Einzelhandel

reCAPTCHA Enterprise Mobile SDK: Schutz für iOS- und Android-Apps

Wed, 03 May 2023 16:00:00 +0000

reCAPTCHA Enterprise ist der Onlinedienst zur Betrugserkennung von Google, für den wir auf mehr als zehn Jahre Erfahrung beim Schutz des Internets zurückgreifen. Mit reCAPTCHA Enterprise können Sie Betrugsversuche und Angriffe durch Skripte, Bot-Software und Menschen verhindern. Wenn reCAPTCHA Enterprise in einer App an einem Aktionspunkt installiert ist, z. B. bei der Anmeldung, dem Kauf oder der Kontoerstellung, kann es gefälschte Nutzer*innen und Bots blockieren, während legitime Nutzer*innen fortfahren dürfen.

Zur umfassenderen Abdeckung nativer iOS- und Android-Apps ist das reCAPTCHA Enterprise Mobile SDK nun allgemein verfügbar. Das neue Mobile SDK wurde speziell für Unternehmen mit digitalen und für Mobilgeräte optimierten Angeboten entwickelt. Damit können die Funktionen von reCAPTCHA Enterprise nahtlos in Apps eingebunden werden.

Warum sollte ich das Mobile SDK verwenden?

Im Gegensatz zu den meisten Web-Apps werden iOS- und Android-Apps auf physischen Geräten ausgeführt, die eine Vielzahl von Gerätetelemetriedaten bieten, um Betrug und Bot-Aktivitäten zu erkennen. Durch die Kombination von Geräte- und Netzwerksignalen können Sie mit dem neuen Mobile SDK native mobile Apps besser vor Bot-Angriffen schützen und gleichzeitig alle Vorzüge von reCAPTCHA Enterprise ausschöpfen:

Reibungslose Kundenerfahrung – Sie müssen keine Hydranten aus einem Raster mehr auswählen
Einfache Einbindung in Ihre native mobile App mit Unterstützung gängiger Frameworks wie Cocoa Pods oder Swift Package Manager
Regelmäßig aktualisiertes Bedrohungsmodell für Geräte, damit Sie der Angreiferseite immer einen Schritt voraus sind

Schutz vor Betrug auf allen Kanälen

Kunden können das neue Mobile SDK nutzen, um iOS- und Android-Apps nativ vor den laut Open Web Application Security Project (OWASP)zehn häufigsten automatischen Angriffen im Internet zu schützen, darunter die Erstellung betrügerischer Konten, Finanzmissbrauch und Credential Stuffing. Das ist besonders für mobiles Arbeiten und den Zugriff auf Produkte und Dienste über eine App wichtig. In vielen Branchen gibt es mehr mobilen Traffic als Web-Traffic. Dann ist es umso wichtiger, eine umfassende Schutzstrategie für mobile Apps vor den gängigsten Angriffen zu implementieren.

Neues Mobile SDK einbinden

Weitere Informationen zur Einbindung des neuen Mobile SDK finden Sie in der Dokumentation zu iOS und Android. Sowohl bei mobilen als auch bei Web-Integrationen gelten die gleichen übersichtlichen Preise, die Sie hier einsehen können.

Fünf Wege jenseits traditioneller Segmentierungsmethoden im Einzelhandel

Fri, 21 Oct 2022 03:00:00 +0000

Schon lange nutzen Marketingfachleute Daten, um das Verhalten ihrer Kundinnen und Kunden vorherzusagen und ihr Angebot entsprechend zu personalisieren. Oft wenden sie etwa eine Kundensegmentierung auf Transaktionsdaten an, und empfehlen dann auf der Grundlage von Merkmalen wie „Ähnliche Personen mochten dies“ oder „Zuletzt angesehene Produkte“ weitere Produkte und Erlebnisse. Doch ist dies wirklich der beste Weg, um das Einkaufserlebnis zu verbessern und zu personalisieren? Welche anderen Möglichkeiten haben Einzelhandelsunternehmen?

Verbraucher*innen interagieren auf vielfältige Weise mit Marken. Besonders rasant veränderte sich diese Dynamik in den vergangenen zwei Jahren im Onlinehandel. Viele Einzelhändler erleben jeden Tag wie den Black Friday – mit neuen Kund*innen und solchen, die anders einkaufen, sei es innerhalb oder außerhalb ihrer bisherigen Kategorien. Da die Gewinnung neuer Kund*innen meist teurer ist als die Bindung vorhandener, benötigen Einzelhandelsunternehmen neue Methoden zum Aufbau langfristiger Kundenbeziehungen. Dazu gilt es, den Blick auf die nächste Generation der digitalen Erlebnisse zu richten, die veränderte Customer Journey zu verstehen und – jenseits der reinen Personalisierung – mehr Empathie aufzubringen.

Diesen Themen widmeten sich beim eMarketer Tech-Talk die Gründer von drei visionären Technologieunternehmen – allesamt Google Cloud Partner – die es sich zur Aufgabe gemacht haben, Einzelhandelsunternehmen bei der Aktivierung und besseren Nutzung ihrer Daten zu unterstützen: Fayez Mohamood, Mitgründer und CEO von Bluecore; James McDermott, Mitgründer und CEO von Lytics; Mario Ciabarra, Gründer und CEO von Quantum Metric. Moderiert wurde der Talk von Carrie Tharp, VP of Retail and Consumer bei Google Cloud. Ihre fünf wichtigsten Empfehlungen im Überblick:

1. Über den Tellerrand von Kundensegmentierung und Demografie schauen. Es gilt, Daten und Technologien zu nutzen, um das Kundenerlebnis unmittelbar zu beeinflussen. „Die Customer Journey verläuft nicht linear, sondern in Mikromomenten“, erklärte Fayez Mohamood von Bluecore. Kund*innen interagieren über mehrere Touchpoints mit einer Marke und müssen durch Personalisierung und Empfehlungen im richtigen Moment abgeholt werden. Dieser Aufgabe widmet sich Bluecore, eine KI-gesteuerte Marketingplattform für den Einzelhandel. Sie unterstützt Unternehmen bei der Aktivierung von Produktkatalogen und Kundendaten über alle digitalen Kanäle, um Wiederholungskäufe zu fördern und den Umsatz zu steigern. „Es ist an der Zeit, über den klassischen Fokus auf Kundensegmentierung und Demografie hinauszudenken“, ergänzte Carrie Tharp. Die Kunst besteht darin, die Menschen als Individuen zu erkennen, mit unterschiedlichen Zielen bei der Interaktion mit einer Marke.

2. Daten demokratisieren und bei der Gestaltung des Einkaufserlebnisses in Echtzeit nutzbar machen. Dank der neuen cloudbasierten Kundendatenplattform (Customer Data Platform, CDP) können Einzelhandelsunternehmen schneller Profile ihrer Kund*innen mit einer Vielzahl von Informationen zu deren Absichten und Interessen erstellen. „Auf dieser Grundlage können wir das Verhalten der Kundinnen und Kunden in Echtzeit erfassen und verstehen“, so James McDermott von Lytics. „Die Erstellung von Profilen ist jedoch nicht das eigentliche Ziel. Entscheidend ist, was wir aus diesen Daten machen. Wie können wir das Erlebnis unserer Kundinnen und Kunden verbessern?“ James McDermott ist Mitgründer von Lytics. Das Unternehmen hat sich auf verhaltens- und absichtsbasierte Analysen spezialisiert, die eine Brücke zwischen Daten und Handeln schlagen. Seine Empfehlung lautet, vom Ergebnis her zu denken – mit einem konkreten Anwendungsfall vor Augen.

Das ist leichter gesagt als getan. Der springende Punkt ist, zu entscheiden, welche Daten wichtig sind und wie sie genutzt werden können. Die gute Nachricht: Die CDP macht den Data Scientists mehr Daten zugänglich, anhand derer diese Modelle erstellen können, aus denen sich wiederum Systeme für eine bessere Kundenbindung erstellen lassen. Interne Teams experimentieren und testen fortlaufend, um herauszufinden, wie sie die Signale am besten priorisieren und welche Erlebnisse tatsächlich bessere Interaktionen hervorrufen. „Doch das ist nur ein Teil des Puzzles“, so Mohamood. „Die Data Scientists gestalten in der Regel nicht die Erlebnisse der Kundinnen und Kunden auf Websites, E-Mails, SMS oder anderen Kanälen. Wir müssen unsere Daten daher demokratisieren, damit auch Marketing und die Geschäftsleitung diese zum Testen und Lernen in Echtzeit nutzen können.“

3. Mittels künstlicher Intelligenz (KI) Verhaltens- und Bestandsänderungen vorhersehen. Aussagekräftige Produktdaten und -zuordnungen sind laut Fayez Mohamood ebenso wichtig wie Kundendaten. „Die Kundinnen und Kunden verändern sich und mit ihnen verändern sich die Daten. Dies wiederum verändert den Bestand, wodurch sich die Daten erneut verändern. Teams müssen agil auf diese Signale reagieren.“ Hier kommt die KI ins Spiel – ergänzt durch den menschlichen Verstand.

Einige Einzelhandelsunternehmen haben einen ständig wechselnden Bestand und können das Angebot auf die Wünsche der Kund*innen zuschneiden. Entsprechend passen sie auch ihre Botschaften an, ohne die Kommunikationshäufigkeit zu verändern, und erhöhen so die Wahrscheinlichkeit von Folgekäufen. Mario Ciabarra von Quantum Metric betonte die Bedeutung von KI, um schneller auf Veränderungen reagieren zu können. „Es hört sich verrückt an, aber Echtzeit bedeutet wirklich Echtzeit: Die Möglichkeit, hochkomplexe Fragen zu den Daten zu stellen, Antworten zu erhalten und diese Analyse dann in das Produkt zu integrieren – dieses Potenzial von KI und ML ist absehbar.“ Quantum Metric widmet sich der kontinuierlichen Produktentwicklung. Der Schwerpunkt liegt auf der Integration von Analysen in den digitalen Produktentwicklungsprozess, damit die Teams schneller Iterationen umsetzen können und letztlich die Produkte liefern, die sich ihre Kund*innen wirklich wünschen.

Carrie Tharp wies darauf hin, dass viele Einzelhandelsunternehmen ihre Websites um Marktplatzfunktionen erweitern und nun anstelle eines statischen Bestands ein „weitläufiges, schier endloses Einkaufserlebnis“ bieten. Dazu das richtige Geschäftsmodell für Marketing-, Analyse- und Digitalteams zu finden ist schwer. Wie müssen Einzelhandelsunternehmen ihr Geschäftsmodell im Hinblick auf Personalisierung und Daten überdenken?

4. Kundendaten mit Empathie verbinden. Kurz gesagt, muss das Geschäftsmodell eine vollständige Verknüpfung aller relevanten Interaktionen unterstützen, zum Beispiel die Kombination von Daten über frühere Einkäufe mit Absichtsdaten, Browserdaten und Mobile-App-Daten. Dazu ist es notwendig, mehrere Datensätze zu integrieren und damit eine leistungsfähigere Personalisierung anzubieten. Das Softwarepaket wird derzeit so angepasst, dass es sich an den Kundinnen und Kunden orientiert, so McDermott, wobei die Architektur vereinfacht und im Cloud Data Warehouse stärker zentralisiert wird. Ein klarer Trend ist, dass die Cloud Data Platform (CDP) zum zentralen Repository für die Daten der Kund*innen geworden ist und durch KI und Machine Learning an Intelligenz gewonnen hat.

Ein entscheidendes Ziel dabei ist, eine „persönliche“ Beziehung herzustellen, durch die Einzelhandelsunternehmen in Echtzeit einen Einblick in den Auswahlprozess der Kund*innen und in deren Verhalten an der (virtuellen) Kasse erhalten. „Wir brauchen dieses Maß an Empathie, oder besser: quantifizierte Empathie“, so Ciabarra. „In der Filiale hatten wir diese persönliche Beziehung, aber online bedienen wir Millionen Kundinnen und Kunden. Wie können wir diese Informationen in Echtzeit im gesamten Unternehmen sichtbar machen, so dass die Mitarbeiter*innen sie nutzen und entsprechend handeln können? Wir brauchen eine unternehmensweite Sicht auf die Daten.“

5. Das Unternehmen transformieren und Silos aufbrechen. Jedes Unternehmen ist bestrebt, sich stärker an den Kund*innen zu orientieren. Doch oft arbeiten separate Teams daran in Silos – mit jeweils eigenen Perspektiven und vielleicht voneinander abweichenden Zielen. „Daten werden oft von einigen wenigen Personen im Unternehmen gehalten“, so Fayez Mohamood. Damit Marketing-, Vertriebs- und Digitalteams eine unternehmensweite Sicht auf die Daten erhalten, braucht es einen kulturellen Wandel, der auch von der Geschäftsführung mitgetragen wird.

Einige Unternehmen fördern die Zusammenarbeit, indem sie Pods zusammenstellen, in denen Marketingfachleute, Data Scientists, Analyst*innen und Kreative gemeinsam testen und lernen. Eine weitere vielversprechende Entwicklung: Marketingfachleute und Data Scientists arbeiten vermehrt aktiv mit Finanz- und operativen Teams zusammen, insbesondere bei der Entwicklung von KPIs. Gemeinsam entwickeln sie Metriken, die sich an den Kund*innen und nicht am Vertriebskanal orientieren, und nehmen auch das Softwarepaket unter diesem Gesichtspunkt unter die Lupe. Die Mentalität verändert sich dahingehend, dass Daten nicht mehr nur aus der Sicht von Marketing, Produkt, UX oder Design betrachtet werden, sondern durch die Brille der Kundinnen und Kunden. Auf diese Weise lassen sich die Daten zusammenführen, so dass sie einen größeren Nutzen haben.

Sehen Sie sich das vollständige Webinar an und erhalten Sie viele weitere wertvolle Einblicke aus dieser aufschlussreichen Diskussion. Im Google Cloud Marketplace erhalten Sie außerdem weitere Informationen über die Lösungen von Bluecore, Lytics und Quantum Metric.

Schnellere Time-to-Value durch Referenzmuster für intelligente Analysen

Tue, 19 Apr 2022 06:00:00 +0000

Unternehmen werden heutzutage mit riesigen Datenmengen aus einer Vielzahl von Quellen überflutet. Dieses Meer von Daten soll dem Unternehmen eigentlich nutzen, führt aber oft zur Überforderung der Datenteams, was Datenstaus verursacht und die Time-to-Value verzögert. Tatsächlich sind laut Accenture nur 27 Prozent der Unternehmen der Ansicht, dass Daten- und Analyseprojekte ihnen Informationen und Empfehlungen von hohem Nutzwert liefern. Das bedeutet, dass nahezu drei von vier Unternehmen den wahren Wert ihrer Daten nicht ausschöpfen.

Bei Google Cloud sehen wir in dieser Herausforderung eine Chance. Deshalb haben wir unsere Data Analytics Design Patterns oder Referenzmuster für intelligente Analysen entwickelt: produktübergreifende Technologielösungen, die den Weg des Kunden zur Wertschöpfung aus seinen Daten verkürzen. Diese Branchenlösungen vereinen Produktfunktionen mit Designmethoden, direkt einsetzbarem Open-Source-Code, Datenmodellen und Referenzarchitekturen, um Ihren Geschäftsergebnissen auf die Sprünge zu helfen.

Mit unseren Referenzmustern für intelligente Analysen erhalten Sie Zugang zu mehr als 30 einsatzfertigen Datenanalyse-Lösungen. Die Designmuster nutzen das Beste von Google und unserem umfangreichen Partnernetzwerk, darunter Technologiepartner und Systemintegratoren. In diesem Blog stellen wir anhand von drei Beispielen vor, wie Sie mit einem Designmuster den Mehrwert Ihrer Daten steigern:

Verbessertes Mobile App-Erlebnis durch einheitliche App-Analysen
Umsatzmaximierung im Digital Shop durch Preisoptimierung
Schutz interner Systeme vor Sicherheits- und Malware-Bedrohungen durch Anomalieerkennung

Einheitliche App-Analysen

Wenn Mobile Apps Teil Ihrer Go-to-Market-Strategie sind, stehen Ihnen etliche Datenquellen zur Verfügung, die wertvolle Kundeninformationen liefern können. Neben Tools für CRM (z. B. Salesforce) und Kundenbetreuung (z. B. Zendesk) verwenden Sie möglicherweise Google Analytics, um App-Ereignisse zu protokollieren, und Firebase Crashlytics, um Daten über App-Fehler zu sammeln. Wie aber können Sie die Backend-Serverdaten mühelos mit den Frontend-App-Daten abgleichen, um aussagekräftige Kundeninformationen zu gewinnen?

Das Designmuster für einheitliche App-Analysen macht es Ihnen leicht, verschiedene Datenquellen in ein einziges Warehouse (BigQuery) einzubinden und mit einem Business Intelligence-Tool (Looker) zu analysieren. Und sobald Sie in Echtzeit einen vollständigen Überblick über die Nutzungserfahrung der Kund*innen mit Ihrer App haben, können Sie handeln: Stellen Sie etwa einen Anstieg der App-Fehler fest, können Sie Ihre Crashlytics-Daten umgehend mit Ihren CRM-Daten abgleichen, um die Fehler mit den gravierendsten Umsatzauswirkungen einzugrenzen und deren Lösung zu priorisieren. Außerdem können Sie Ihren Workflow für die Fehlerbehebung automatisieren, indem Sie eine Regel für jeden künftigen Fehler erstellen, der sich auf bestimmte VIP-Kund*innen auswirkt.

Einheitliche App-Analysen verwandeln Ihr Data Warehouse in ein Werkzeug zur Gewinnung verwertbarer Kundeninformationen

Mit dem Designmuster für einheitliche App-Analysen gewinnen Sie wertvolle Erkenntnisse über das Nutzungserlebnis mit Ihrer App und können Ihre künftige App-Strategie entsprechend gestalten. NPR, ein amerikanisches Medienunternehmen, konnte beispielsweise sein Engagement seiner Nutzer*innen steigern und vermehrt Inhalte anbieten, die den Interessen und dem Verhalten der Hörer*innen entsprachen.

Preisoptimierung

In einem wettbewerbsintensiven und turbulenten globalen Markt ist die strategische Preisgestaltung wichtiger denn je. Doch viele Projekte fallen der mühsamen Standardisierung, Bereinigung und Aufbereitung der Daten aus Transaktionen, Beständen, Nachfrage und anderen Quellen zum Opfer.

Mit der Lösung zur Preisoptimierung können Einzelhändler ein datengesteuertes Preismodell etablieren. Die Lösung besteht aus drei Hauptkomponenten:

Dataprep von Trifacta: Integriert verschiedene Datenquellen in ein einziges Common Data Model (CDM). Dataprep ist ein intelligenter Datenservice zur visuellen Untersuchung, Bereinigung und Aufbereitung strukturierter und unstrukturierter Daten für Analysen, Berichte und Machine Learning.
BigQuery: Ermöglicht die konsistente und skalierbare Erstellung und Speicherung von Preismodellen in Form eines serverlosen Cloud Data Warehouse-Service.
Looker Dashboards: Liefern Erkenntnisse und machen Business-Teams handlungsfähig mit einer BI-Plattform auf Enterprise-Niveau.

Mit dem Designmuster zur Preisoptimierung von Google Cloud und unserem Partner Trifacta können Sie in kürzester Zeit mehrere Datenquellen zusammenführen und eine ML-gestützte Echtzeitanalyse anstellen, die Prognosemodelle zur Schätzung künftiger Umsätze nutzt. PDPAOLA, ein Online-Juwelier, verdoppelte seinen Umsatz durch dynamische Preisanpassungen, die ihm dank einer zentralen Datenübersicht möglich waren.

Anomalieerkennung

Um in der digitalen Transformation wettbewerbsfähig zu bleiben, sollten Unternehmen Risiken und Chancen antizipieren und entsprechend handeln. Die Anomalieerkennung hilft Unternehmen beim Identifizieren von Datenpunkten und Datentrends in hochfrequenten und hochvolumigen Datensätzen, die von historischen Standards oder erwarteten Verhaltensweisen abweichen. So können sie auf veränderte Nutzungsanforderungen reagieren, böswillige Aktionen abwehren und unnötige Kosten oder finanzielle Verluste verhindern.

Das Designmuster zur Anomalieerkennung verwendet Google Pub/Sub, BigQuery, Dataflow und Looker für folgende Funktionen:

Streaming von Ereignissen in Echtzeit
Verarbeitung der Ereignisse, Extraktion nützlicher Datenpunkte, Training des bevorzugten Erkennungsalgorithmus
Echtzeitnahe Anwendung des Erkennungsalgorithmus auf Ereignisse, um Anomalien zu erkennen
Aktualisierung von Dashboards und/oder Übermittlung von Warnmeldungen

Die Herausforderung, wichtige Informationen oder Anomalien in riesigen Datenmengen zu erkennen, ist vor allem für den Schutz und die Sicherheit eines Unternehmens wichtig und betrifft Unternehmen aller Branchen und Sparten. TELUS etwa, ein staatliches Kommunikationsunternehmen, modernisierte seine Sicherheitsanalyse-Plattform unter Verwendung dieses Musters. Jetzt werden Anomalien nahezu in Echtzeit erkannt und verdächtige Aktivitäten abgewehrt.

Steigen Sie ein

Nutzen Sie die Designmuster zur Datenanalyse in Ihrem Unternehmen und verwandeln Sie Ihre Daten in greifbare Geschäftsergebnisse – mit Google Cloud und unserem breiten Partnernetzwerk. Mehr als 30 Designmuster zur Datenanalyse warten auf Sie. Und wir haben mehr als 200 weitere Ideen in der Pipeline. Schauen Sie also regelmäßig vorbei, da in Kürze sicher neue Muster hinzukommen.

Wenn Sie tiefer eintauchen und mehr darüber erfahren möchten, wie Ihr Unternehmen mit Hilfe von Designmustern zur Datenanalyse Anwendungsfälle beschleunigen und eine schnellere Time-to-Value erzielen kann, schauen Sie sich dieses Video an.

Die virtuellen Automobil-Showrooms der nächsten Generation sind da – dank Google Cloud, Unreal Engine und NVIDIA

Wed, 05 Jan 2022 08:00:00 +0000

Unternehmen setzen verstärkt auf die Cloud, um ihre Kundinnen und Kunden mit neuartigen digitalen Angeboten am heimischen Bildschirm zu erreichen. Besonders wichtig ist dies für die Automobilindustrie, deren Fans und potenzielle Käufer*innen es bislang gewohnt waren, Fahrzeuge persönlich bei Automessen und Händlern zu testen.

Zusammen mit Unreal Engine, einer Software Engine für die Entwicklung von 3D-Spielen in Echtzeit, und NVIDIA, dem Erfinder der GPU, hat Google deshalb einen neuartigen virtuellen Showroom für Automobilhersteller entwickelt. Basierend auf der NVIDIA RTX-Plattform auf Google Cloud bietet die Showroom-Lösung interaktive 3D-Erlebnisse, fotorealistische Oberflächen-Texturen und Umgebungen sowie Cloud-Streaming bis zu 4K auf stationären und mobilen Endgeräten. Diese beeindruckende Grafikleistung ermöglicht eine NVIDIA T4 Tensor Core-GPU, die auf der Google Cloud-Instanz einer RTX Virtual Workstation ausgeführt wird.

In Zusammenarbeit mit MHP, der IT-Beratungsfirma von Porsche, und MONKEYWAY, einem Anbieter von 3D-Echtzeit-Streaming-Lösungen, präsentieren wir unseren ersten virtuellen Showroom. Es handelt sich um die Pagani Immersive Experience Platform, die für den italienischen Luxus-Hypercar-Hersteller Pagani Automobili erstellt wurde. Jeder virtuelle Showroom bietet detaillierte Personalisierungsoptionen. Echtzeit-Raytracing und -Lichtstrahlsimulationen setzen dabei ganz neue visuelle Maßstäbe.

Wer den virtuellen Showroom nutzt, kann die Wagen dank der NVIDIA RTX-Echtzeit-Raytracing-Technologie in Unreal Engine in filmreifer 3D-Darstellung unter die Lupe nehmen und dabei unter vielen Personalisierungsmöglichkeiten wählen, wie etwa Dutzende verschiedene Features für das Innen- und Außendesign – von der Lackierung über die Felgenbeschichtung bis hin zum Interieur. Dank der Skalierbarkeit von Google Cloud können Tausende Nutzer*innen gleichzeitig auf die Angebote zugreifen.

Auch die Pagani Immersive Experience Platform bietet viele Detail-Einstellungen für die Hypercar-Modelle; etwa verschiedene getönte exponierte Carbonfaser-Designs, Streifenmuster, Reifen, Bremssättel, Lederinnenausstattungen und Armaturenbretter. Grafisch animiert lassen sich Türen öffnen, Fenster herunterlassen und das Verdeck entfernen.

Dabei stehen nicht nur eine Tages- und eine Nachteinstellung, sondern zusätzlich vier Hintergründe (eine Salzwüste, ein Museum, eine Küstenstraße und der exklusive Showroom in der Pagani Automobili Zentrale) zur Auswahl. Zu guter Letzt können Interessierte den nach eigenen Wünschen konfigurierten Wagen dann auf einer echten Rennstrecke virtuell probefahren.

„Der virtuelle Showroom von Pagani ermöglicht uns einen Blick auf die Zukunft der Online-Verkaufsplattformen“, so Marc Petit, VP und General Manager Unreal Engine von Epic Games. „Dank Pixel-Streaming und Raytracing in der Cloud kann Unreal Engine fotorealistische, interaktive und individuell konfigurierbare Animationsgrafik auf jedem Endgerät darstellen“.

„Speziell während der Corona-Pandemie sind diese Showrooms eine Revolution für Online-Produktvorstellungen“, betont Sean Young, Director of Global Business Development, Manufacturing bei NVIDIA. „Automobilhersteller können eine personalisierbare Produktvorschau anbieten, ganz ohne Warteschlangen oder überfüllte Showrooms, zu jeder Zeit und von überall aus zugänglich“.

„Wir freuen uns über diese neue Möglichkeit, unsere Pagani Produkte einer globalen Fangemeinde vorzustellen”, betont Carlo Stola, Customer Relations Manager bei Pagani. „Gemeinsam mit MHP, Google Cloud, Unreal Engine und NVIDIA konnten wir ein sehr ausgeklügeltes und gleichzeitig unglaublich einfaches, individuelles Erlebnis schaffen, um die neuesten Features unserer Modelle zu präsentieren“.

Dabei ist die Automobilbranche nur der Anfang: Unser Ziel ist es, das Showroom-Erlebnis auf andere Branchen wie den Einzelhandel und die Gastronomie auszuweiten. Bis es so weit ist, können Sie den virtuellen Showroom hier ausprobieren.

Wenn Sie als Automobilhersteller an einem virtuellen Showroom interessiert sind, wenden Sie sich bitte an unser Vertriebsteam.

Business Transformation: Wie SAP auf Google Cloud den deutschen Einzelhandel unterstützt

Thu, 24 Jun 2021 14:00:00 +0000

Kunden fordern heute außergewöhnliche digitale Erlebnisse und Einzelhändler passen ihr Geschäft an, um effizienter zu werden – die Weiterentwicklung des Einzelhandels geht in schnellen Schritten voran. Viele setzen bei kritischen Geschäftsfunktionen, wie etwa digitale Transaktionen, Finanzen, Lieferketten und mehr auf SAP. Bedingt durch den kontinuierlichen Wandel der Branche, arbeitet SAP stetig daran, seine Systeme zu modernisieren, sie auf einer hoch skalierbaren Infrastruktur zur Verfügung zu stellen und größeren Nutzen aus den darin enthaltenen Daten zu ziehen.

Ich bin stolz darauf, dass wir dem deutschen Einzelhandel dabei helfen, geschäftskritische SAP-Systeme erfolgreich in die Google Cloud zu migrieren, um Risiken und Ausfallzeiten zu minimieren, ihre Agilität zu fördern und letztlich eine Grundlage für künftiges Wachstum zu schaffen. Unsere Arbeit mit Einzelhändlern wie der Otto Group, einem der größten E-Commerce-Unternehmen der Welt, MediaMarktSaturn, einem bekannten Händler für Unterhaltungselektronik, und METRO, einem europaweit agierenden Großhändler, demonstriert unser Engagement, gemeinsam mit SAP die Kunden bei digitalen Transformationsprozessen zu unterstützen.

Unterstützung der Otto Group IT beim Betrieb von SAP auf einer sicheren, nachhaltigen Infrastruktur

Die Otto Group, eine von Deutschlands führenden Online-Händlern und Dienstleistungskonzernen sowie eines der größten E-Commerce-Unternehmen der Welt, migrierte seine SAP-Workloads in die Google Cloud, um seine SAP-Landschaft zu modernisieren und eine agilere Umgebung aufzubauen. Je nach Geschäftsanforderung ermöglicht dies eine schnelle Skalierung nach oben oder unten.

Die Otto Group, die den nachhaltigen Umgang mit Ressourcen und klimaneutrales Handeln konsequent mit wirtschaftlichem Wachstum in Einklang bringt, kann die saubere Infrastruktur der Google Cloud auch für den Großteil der internen SAP-Umgebung nutzen und so sicherstellen, dass die Geschäftssysteme des Unternehmens auf einer ebenso sicheren wie nachhaltigen Infrastruktur laufen. Seit 2017 hat Google jedes Jahr 100 Prozent seines globalen Stromverbrauchs durch den Kauf von erneuerbaren Energien gedeckt und baut nun auf diesem Fortschritt mit dem neuen Ziel auf, bis 2030 jederzeit vollständig mit CO2-freier Energie zu arbeiten.

Eigenen Angaben zufolge hat die Otto Group durch Google Cloud Zugang zu besseren Automatisierungsmöglichkeiten und verbesserten Netzwerkkapazitäten im Vergleich zu seinem vorherigen Anbieter. Durch diese Cloud-Migration stellt die Otto Group IT ihren internen Kunden moderne und flexibel skalierbare SAP-Systeme zur Verfügung.

Noch besseres E-Commerce-Erlebnis bei MediaMarktSaturn

Für MediaMarktSaturn ist SAP entscheidend für den reibungslosen Ablauf des Tagesgeschäfts. Daher wollte das Unternehmen mit einer Cloud-Umgebung maximale Verfügbarkeit und Stabilität sicherstellen. Nach einer gründlichen Prüfung der Geschäftsanforderungen und praktischer Unterstützung durch die Google Cloud-Teams entschied sich MediaMarktSaturn für die Migration seiner SAP HANA-Datenbank in die Google Cloud. Dies ermöglichte eine vierfache Leistungssteigerung im Vergleich zu den vorherigen On-Premises-Installationen.

Die SAP-Suite ist entscheidend für den reibungslosen Betrieb der E-Commerce-Plattform im Tagesgeschäft. Mit der Migration auf Google Cloud bietet der Einzelhändler seinen Kundinnen und Kunden noch mehr Unterstützung und maximale Verfügbarkeit. Mit dem branchenspezifischen Know-how von Google Cloud hat die Kundschaft von MediaMarktSaturn Zugang zu einer zuverlässigen und stabilen E-Commerce-Plattform, so dass sie von jedem Ort aus online nach Produkten stöbern können.

Transformation des METRO-Geschäfts durch SAP-Workloads in der Cloud

Mit mehr als 150.000 Mitarbeiterinnen und Mitarbeitern in 35 Ländern ist die deutsche METRO einer der größten B2B-Großhändler der Welt. Zuvor war METRO auf spezifische Finanzsysteme angewiesen, die in jedem Land anders waren. Aktualisierungen und Systemtests erforderten eine umfangreiche Koordination über zahlreiche Teams hinweg, was sowohl zeitaufwändig als auch kostspielig war.

Um diese Probleme zu beheben, migrierte METRO seine SAP S/4HANA-Finanzsysteme in die Google Cloud, um von der klassischen rollenbasierten Buchhaltung bis hin zum Einsatz kognitiver Tools alle Bedarfe abdecken zu können. Zukünftig können die internen METRO-Teams nahtlos übergreifend arbeiten und den Service für die Kunden verbessern, indem sie auf Anforderungen in Echtzeit reagieren.

Wenn Sie mehr darüber erfahren möchten, wie SAP auf Google Cloud Agilität, Effizienz und Innovation für unsere Kunden fördern, besuchen Sie unsere Website.

Für den Einzelhandel: Flexible Modelle für Nachfrageprognosen in BigQuery ML

Thu, 13 May 2021 11:00:00 +0000

Der Einzelhandel weiß den Wert von Nachfrageprognosen zu schätzen – Intuition, Produkt- und Markterfahrung ebenso wie saisonale Muster und Zyklen fließen in die Planung für die künftige Nachfrage ein. Moderne Einzelhandelsunternehmen sind nicht nur auf möglichst genaue Prognosen angewiesen, sondern stehen auch vor der Herausforderung, eine umfangreiche Nachfrageplanung aufzustellen. Produktsortimente mit Zehntausenden Artikeln in Hunderten von Verkaufsstandorten oder Absatzgebieten führen zu unzähligen Zeitachsen, die ohne Big-Data-Plattformen und skalierbare Lösungen für die Zeitreihenmodellierung schlicht nicht zu bewältigen sind.

Bislang gab es lediglich zwei Antworten auf diese Herausforderung:

Der Kauf einer kompletten Lösung für die Modellierung von Nachfrageprognosen, deren Implementierung und Pflege einen erheblichen Zeit- und Arbeitsaufwand bedeutet
Oder der Einsatz einer universellen Machine-Learning-Plattform für die Ausführung Ihrer eigenen Zeitreihenmodelle, die fundierte Fachkenntnisse sowohl in der Erstellung von ML-Modellen als auch im Daten-Engineering voraussetzt

Wir möchten dem Einzelhandel eine einfachere, flexiblere Lösung für die Nachfrageplanung an die Hand geben. Hierzu haben wir mit BigQuery ML ein Smart Analytics-Referenzmuster für die Zeitreihenprognose entwickelt, das auf dem ARIMA-Modell (autoregressiver, integrierter, gleitender Durchschnitt) basiert. Dieses ARIMA-Modell folgt dem Low-Code-Designprinzip von BigQuery ML und ermöglicht damit präzise Prognosen ohne weitergehende Kenntnisse rund um Zeitreihenmodelle. Das BigQuery ML-ARIMA-Modell bietet außerdem verschiedene Neuerungen gegenüber den ursprünglichen ARIMA-Modellen, die viele kennen. Dazu gehören beispielsweise die Möglichkeit zur Erfassung mehrerer saisonaler Muster, die automatische Modellauswahl, eine unkomplizierte Vorverarbeitungs-Pipeline und insbesondere die Möglichkeit, Tausende von Prognosen mühelos und mit wenigen Zeilen SQL-Code zu erzeugen.

In diesem Blogartikel betrachten wir die beiden häufigsten Arten von Nachfrageprognose-Teams. Wir untersuchen, wie BigQuery ML die Lücke zwischen diesen beiden Strukturen schließt, und wir zeigen, wie Sie Ihre Nachfrageplanung mit BigQuery ML in unvorhergesehenen Situationen wie etwa im Fall der Corona-Pandemie wieder auf die richtige Spur bringen.

In diesem Video können Sie sich über den gesamten Ablauf zur Implementierung des Entwurfsmusters für Nachfrageprognosen informieren:

Zwei Arten von Teams für die Vorhersage der Nachfrage

In großen Unternehmen waren bislang meist zwei Arten von Teams für die Prognostizierung der Nachfrage vertreten: das businessbasierte Prognoseteam und das wissenschaftsbasierte Prognoseteam.

Das businessbasierte Team arbeitet in der Regel mit umfassenden ERP- oder SaaS-Prognoselösungen (oder manchmal auch mit einer intern entwickelten Lösung), die keine erweiterten Data-Science-Kenntnisse erfordern. Diese ERP-Lösungen erzeugen vollautomatisierte Prognosen. Die Teammitglieder kommen oftmals aus dem geschäftlichen Bereich des Unternehmens und bringen keine ausgeprägten technischen Fertigkeiten mit, sondern eher umfangreiche fachliche und betriebswirtschaftliche Kenntnisse. Dieser Ansatz ist in vielen großen traditionellen Unternehmen vertreten. Die Lösungen lassen sich problemlos skalieren, doch ihre Implementierung und Pflege verlangt einen erheblichen Zeit- und Arbeitsaufwand. Hier kommen meist große Implementierungs- und DevOps-Teams, mehrere dedizierte Computer- und Speichersysteme sowie stundenlange Batchzyklen nach festem Zeitplan für die Aktualisierung der Prognosen ins Spiel.

Das wissenschaftsbasierte Prognoseteam setzt sich meist aus Fachleuten mit Hochschulabschluss oder gar Doktortitel zusammen, die in einer Data-Science- oder Tech-Organisation tätig sind und Python oder R beherrschen. Sie arbeiten mit einer Cloud-KI-Plattform und erstellen selbstständig die gesamte Prognose, von der Auswahl über den Aufbau und das Training bis hin zur Bewertung eines Modells. Anschließend stellen sie das Modell in der Produktionsumgebung bereit und geben die Ergebnisse an die relevanten Personen sowie die Führungskräfte des Unternehmens weiter. Ein solches Team ist oft in Digital-Native-Organisationen zu finden.

Eine neue Art von Prognoseteam

In jüngster Zeit hat sich eine neue Form von Prognoseteam herausgebildet. Solche Teams sind oft in Unternehmen ansässig, die sich stärker an Daten und Modellen orientierten möchten, aber nicht über die nötigen finanziellen Mittel für eine kostenintensive ERP-Lösung oder die Einstellung von hoch qualifizierten Data-Science-Fachleuten verfügen. Die Teams haben meist gute Kenntnisse in der Prognose und der Nachfrageplanung, doch nicht genügend Erfahrung oder Unternehmensressourcen für die Bereitstellung benutzerdefinierter Modelle im großen Maßstab. Dennoch können Teams dieser Art mit den richtigen Hilfsmitteln das Beste beider Bereiche zusammenbringen: die erweiterte Modellierung der wissenschaftsbasierten Prognoseteams und die eingehenden Fachkenntnisse der businessbasierten Prognoseteams.

Auf unvorhersehbare Szenarien reagieren

Wie nahezu jedes Unternehmen im Jahr 2020 aus erster Hand erleben musste, können bestimmte Ereignisse wie die COVID-19-Pandemie für die Nachfrageprognose relevante Signale mit einem Schlag bedeutungslos machen – und die bestehenden Modelle ad absurdum führen.

In einer ERP-Prognoselösung führen selbst kleine Änderungen an der Konfiguration des Lieferketten- und Standortnetzes zu einer Änderung der Nachfragemuster, die eine erhebliche Umstrukturierung der Lösung für die Nachfrageplanung und die Unterstützung durch ein großes Supportteam erfordert. BigQuery ML vereinfacht diese Anpassungen sowohl in erwarteten als auch unerwarteten Situationen. Durch den serverlosen Aufbau läuft die Skalierung automatisch ab und der DevOps-Zeit- und Arbeitsaufwand sinkt. Nach einer Änderung des Lieferketten-Netzwerks dauert die Neuerzeugung der Prognosen nur noch einige Stunden statt wie bisher mehrere Wochen.

Erste Schritte mit einem BigQuery ML-Referenzmuster

Für den leichteren Einstieg in Google Cloud-Tools wie BigQuery ML haben wir vor Kurzem Smart Analytics-Referenzmuster veröffentlicht. Diese technischen Referenzleitfäden enthalten Beispielcode für gängige Analyse-Anwendungsfälle. Unsere Kundenunternehmen möchten Analysetools in der Praxis möglichst einfach nutzen können. Die bisherigen Referenzmuster decken Anwendungsfälle wie die Prognose des Customer Lifetime Value, der Kaufneigung, Produkt-Empfehlungssysteme und vieles mehr ab.

Unser neuestes Referenzmuster auf GitHub soll Ihnen als Starthilfe für die Generierung von Zeitreihenprognosen im großen Maßstab dienen. Dieses Entwurfsmuster zeigt, wie Sie ein Modell für Nachfrageprognosen mit BigQuery ML anhand bisheriger Verkaufsdaten trainieren und die Prognosen dann in einem Dashboard darstellen.

Weitere Informationen und eine schrittweise Anleitung zu diesem Prozess (Beispiel: Prognose des Spirituosenverkaufs in Iowa für die nächsten 30 Tage anhand der bisherigen Verkaufsdaten) finden Sie in diesem Artikel. In diesem Blogpost finden Sie Informationen zu folgenden Themen:

Daten per Vorverarbeitung in das richtige Format für die Erstellung eines Modells für Nachfrageprognosen mit BigQuery ML bringen

Mehrere BigQuery ARIMA-Zeitreihenmodelle in BigQuery ML anpassen

Modelle bewerten und Zukunftsprognosen für einen bestimmten Prognosezeitraum aufstellen

Dashboard für die Darstellung der prognostizierten Nachfrage in Data Studio erstellen

Geplante Abfragen einrichten, mit denen die Modelle in regelmäßigen Abständen automatisch neu abgestimmt werden

Zum Vergrößern klicken

Lassen Sie uns die hier vorgestellten Konzepte noch etwas genauer betrachten.

BigQuery ML schließt die Lücke zwischen Business- und Wissenschaftsprognose

Die eben besprochenen Features zeigen, wie BigQuery ML dazu beiträgt, die bestehenden Ansätze für umfangreiche Prognosen zu verbinden, sodass Sie eine eigene Plattform für Nachfrageprognosen aufbauen können, ohne auf die Hilfe hoch spezialisierter Data Scientists für Zeitachsen angewiesen zu sein. Diese Lösung umfasst Tools für die direkte Generierung von Prognosen im großen Maßstab und ist damit ideal für „Hybrid-Prognoseteams“.

Mit BigQuery ML können Sie ML-Modelle per SQL trainieren und bereitstellen. So werden Ihre Herausforderungen im Bereich Datenmodellierung mehr Personen zugänglich gemacht, und Sie können die Tools für Nachfrageprognosen sowie für den Geschäftsbetrieb relevante Erkenntnisse für eine größere Gruppe von Fachleuten in Ihrem Unternehmen bereitstellen.

Mit dem ML-ARIMA-Modell von BigQuery sind Einzelhandelsunternehmen beispielsweise in unerwarteten Situationen in der Lage, Tausende von Prognosen mit neuen Daten in kürzerer Zeit aufzustellen. Sie können die Nachfrageprognosen kostengünstiger abstimmen, Veränderungen in den Trends aufdecken und mehrere Iterationen durchführen, die neue Muster dynamisch erfassen, ohne ein ganzes DevOps-Team beschäftigen zu müssen.

Mit BigQuery ML als Prognose-Engine schließen Sie die Lücke zwischen den businessbasierten beziehungsweise Hybrid-Prognoseteams und den spezialisierten Data-Science-Teams. Die Prognoseanalyst:innen übernehmen beispielsweise die Aufstellung und Prüfung der statistischen Baseline-Prognosen mit BigQuery, wobei sie erfahrene Data Scientists einbinden, die je nach Bedarf eine erweiterte Ursachen-Wirkungs-Analyse für einen Teil der Daten vornehmen oder die Auswirkungen von Covid-19 auf veränderte Nachfragemuster auswerten. Kurz gesagt: „DemandOps“ statt „DevOps“.

Dies ist auch dann möglich, wenn Sie bereits mit ERP-Tools zur Nachfrageplanung arbeiten: Ihre Prognosen und Verkaufszahlen werden bei jeder Aktualisierung (oder auch je nach Bedarf) in BigQuery exportiert. Mit großer Wahrscheinlichkeit nutzt ein Einzelhandelsunternehmen bereits mehrere Zeitreihenprognosen, die in verschiedenen Geschäftsbereichen durchgeführt werden. Das Merchandising-Team führt taktische und operative Nachfrageprognosen durch, die Finanzabteilung prognostiziert die Umsatzerlöse und in den Rechenzentren der Lieferkette kommen eigene Prognosen für die Kapazitätsplanung zum Einsatz, jeweils mit speziellen Tools. Diese Prognosen werden isoliert voneinander aufgestellt, doch ein Abgleich würde ihre Genauigkeit erhöhen und der Organisation wertvolle ganzheitliche Einblicke in die Geschäftsabläufe eröffnen, die mit isolierten Prognosen und Analysen schlichtweg nicht möglich sind.

Auf Grundlage der Auswertung von Markt- und Produktzahlen prognostiziert die Merchandising-Abteilung beispielsweise eine erhöhte Nachfrage nach einem bestimmten Produkt. Getrennt davon bemerkt die Lieferkette verschiedene Faktoren, die sich negativ auf den Produktions- und Logistikbereich auswirken und einen Rückgang beim Produktversand prognostizieren. Diese Diskrepanz bleibt in der Regel mehrere Wochen lang unentdeckt und wird dann in E-Mails und Konferenzen behoben. Bis dahin ist es jedoch schon zu spät, da die verschiedenen Teams bereits gegenläufige Planungsentscheidungen getroffen haben. Der Schaden ist also bereits entstanden. Mit BigQuery als zentralisierter Prognoseplattform kann ein Handelsunternehmen eine solche Diskrepanz innerhalb weniger Stunden oder Tage aufdecken und dann entsprechend reagieren, ohne mehrere Wochen später die Planungsentscheidungen rückgängig machen zu müssen.

BigQuery und BigQuery ML bilden eine ideale Plattform für die Zusammenarbeit unterschiedlicher Prognoseteams, die weit mehr Möglichkeiten bietet als die ohnehin schon leistungsstarken ARIMA-Modellfunktionen von BigQuery.

Google Cloud bietet mehrere Lösungen, mit denen Sie in diesen Zeiten des Wandels Ihre Möglichkeiten zur Erstellung von Nachfrageprognosen erweitern und den Lagerbestand optimieren können. Neben den BigQuery ML-Tools, die in diesem Blog beschrieben wurden, gibt es zusätzlich folgende Funktionen und Lösungen:

Erstellen eigener Zeitreihenmodelle (statistisch oder ML-basiert) mit Ihren bevorzugten Open-Source-Frameworks in Jupyterlab-Instanzen auf der Cloud AI Platform

Automatisches Auswählen und Trainieren bahnbrechender Deep-Learning-Zeitachsenmodelle mit AutoML Forecast

Nutzen unserer kommenden vollständig verwalteten Prognoselösung Demand AI (derzeit im experimentellen Stadium)

Implementieren einer Einzelhandels-Planungsplattform mit Prognosefunktionen gemeinsam mit einem Partner wie o9 Solutions in Google Cloud

Weitere Beispiele mit Referenzmustern für die Datenanalyse finden Sie in der Übersicht zur vorausschauenden Prognose in unserem Katalog. Sind Sie bereit für BigQuery ML? In unserer Produktübersicht erhalten Sie weitere Informationen.

Sie möchten die BigQuery ML-Funktionen näher kennenlernen? Unter folgendem Link können Sie sich die Aufzeichnung unserer kostenlosen Schulung zu Training, Auswertung und Prognose der Bestandsnachfrage anhand von Einzelhandels-Verkaufsdaten in BigQuery ML ansehen.

Google Cloud Retail & Consumer Goods Summit: die Zukunft des Handels

Fri, 09 Apr 2021 15:00:00 +0000

Digitales Arbeiten, Einkaufen und Kommunizieren sind zur neuen Normalität geworden und mit diesen Veränderungen entwickelt sich auch die Art und Weise, wie Verbraucher:innen ihre Entscheidungen im Alltag treffen, weiter. Daher ist es für Firmen in der Handelsbranche wichtiger denn je, eine Technologiestrategie zu priorisieren, die auf fundierten Erkenntnissen basiert, und zu verstehen, was ihrer Kundschaft wirklich wichtig ist.

Dank Kooperationen mit einigen der weltweit größten Händler und Marken kann Google Cloud Lösungen anbieten, welche viele der schwierigsten Herausforderungen der Handelsbranche angehen. Dabei kann es sich um die Erstellung flexibler Modelle zur Nachfragevorhersage handeln, die dabei helfen, die Lagerhaltung zu optimieren, oder die Transformation des Onlinehandels durch die Verwendung KI-gestützter Apps. Über die letzten Jahre haben wir die verschiedenen Aspekte des sich wandelnden Verhaltens der Verbraucher:innen verfolgt und analysiert und sind nun für Händler und Marken da, um sie bei der Anpassung ihres Unternehmens an diese neuen Gegebenheiten zu unterstützen.

Auf der Basis von Verbraucherstudien und Erkenntnissen anderer Unternehmen aus der Branche werden Sie bei dem Google Cloud Retail & Consumer Goods Summit inspirierende Sessions erleben, die Ihnen dabei helfen werden, Ihre Herausforderungen zu meistern. Zusammen mit Branchenvorreitern, darunter Carrefour Belgien und L’Oréal, wird das Google Cloud-Team zudem über die Zukunft des Handels und des Konsumgütermarktes sprechen.

Tech und Business an einem Tisch

Der Google Cloud Retail & Consumer Goods Summit vereint Erkenntnisse aus Tech und Business, der beiden Hauptbestandteile jeder Transformation. Egal, ob Sie für die IT, Datenanalyse, Lieferketten oder das Marketing verantwortlich sind – schauen Sie vorbei! Kontakte innerhalb der Branche zu knüpfen und sich bereichsübergreifend über verschiedene Perspektiven auszutauschen, sind von großer Bedeutung, um für neuen Schwung und Ideen zu sorgen.

Verbraucher:innen für sich gewinnen

Beim Google Cloud Retail & Consumer Goods Summit können Sie zwischen verschiedenen Sessions wählen, in denen es jeweils spezifisch um Handels- oder Konsumgüterthemen geht. Des Weiteren bieten wir Sessions zu den folgenden Themen an:

Keynote: Unser Human Truths Team eröffnet die Konferenz mit Erkenntnissen zu Gefühlen und Gedanken von Verbraucher:innen, auf die Sie Ihre Transformationsstrategie stützen können. Entdecken Sie, welche Verhaltensweisen von Verbraucher:innen wir auch langfristig nach der Pandemie beobachten werden.

„Hey Google, Show Me the Future of Retail“ (mit Carrefour Belgien): Die Handelslandschaft ist voller Herausforderungen, Wandel und Möglichkeiten. Erleben Sie ein transparentes Gespräch rund um Transformation, Roadmaps und wie sich Händler für die Zukunft aufstellen sollten.

How to Grow Brands in Times of Rapid Change (mit L'Oréal): Für Verbrauchermarken war das letzte Jahr wie ein Katalysator für die digitale Transformation, die bereits seit mehreren Jahren im Gange war. Expert:innen von Google haben dieses sich schnell weiterentwickelnde Umfeld eingehend untersucht. Nun möchten sie diese Erkenntnisse mit Ihnen teilen und aufzeigen, wo wichtige Wachstumsmöglichkeiten für Ihre Marken liegen - damit Sie in Ihrem gesamten Unternehmen das Thema Innovation weiter vorantreiben können.

Sie werden ebenfalls von Expert:innen hören, die beim Wandel in ihren eigenen Branchen maßgeblich sind Darunter der deutsche Großhändler METRO Digital, der das Gastgewerbe durch seine digitalen Lösungen modernisiert, sowie der französische Händler Maisons du Monde, der einen datenbasierten Ansatz verfolgt, um seine Customer Experience zu personalisieren.

Transformationsstrategien entwickeln

Zum Abschluss des Tages sind Sie bei MasterChef-2020-Gewinner Thomas Frake eingeladen. Während Händler Cloud-Technologie dazu nutzen, die beliebtesten Produkte im Regal vorherzusagen und Engpässe zu vermeiden, wird Thomas veranschaulichen, wie Sie mit Zutaten, die Sie bereits daheim haben, selbst zum Chefkoch werden.

Der Google Cloud Retail & Consumer Goods Summit findet am Donnerstag, den 22. April, ab 10:30 Uhr statt. Nehmen Sie teil und registrieren Sie sich noch heute auf unserer Event-Website.

Im Zuge der Corona-Pandemie: Einzelhandel plant Transformation mit KI/ML

Sat, 30 Jan 2021 17:00:00 +0000

Nach zehn Jahren stetiger Veränderungen befindet sich der globale Einzelhandel in einer Phase akuten Umschwungs und großer Unvorhersehbarkeit. Aus Gesprächen mit Führungskräften dieser Branche weiß ich, dass einige Unternehmen florieren, andere stagnieren und wiederum andere mit Schwierigkeiten zu kämpfen haben. Das macht für mich deutlich, dass die aktuelle Situation eine schnellere Entwicklung von agilen und robusten Betriebsmodellen erforderlich macht, die auf der Cloud-Infrastruktur und Technologien für künstliche Intelligenz/Machine Learning (KI/ML) beruhen.

Google Cloud hat kürzlich eine Umfrage unter Führungskräften von Einzelhandelsunternehmen auf der ganzen Welt durchführen lassen. Dabei wurde untersucht, welche KI-/ML-Anwendungsfälle in der Wertschöpfungskette des Einzelhandels den höchsten Mehrwert und die höchsten Erträge erzielen und welche Faktoren Einzelhandelsunternehmen bei der Nutzung dieser Möglichkeiten berücksichtigen sollten. Die Studie bezieht sich zwar auf alle Bereiche des Einzelhandels, doch besonderes Augenmerk galt zwei Untersegmenten, die im Zuge der Pandemie mit sehr unterschiedlichen Herausforderungen konfrontiert sind: der Lebensmittel-, Arzneimittel- und Großhandel sowie der Fachhandel. Nachfolgend sind die wichtigsten Ergebnisse zusammengefasst:

Lebensmittel-, Arzneimittel-, Groß- und auch Fachhandelsunternehmen können mit KI/ML eine hohe Wertschöpfung erzielen

Die Meinungsforscher:innen untersuchten 75 Anwendungsfälle aus dem Lebensmittel-, Arzneimittel-, Groß- und Fachhandel, um zu ermitteln, wie KI-/ML-Technologien den Unternehmen einen Mehrwert in den verschiedenen Bereichen ihrer Geschäftsprozesse verschaffen können.

Zum Vergrößern klicken

Für den Lebensmittel-, Arzneimittel- und Großhandel hat die Studie gezeigt, dass in der Wertschöpfungskette mit KI-/ML-Technologien bei zunehmender Akzeptanz Zuwächse von 280–650 Mrd. $ erzielt werden können. Für den Fachhandel sagt die Studie bis 2023 eine potenzielle Wertschöpfung von 230–520 Mrd. $ voraus. In einer Branche, in der sich Gewinnmargen im einstelligen Bereich befinden, wird KI/ML mittlerweile zu einem grundlegenden Investitionsbereich, wenn Einzelhandelsunternehmen ihrer Konkurrenz voraus sein möchten.

Bei einigen Anwendungsfällen wird ein überproportional hoher Wertanteil erzielt

Einzelhandelsunternehmen müssen bei der Auswahl von KI-/ML-Projekten zwar eine Vielzahl von Faktoren berücksichtigen, doch es zeigte sich klar, dass bestimmte Initiativen eine besonders hohe Wertschöpfung versprechen. Einige Anwendungsfälle stachen aus dem breiten Feld der befragten Handelsunternehmen hervor.

Zum Vergrößern klicken

Für Lebensmittel-, Arzneimittel- und Großhandelsunternehmen zählen Merchandising, Geschäftsabläufe und Logistik zu den größten Kostentreibern. Daher überrascht es nicht, dass vier der Top-10-Anwendungsfälle für dieses Segment die gerade genannten Bereiche der Wertschöpfungskette betreffen, darunter ein reibungsloser Bezahlvorgang, optimierte Kommissionierung, automatisierte Disposition von Aufgaben und Kontrolle der Regale. Einzelhandelsunternehmen in diesem Segment können KI-/ML-Funktionen nutzen, um Aufgaben im Lager und in Vertriebszentren zu automatisieren und somit die Effizienz und Produktivität ihrer Mitarbeiterinnen und Mitarbeiter zu verbessern.

Im Fachhandel sind die Anwendungsfälle mit der höchsten Wertschöpfung Merchandising und Sortiment, Verwaltung des Produktlebenszyklus sowie Logistik und Auftragsausführung. Fünf der Anwendungsfälle aus der Top-10-Liste fallen unter die Bereiche Merchandising und Sortiment. Dabei liegt der Fokus auf Verbesserungen der Nachfrageplanung durch Optimierung von Sortiment, Inventar und Preisabschlägen. Durch das Kombinieren von Daten und Signalen aus verschiedenen Geschäftsprozessen und den Einsatz von KI-/ML-fähigen Analysen können Merchandising-Teams Muster entdecken, die bei herkömmlichen Analysen häufig nicht erkannt werden. Und sie können präzise Vorhersagen treffen, auch für neue Produkte bzw. Produkte mit einem kurzen Lebenszyklus.

Weitere Informationen zur Transformation Ihres Unternehmens mit KI

Google nutzt seit über zehn Jahren KI- und ML-Technologien zur Behebung von Geschäftsproblemen und wir freuen uns, dieses Know-how an unsere Kunden weiterzugeben. Marktführende Einzelhändler wie Carrefour, Zulily und The Home Depot vertrauen auf KI- und ML-Produkte von Google Cloud, um ihr Unternehmen zu transformieren.

Nähere Informationen zu den Ergebnissen dieser Studie und weitere Fallstudien von Kunden finden Sie in diesem englischsprachigen E-Book oder in unserem aktuellen Webinar, in dem wir uns mit einer Mitarbeiterin von Zulily unterhalten.

Unterstützung für Einzelhändler bei der Vorbereitung auf das Weihnachtsgeschäft 2020

Thu, 13 Aug 2020 18:04:00 +0000

Die meisten von uns denken im Sommer eher an Sonnenschein und Strandurlaub, aber die Einzelhändler bereiten sich bereits jetzt auf das Weihnachtsgeschäft vor, die umsatzstärkste Zeit des Jahres. Diese stellt sie aber auch vor so einige bekannte Herausforderungen: höhere Nachfrage, Personalplanung der Saisonkräfte, Lieferkettenprobleme und Trafficspitzen im Internet, um nur einige zu nennen.

2020 wird jedoch anders sein.

Die langfristigen Auswirkungen der Coronakrise werden sich im Einzelhandel nicht nur in diesem, sondern auch im nächsten Jahr bemerkbar machen. Viele Einzelhändler mussten ihre Verkaufsflächen reduzieren oder ihre Arbeitsweise komplett ändern. Außerdem haben sie neue Wege getestet, ihre Produkte zu den Kunden zu bringen. Weitere Veränderungen sind wahrscheinlich. In den USA haben bereits mehrere große Einzelhändler angekündigt, ihre Geschäfte an Thanksgiving – dem Tag, an dem dort traditionell das Weihnachtsgeschäft beginnt – geschlossen zu lassen, wodurch sich das Verhältnis von Einkäufen im Internet und vor Ort weiter verschieben wird. Wie also wird das Weihnachtsgeschäft dieses Jahr wohl aussehen?

Googles Stärke: Menschen Informationen liefern

Wir wissen, dass die kommenden Monate von Unsicherheit geprägt sein werden – von sich ständig ändernden Vorschriften zur räumlichen Distanzierung über Ungewissheit hinsichtlich der Kauflaune angesichts der Pandemie bis zu neuen Absatzkanälen und Konsummustern. Einzelhändler können sich darauf vorbereiten, indem sie sich mit dem veränderten Kaufverhalten vertraut machen und unser aktuelles Google Cloud-E-Book A retailer’s guide to 2020 holiday season readiness: Five keys to success lesen.

Die Strategie an das Verhalten der Verbraucher anpassen

Von Dritten ermittelte Markttrends sowie unsere eigenen Untersuchungen weisen für das Weihnachtsgeschäft 2020 auf drei wichtige Verhaltensweisen von Verbrauchern hin, die sich auf die Entwicklung des Einzelhandels auswirken können. Ihr Team sollte bei der Vorbereitung in den kommenden Monaten die folgenden Veränderungen in den Bereichen Einkaufsgewohnheiten, Kundentreue und Konsumklima berücksichtigen.

1. Mehr Verbraucher nutzen Online-Shopping – auch für Produkte, die sie normalerweise im Geschäft kaufen würden.

Es ist wenig überraschend, dass E-Commerce 2020 so stark wie noch nie zugelegt hat. Im Mai lag die Zunahme bei 70 % im Vergleich zum Vorjahr, was in den USA einem Umsatz von 82,5 Mrd. $ entsprach. Dieser Wandel betraf Einzelhandelssegmente wie Lebensmittel, in denen das Onlinegeschäft bisher noch nicht so ausgeprägt war. In der ersten Märzwoche gaben 11 % der erwachsenen US-Amerikaner an, Lebensmittel online zu kaufen. Bis zum Monatsende war diese Zahl bereits auf 37 % gestiegen.

Während des Lockdowns verabschiedeten sich die Verbraucher von bisherigen Kaufgewohnheiten und testeten neue Möglichkeiten, Dinge des täglichen Bedarfs zu kaufen. Neben dem vermehrten Kauf von Lebensmitteln über das Internet erwarb jeder vierte Befragte während dieser Zeit auch andere Artikel online, für die er normalerweise in ein Geschäft gehen würde.1

In vielen Gegenden haben die Läden zwar wieder geöffnet, aber angesichts der Vorschriften zur räumlichen Distanzierung, der Zurückhaltung der Verbraucher aus Angst vor COVID-19 und drohenden erneuten Geschäftsschließungen wegen steigender Fallzahlen ist es äußerst fraglich, ob eine im Wesentlichen auf den physischen Einzelhandel setzende Strategie in Zukunft noch sinnvoll ist.

Einen flexiblen und skalierbaren E-Commerce-Kanal zu haben, wird entscheidend sein, da immer mehr Verbraucher bereit sind, eine größere Vielfalt an Produkten online zu suchen und zu kaufen. Einzelhändler, die sich derzeit überlegen, wie sie sich am besten auf das Weihnachtsgeschäft vorbereiten können, sollten sich besonders auf ihre Omni-Channel-Strategie konzentrieren.

2. Kunden möchten Einkäufe jeder Art kontaktlos erledigen.

Vor der Pandemie war für viele Käufer der Besuch eines Geschäfts die schnellste und einfachste Möglichkeit, alles Nötige zu bekommen. Dies änderte sich, als der Lockdown und mit ihm die Ausgangsbeschränkungen kamen. 53 % der befragten Personen gaben an, zu diesem Zeitpunkt zum ersten Mal neue Einkaufsmöglichkeiten getestet zu haben.2

Dazu gehörten, wie bereits erwähnt, die Lieferung von Lebensmitteln, aber auch die Onlineprüfung des Bestands, bevor die Kunden ein Geschäft aufsuchten, sowie die Abholung vor dem Laden. Wer noch keine neuen Dienstleistungen in diesem Bereich getestet hat, ist zumindest dazu bereit. Die Zahl der Suchanfragen nach „Abholung vor dem Laden“ nahm in den USA im März um 100 % zu und die nach „Lieferung nach Hause“ um 70 %. Mehr als 50 % der Verbraucher gaben in einer Google-Umfrage an, dass die Abholung vor dem Laden auch nach der Wiedereröffnung der Geschäfte relevant bleiben wird.

Auch was gekauft wird, ändert sich. Die Daten der Google Suche zeigen eine deutliche Zunahme bei Suchanfragen nach Artikeln, die nötig sind, wenn man mehr Zeit zu Hause verbringt – z. B. ergonomische Stühle für das Home Office oder Heimwerkerbedarf, um das eigene Zuhause zu verschönern.

Die Einzelhändler müssen sich über neue Verbrauchertrends informieren und in der Lage sein, darauf zu reagieren, um passende Produkte anzubieten und sich an veränderte Einkaufsvorlieben anzupassen. Wir empfehlen Tools wie Google Trends und Rising Retail Categories, um herauszufinden, welche Einzelhandelsbereiche gerade eine besonders hohe Nachfrage verzeichnen. Gleichzeitig sollte in Verbesserungen der Lieferkette investiert werden, um flexibler und resilienter zu werden.

3. Die Kauflaune ist gering und die Käufer sind so preisbewusst wie noch nie.

Das Leben und die Lebensgrundlage vieler Menschen ist durch die aktuelle Situation beeinträchtigt, was zu einer Verschlechterung des Konsumklimas in vielen Märkten weltweit geführt hat. Laut einer Untersuchung von McKinsey erwartet die überwiegende Mehrheit der Verbraucher in den 45 Ländern, in denen die Umfrage durchgeführt wurde, dass die Coronakrise sich mehr als zwei Monate lang auf ihre Finanzen und ihren Alltag auswirken wird. In den USA kauft fast ein Drittel der Konsumenten günstigere Produkte als früher, um Geld zu sparen.

Die Prognosen für den Einzelhandel als Ganzes sind seit Jahresbeginn um mehr als 10 % gesunken. Einzelhändler, die im diesjährigen Weihnachtsgeschäft erfolgreich sein möchten, benötigen eine überzeugende, gezielte Strategie, um ihren Kunden die Produkte, die diesen am wichtigsten sind, zum richtigen Preis anzubieten.

Mit modernen Technologien für Analysen und maschinelles Lernen können sie Käufer mit passenden Botschaften zur rechten Zeit erreichen. Einzelhändlern stehen Branchenlösungen von Google Cloud wie das neue Recommendations AI zur Verfügung, um die digitale Beschleunigung voranzutreiben, die Kundenzufriedenheit zu erhöhen und die betriebliche Effizienz in der gesamten Wertschöpfungskette zu steigern.

Wir helfen Ihnen, sich auf das Unvorhersehbare vorzubereiten

Dieses Jahr war für viele von uns durch rasend schnelle und unerwartete Veränderungen geprägt. Wir stellen dem Einzelhandel dringend benötigte Technologien zur Verfügung und helfen unseren Kunden, sich für jegliche Überraschungen während des Weihnachtsgeschäfts zu wappnen. Aus diesem Grund entscheiden sich E-Commerce-Unternehmen wie Etsy und Shopify sowie Einzelhändler wie The Home Depot und Urban Outfitters für Google Cloud als Partner für dieses wichtige Saisongeschäft. Sie nutzen insbesondere unseren Premiumservice für Black Friday und Cyber Monday (BFCM), mit dem wir ihre IT- und Entwicklerteams durch frühzeitige Kapazitätsplanung, Zuverlässigkeitstests und operative Einsatzzentralen unterstützen.

Unsere Teams stehen Ihnen mit Lösungen und Fachwissen zur Seite, damit Sie nicht nur das Weihnachtsgeschäft, sondern auch die Zeit danach erfolgreich bewältigen. Lesen Sie zuerst unseren praxisorientierten, hilfreichen Leitfaden zur Vorbereitung auf diese umsatzstarken Wochen und die Zeit danach. Von Tipps für den Wechsel in die Cloud für eine bessere Kostenverwaltung bis zur Unterstützung Ihrer Servicezentren mit den Möglichkeiten der KI zeigen wir die Bereiche auf, die für die Kundenzufriedenheit und Ihren Gewinn am wichtigsten sind. Laden Sie das E-Book herunter und nehmen Sie an einer unserer Retail Events teil, bei denen wir unsere Erkenntnisse aus der Zusammenarbeit mit führenden Einzelhändlern vorstellen.

_{1. Google/Ipsos, U.S. Shopping Tracker, März 2020}

_{2. Google/Ipsos, Shopping Tracker, Januar, Februar, März, April 2020}