Meinungen verwenden, können Sie Schlüsselwörter isolieren. Aber wenn Sie nicht die Bewertungen aufsuchen und den Kontext überprüfen, wissen Sie nicht, ob diese Wörter positiv oder negativ verwendet werden. Der Ansatz verliert daher an Bedeutung. Beachten Sie, dass es ohne LLMs möglich ist, können Modelle wie BERT und in geringerem Maße Doc2Vec den Kontext eines Korpus „verstehen“.
Das dritte Hindernis steht in direktem Zusammenhang mit den Grenzen der Modelle. Die traditionellen Modelle konnten nicht gut mit Rechtschreibfehlern umgehen. Viele Stellungnahmen weisen jedoch Fehler oder einen mündlichen Satzbau auf, was die Beurteilung des Kontextes oder die Analyse des Vorkommens von Wörtern in den Stellungnahmen noch komplizierter macht. Hier e Auch dies ist ohne LLM machbar, entweder über eine Vorverarbeitung (Levenshtein-Distanz) oder durch die Verwendung von Modellen wie Word2Vecs, die oft Fehler enthalten, die sie in ihren Trainingskorpora gelernt haben, oder Modellen wie BERT, die Wörter tokenisieren und daher weniger anfällig für diese Sorge sind.
Schließlich die Sprachenmanagement war ein weiteres Hindernis. Wenn ein großer Teil der Bewertungen nicht auf Deutsch verfasst ist, wie sind sie dann zu interpretieren? Die meisten vorab trainierten Modelle sind einsprachig (oder nur in Englisch wirksam). Um dieses Problem zu lösen, können Sie ein Modell mit Spracherkennung verwenden, um nur die in Französisch verfassten Beiträge zu erhalten. Aber wie kann man in diesem Fall eine Analyse für mehrsprachige Bewertungen durchführen?
Die meisten dieser Probleme sind technisch sehr komplex. Es wäre daher sehr komplex und zeitaufwendig (in einigen Fällen sogar unmöglich) gewesen, Zusammenfassungen von Kundenmeinungen mit Hilfe von Machine Learning zu erstellen und dabei eine korrekte Antwortzeit und kohärente und klare Ergebnisse zu gewährleisten.
Warum verändern LLMs die Interpretation von Textdaten?
LLMs vom Typ ChatGPT sind „Game-Changer“ in Bezug auf NLP. NLP (Natural Language Processing). Sie erleichtern den Zugang zur Interpretation von Textdaten und steigern die Leistung erheblich.
In der Tat lösen die LLM fast alle Hindernisse, die wir oben aufgelistet haben.
Ein LLM vom Typ chatGPT wird in einem riesigen wird mit einer riesigen Datenmenge trainiert. Dieses Training macht ihn in der Lage, den Kontext zu „verstehen“ in denen Wörter, Nuancen, grundlegender Sarkasmus, … verwendet werden. All diese „Feinheiten“ sind für traditionelle Machine-Learning-Modelle schwer zu bewältigen oder erfordern menschliches Eingreifen und damit untragbare Kosten.
Jetzt ist die Spracherkennung kein Hindernis mehr für neue Modelle (abhängig von den „Trainingsdaten“). der verarbeiteten „Trainingsdaten“). Es ist möglich, sie zu mit mehrsprachigen Datensätzen trainieren. Es ist daher nicht mehr notwendig, die Meinungen vor der Analyse nach Sprache zu filtern. LLM-basierte Lösungen verstehen auch Wörter mit Rechtschreibfehlern sehr gut und sind in der Lage, sie je nach Kontext abzustimmen.
Neben der Überwindung dieser traditionellen Hindernisse bieten die LLM auch andere Vorteile.
Es ist möglich, eine eine konversationelle KI „konfigurieren“, indem man ihr einen Prompt gibt. so dass es bestimmte Aufgaben ausführen kann, z.B.: Zusammenfassung von Kundenmeinungen. Mit dem Prompt können Sie dem Modell sehr genaue Anweisungen über Ihre Erwartungen geben: Sprache, Antwortformat, … Sie können sich auch vorstellen, das Modell um eine andere Aufgabe zu bitten. Die Anwendungsmöglichkeiten sind also nahezu unbegrenzt.
Welche Einschränkungen bestehen für die Verwendung von LLMs bei der Nutzung semantischer Daten?
LLMs haben viele Vorteile, wenn es darum geht, Einzelhändlern zu helfen, von textbasierten Daten zu profitieren.
Aber ihre Verwendung in diesem Sinne ist auch mit einigen Einschränkungen verbunden. einige Einschränkungen:
- Die Gewicht der Modelle Das Gewicht des Modells: Es kann zwischen 5 und 120 GB variieren, abhängig von der Komplexität des Modells und seiner Architektur. des Bedarfs an RAM oder VRAM (die Modelle müssen darin geladen werden). An sich sind 120 GB keine prohibitive Größe für Festplatten mehr.
- Rechenzeit: Mit „konventioneller“ Hardware explodiert die Rechenzeit bei der Verwendung solch großer Modelle.
Aus technischer Sicht gibt es Möglichkeiten, diese Einschränkungen zu überwinden:
- Auf Software-Ebene ist es möglich, das Modell zu „komprimieren“, ohne die Leistung wesentlich zu beeinträchtigen. Es ist auch möglich, Bibliotheken (in unserem Fall in C++ kompiliert) zu verwenden, die speziell für Matrixberechnungen optimiert sind.
- Auf Hardwareebene können hochwertige Grafikprozessoren (GPUs), die speziell für die parallele Ausführung einer großen Anzahl von Aufgaben entwickelt wurden, die Reaktionszeiten erheblich beschleunigen.
Wenn die Analyse von Textdaten von den Haupthindernissen für ihre Nutzung befreit wird, sollte sie zu einem integralen Bestandteil der analytischen Lösungen von Einzelhändlern werden.
Die Vorteile sind klar.
Sie hilft dem Sektor, die Gefühle und Bedürfnisse der Kunden besser zu verstehen und die Meinungen der Kunden zu verschiedenen Produkten zu vergleichen. Daher können Sie sie nutzen, um umsetzbare Informationen zu erhalten, um Ihr Sortiment, Ihre Preise, … zu optimieren.
Das Aufkommen von LLMs und generativer KI vereinfacht und erweitert diese Analyse. Sie ist nun leichter zugänglich und mit den neuen Modellen relevanter. Mit der zunehmenden Integration von Daten und KI in die Entscheidungsfindung bieten LLMs den Einzelhändlern neue Schlüssel zum Verständnis und zur Aktion.
Verwaltung der Bestände
- Optimierung der Lagerbestände KI analysiert historische und Echtzeitdaten, um die idealen Lagerbestände zu bestimmen. Dadurch werden die Kosten für überschüssige Bestände minimiert und gleichzeitig Fehlbestände vermieden.
- Nachfrageprognose: Mit Hilfe von fortschrittlichen Algorithmen kann die KI Konsumtrends vorhersagen und die Lagerbestände entsprechend anpassen. Dies ist besonders nützlich für saisonale Produkte oder Artikel mit hoher Nachfrage.
- Automatisierter Nach schub: Die KI kann automatisch Nachschubaufträge auslösen, wenn die Bestände einen bestimmten Schwellenwert erreichen, und so eine kontinuierliche Verfügbarkeit der Produkte sicherstellen.
Prädiktive Analysen
- Antizipation von Trends: Durch die Analyse großer Datenmengen aus verschiedenen Quellen (vergangene Verkäufe, Kundenverhalten, Markttrends) kann die KI aufkommende Trends erkennen und Einzelhändlern helfen, fundierte Entscheidungen zu treffen.
- Personalisierung des Angebots: Durch ein besseres Verständnis der Kundenpräferenzen können Einzelhändler ihr Angebot und ihre Werbeaktionen gezielter anpassen und so den Umsatz und die Kundenzufriedenheit steigern.
- Preisoptimierung: KI-Algorithmen können Marktdaten analysieren und die Preise in Echtzeit anpassen, um die Gewinnspannen zu maximieren und gleichzeitig wettbewerbsfähig zu bleiben.
Vielen Dank an Siegfried Delannoy und Lucas Duleu, beide Data Scientists, für ihre wertvolle Zeit und ihren wesentlichen Beitrag zu unseren Gesprächen, die die Redaktion dieses Artikels bereichert haben.
