Maschinelles Lernen im Handel

Hochkomplexe IT-Systeme steuern heute die gesamte Warenwirtschaft, insbesondere die Beschaffungs-und Distributionslogistik.  Die dazu notwendige Verwaltung der Artikeldaten stellt für die meisten Unternehmen eine große Herausforderung dar. Der Grund hierfür liegt in der Vielzahl und Komplexität der Daten. Oftmals sind mehrere Millionen filialspezifische Artikelstammdatensätze zu verwalten. Auf Grund der eingehenden Informationen über Artikel und Lieferant muss unter Beachtung der gesetzlichen Vorgaben sowie der unternehmensinternen Geschäftsregeln und Referenzdaten ein Stammdatensatz im Warenwirtschaftssystem erstellt werden.  Welche Attribute in welcher Ausprägung zu pflegen sind, ergibt sich aus den eingehenden Informationen und daraus abgeleiteten Regeln für die Datenerfassung. Es ist für die Anwender nahezu unmöglich, sämtliche Regeln zu überblicken und zu spezifizieren. Das führt zu mangelnder Qualität der Daten im zentralen Warenwirtschaftssystem. Die Folgen sind ein erhöhter Korrekturaufwand, entgangene Umsätze oder Verzögerungen bei der Einführung neuer Softwarelösungen. Datenfehler verursachen so einen hohen wirtschaftlichen Schaden.

Ziel des Forschungsvorhabens ist es, einen intelligenten, lernfähigen Assistenten zu entwickeln, der mittels Verfahren des maschinellen Lernens u.a. Datenqualitätsregeln bestimmt, diese kontinuierlich aktualisiert und optimiert sowie den Benutzern dieses Wissen zur Verfügung stellt. Der Assistent soll, wenn möglich, Fehler automatisch korrigieren bzw. den Nutzer mit erlernten Vorschlagswerten bei der Datenkorrektur unterstützen. Hierdurch kann der Automatisierungsgrad bei zentralen Aufgaben der Datenqualitätssicherung im Warenwirtschaftssystem signifikant erhöht und die Kosten erheblich reduziert werden. Eine Evaluation des Assistenten erfolgt in einer Test- und Entwicklungsumgebung anhand von Artikelstammdaten, die von assoziierten Partnerunternehmen bereitgestellt werden.

Zur Projekthomepage