Zum Inhalt springen
Bei LC Waikikilautet unsere Leitphilosophie ganz einfach: „Jeder hat es verdient, sich gut zu kleiden.“ Was 1988 in Frankreich begann, hat sich zu einem riesigen globalen Einzelhandelsnetzwerk entwickelt. Heute bieten wir unseren Kunden erschwingliche Mode in mehr als 1.200 Filialen in 59 Ländern an – unterstützt von einem Team aus über 57.000 Mitarbeitern.
Mit diesem Wachstum hat unsere Unternehmensgröße auch zu einer zunehmenden operativen Komplexität geführt. In einem von Inflation geprägten Einzelhandelsumfeld ist die alleinige Fokussierung auf das Absatzvolumen kein tragfähiger Weg zu nachhaltigem Wachstum; vielmehr sind Wertmanagement, Margensicherung und Rentabilität zu den wichtigsten Leistungskennzahlen geworden. Um dem Rechnung zu tragen, hat unser Vorstandsvorsitzender folgende Vorgabe erteilt: Verhindern Sie globale Preisungleichgewichte und sichern Sie Ihre Margen mithilfe künstlicher Intelligenz.
Unsere Antwort darauf war die Entwicklung von LCWIQ, unsere firmeneigene, KI-gestützte Engine für Preisanalysen und Anomalieerkennung. Spätestens Dynamic Pricing Community Im Rahmen dieser Veranstaltung haben wir erläutert, wie wir das Projekt umgesetzt haben, welche wissenschaftlichen Erkenntnisse dahinterstehen und welche Erkenntnisse wir hinsichtlich der globalen Skalierung der Preisgestaltung gewonnen haben. Nachfolgend finden Sie die wichtigsten Erkenntnisse.
Warum eine Fülle von Daten zu Fehlern bei der Preisgestaltung führt
Ein weit verbreiteter Irrtum im modernen Einzelhandel ist die Annahme, dass Preisfehler auftreten, weil den Teams nicht genügend Daten zur Verfügung stehen. In Wirklichkeit ist das Gegenteil der Fall. Einzelhändler versinken geradezu in Daten.
In der Vergangenheit legten wir die Einstiegspreise anhand einer grundlegenden Cost-Plus-Formel fest. Sobald diese Basispreise festgelegt waren, mussten unsere Filialproduktmanager (SPMs) diese manuell anpassen, um der lokalen Kaufkraft, den Aktivitäten regionaler Wettbewerber und sich ändernden Margenzielen Rechnung zu tragen.
Angesichts von über 50.000 aktiven Produkten, die durch sehr unterschiedliche Lieferketten fließen, stellte die manuelle Filterung einen Engpass dar. Wenn man Millionen von Datenpunkten manuell verarbeitet, schlüpfen zwangsläufig Unregelmäßigkeiten durch:
- Unterpreisige Artikel: Stark nachgefragte Basisartikel, deren Preis deutlich unter dem lokalen Durchschnitt ihrer Kategorie liegt, was zu einem stillen Margenverlust führt.
- Verkäufe unter Selbstkosten: Artikel, die aufgrund plötzlicher, unkoordinierter Erhöhungen regionaler Zölle, Frachtkosten oder lokaler Wechselkurse mit negativen Margen verkauft werden.
Die Herausforderung besteht darin, einen automatisierten Filter zu entwickeln, der in der Lage ist, Tausende von Produkten und Märkten zu überprüfen, um diese Anomalien zu erkennen, bevor sie sich auf die Geschäftsleistung auswirken.
Die technischen Grundlagen des LCWIQ-Motors
Um ein System zu entwickeln, dem unsere Geschäftsteams tatsächlich vertrauen können, haben wir auf „Black-Box“-Prognosen verzichtet und stattdessen ein robustes Rahmenwerk geschaffen, das auf vier wissenschaftlich begutachteten Methoden basiert:
Wissenschaftliche Methodik | Wie wir dies bei der Preisgestaltung anwenden |
Mehrdimensionale Anomalieerkennung (Isolation Forest – Liu et al., 2008) | Wir analysieren Preise, Kosten, Lagerbestände und Umschlagshäufigkeit gleichzeitig, um multivariable Ausreißer zu identifizieren. |
Lokale, dichtebasierte LOF (LOF – Breunig et al., 2000) | Wir identifizieren lokale Anomalien in verschiedenen Produktklassen, die sich in ihren Standardpreisspannen erheblich unterscheiden. |
Schnelle und konsistente Kursprognose (LightGBM – Ke et al., 2017) | Das Verfahren arbeitet 20-mal schneller als XGBoost bei genau gleicher Genauigkeit, sodass wir die Preise für Tausende von Artikelnummern innerhalb von Sekunden neu festlegen können. |
Abstimmung bei Ensemble-Modellen (Outlier-Ensembles – Aggarwal, 2013) | Wir kombinieren vier unterschiedliche Modellfamilien in einem Voting-System, um verborgene Anomalien aufzudecken, die ein einzelnes Modell möglicherweise übersehen würde. |
Die fünfstufige Verarbeitungskette
Um diese Theorien in alltägliche, automatisierte Abläufe umzusetzen, verarbeitet LCWIQ unser globales Sortiment über eine hochoptimierte Pipeline in weniger als einer Minute:
- Datenaufbereitung: Bereinigt Rohdaten aus dem Einzelhandel, behandelt fehlende Werte und vereinheitlicht Kennzahlen zu Lagerbeständen, Umsätzen und Bestandsdeckung.
- Parallele Anomalieerkennung: Führt vier Modelle (Robust Z-Score, Isolation Forest, LOF und ein Autoencoder-Netzwerk) gleichzeitig aus.
- Ensemble-Abstimmung und Regel-Engine: Klassifiziert Anomalien nach Schweregrad, je nachdem, wie viele Modelle sie kennzeichnen, und wendet dabei strenge Einschränkungen an (z. B. die automatische Kennzeichnung aller Preise unterhalb der Einstandskosten).
- Preisoptimierung: Nutzt LightGBM zur Ermittlung eines Basispreises, wendet eine Korrektur der Lagerbestandsdeckung an (Anhebung der Preise, um Lagerengpässe zu verlangsamen, oder Senkung der Preise, um Ladenhüter abzubauen) und rundet auf lokale psychologische Preisbereiche.
- Interaktive Ausgabe: Bietet visuelle Dashboards, Simulatoren und exportierbare Berichte für sofortige Maßnahmen.
Einsatz von LLMs zur Erklärbarkeit in Alltagssprache
Einer der schnellsten Wege, eine KI-Initiative zum Scheitern zu bringen, ist mangelndes Vertrauen. Wenn ein Preismanager nicht versteht, Warum ein Algorithmus einen Artikel markiert oder einen bestimmten Preis empfohlen hat, werden sie dies einfach ignorieren.
Um die Lücke zwischen komplexen mathematischen Modellen und der Umsetzung in der Praxis zu schließen, haben wir einen KI-Assistenten auf Basis eines großen Sprachmodells (LLM) direkt in die LCWIQ-Plattform integriert.
Anstatt die Preismanager dazu zu zwingen, Rohdaten aus Datenbanken auszuwerten, können sie die Daten mithilfe einfacher, natürlicher Sprache abfragen:
Nutzer: „Welche Produkte werden derzeit unter dem Selbstkostenpreis verkauft?“
AI: „Ich habe mehrere gefunden. Am kritischsten ist ein Damenstrickpullover, der mit einer Marge von -3,8 % verkauft wird.“
Dies wurde gemeldet, da die lokalen Frachtmultiplikatoren in der vergangenen Woche sprunghaft angestiegen sind.
Ich empfehle, den Kurs auf 12,90 $ anzupassen, um eine Marge von +36,4 % wiederherzustellen.“
Diese Schnittstelle in natürlicher Sprache übersetzt die Ergebnisse des Ensemble-Modells umgehend in nachvollziehbare Geschäftslogik. Sie erläutert dem Manager genau, warum eine Anomalie vorliegt – sei es aufgrund eines ungewöhnlichen Verhältnisses von Umsatz zu Lagerbestand, hoher Einstandskosten oder einer Diskrepanz bei den lokalisierten Wechselkursen.
Zwar nutzen wir derzeit kostengünstige Cloud-APIs, doch im Mittelpunkt unserer langfristigen Strategie steht die Umstellung auf lokal gehostete Open-Source-Modelle , um einen absoluten Datenschutz für unsere firmeneigenen Kennzahlen aus den Bereichen Einzelhandel und Finanzen zu gewährleisten.
KI als Instrument zur Entscheidungsunterstützung
Ein häufig diskutiertes Thema in Kreisen der Preisgestaltung ist die Befürchtung, einem Algorithmus vollständige Autonomie zu übertragen. Bei LC Waikiki ist unsere Philosophie klar: KI sollte als leistungsstarker Copilot fungieren, doch der Mensch bleibt der Pilot.
Unsere Store Product Manager (SPMs) sind für die Preisgestaltung in mehreren Ländern verantwortlich. Sie verfügen über Kenntnisse des lokalen Marktkontexts, die ein Algorithmus einfach nicht erfassen kann, wie zum Beispiel:
- Geopolitische Instabilität: Plötzliche wirtschaftliche Veränderungen oder Handelsstörungen in Regionen wie dem Golf-Kooperationsrat (GCC).
- Markteintritte lokaler Wettbewerber: Ein Discounter aus der Modebranche eröffnet zehn stationäre Filialen in einer bestimmten Region, was uns dazu zwingt, vorübergehend geringere Margen in Kauf zu nehmen, um unseren Marktanteil zu sichern.
- Lagerbestandszyklen: Die bewusste Entscheidung, bei Restbeständen Margeneinbußen in Kauf zu nehmen, um Lagerplatz für die Wareneingänge der nächsten Saison freizumachen.
Um dies zu unterstützen, bietet LCWIQ eine „Was-wäre-wenn“-Simulation Dashboard. Sollte ein SPM mit einer KI-Empfehlung nicht einverstanden sein, kann er manuell alternative Preisniveaus simulieren, um sich sofort die Auswirkungen, die nächstgelegenen psychologischen Preisbereiche und den prognostizierten Wochenumsatz anzusehen, bevor er eine Änderung vornimmt.
Zwei Beispiele für die Zusammenarbeit zwischen Mensch und KI
- Das preisgünstige Basic-T-Shirt für Herren: Ein einfaches T-Shirt mit hohem Absatzvolumen, das von unseren Z-Score- und Isolation-Forest-Algorithmen identifiziert wurde, wurde zu einem ungewöhnlich niedrigen Preis von 4,99 US-Dollar mit einer geringen Marge von 27,9 % verkauft. Die KI schlug einen korrigierten Preis von 7,99 US-Dollar vor. Das SPM genehmigte die Änderung, wodurch die Marge sofort wieder auf 54,9 %.
- Der Damen-Strickpullover zum Sonderpreis: Unsere Regel-Engine hat einen Strickpullover mit einer negativen Marge von -3,8 % (Verkaufspreis 7,90 $) aufgrund einer nicht abgestimmten Aktualisierung der Einstandskosten identifiziert. Das System empfahl einen Preis von 12,90 $. Der SPM bestätigte den Kostenfehler, genehmigte die Empfehlung und stellte wieder eine gesunde 36,4 % Gewinnspanne bei gleichzeitig äußerst wettbewerbsfähigen Preisen.
Das richtige Gleichgewicht in der Unternehmensführung finden
Die Anpassung der Preisgestaltung in 60 verschiedenen Ländern ist nicht nur eine technische Herausforderung, sondern auch eine Herausforderung für die Unternehmensführung.
Um widersprüchliche Strategien in den verschiedenen Regionen zu vermeiden, müssen Unternehmen klare operative Grenzen festlegen. Sind die Zuständigkeiten im Bereich der Preisgestaltung zwischen der Unternehmenszentrale, den regionalen Merchandisern und den Filialleitern vor Ort unklar, wird dies schnell zu Einbußen bei den Ergebnissen führen.
Unser Führungsmodell schafft ein Gleichgewicht zwischen zentraler Steuerung und lokalen Erfordernissen:
- Zentralisierte KI-Standards: Wir nutzen ein zentralisiertes Team und die LCWIQ-Plattform, um grundlegende Preisstrategien festzulegen, Mindestmargen festzulegen und eingehende globale Daten zu bereinigen.
- Lokalisierte strategische Autonomie: Unsere SPMs nutzen ihre regionale Expertise, um diese Grenzen anzupassen. Gleichzeitig fungieren die Filialleiter vor Ort als unsere Augen vor Ort und melden neue Standorte von Wettbewerbern oder lokale Trends, die direkt in unsere Strategie einfließen.
Indem wir unsere KI so konzipieren, dass sie als Entscheidungshilfetool und nicht als autonome Black Box konzipiert haben, ist es uns gelungen, unsere Preisgestaltung so zu skalieren, dass sie unsere globale Expansion unterstützt und gleichzeitig unsere regionalen Margen konsequent verteidigt.
Die wichtigsten Erkenntnisse aus der DPC-Sitzung
- Es handelt sich nicht um ein Datenproblem, sondern um ein Filterproblem
Einzelhändler leiden selten unter einem Mangel an Daten. Die eigentliche Herausforderung besteht darin, angesichts ständiger Preisaktualisierungen margenschädigende Anomalien unter Tausenden von Produkten und Märkten zu identifizieren, bevor sie sich auf das Geschäftsergebnis auswirken.
- KI ist ein Instrument zur Entscheidungsunterstützung, kein autonomer Fahrer
Die effektivsten Systeme erkennen Fehler und schlagen optimale Preisniveaus vor, doch die für die Preisgestaltung zuständigen Führungskräfte müssen die endgültige strategische Kontrolle über die endgültige Entscheidung behalten.
- Große Sprachmodelle übersetzen Mathematik in einfache Logik
Große Sprachmodelle entwickeln sich von experimentellen Werkzeugen zu entscheidenden Triebkräften für die Erklärbarkeit und wandeln komplexe mathematische Anomalien in intuitive, verlässliche Erkenntnisse um.
- Globale Dimension erfordert lokale Rahmenbedingungen
Die Umsetzung einer Preisstrategie in Dutzenden unterschiedlicher Länder erfordert mehr als nur reine Algorithmen; der Erfolg hängt davon ab, das richtige Gleichgewicht zwischen Unternehmensführung und lokaler Marktkenntnis zu finden.
Über die Autoren
Emre Aslan
Regionaler Produktleiter, LC Waikiki
Mit einem akademischen Hintergrund in Wirtschaftswissenschaften hat Emre seine berufliche Laufbahn damit verbracht, sich in komplexen globalen Einzelhandelsumfeldern zurechtzufinden, darunter berufliche Stationen in den Vereinigten Staaten und in Dubai, bevor er 2019 zu LC Waikiki kam. Als Regional Product Leader ist er für die Zuteilung, Planung und saisonalen kommerziellen Maßnahmen in mehreren Märkten verantwortlich. Emre engagiert sich mit großer Leidenschaft für wegweisende, KI-gestützte Innovationen im Einzelhandel und treibt interne Projekte voran, die von Umsatzprognosen über Bestandsbündelung bis hin zur intelligenten Preisoptimierung reichen.
Remzi Demirkıran
Produktmanager im Einzelhandel, LC Waikiki
Remzi ist genau an der Schnittstelle zwischen kommerzieller Einzelhandelsstrategie und fortgeschrittener Datenwissenschaft tätig. Nachdem er sein Studium der Materialwissenschaft und Werkstofftechnik als Jahrgangsbester abgeschlossen hatte, erwarb er sowohl einen MBA als auch einen MSc in KI-Engineering. Derzeit setzt er seine akademische Laufbahn mit einer Promotion im Bereich Künstliche Intelligenz fort. In seiner Funktion als Store Product Manager konzentriert sich Remzi auf das Produktmanagement und die Entwicklung der nächsten Generation KI-gestützter Preisberechnungsmodule, um die weltweiten Margen zu sichern.
