Merchandising im Zeitalter der künstlichen Intelligenz (KI)

Die Rolle des Digital Merchandisers hat sich in den letzten Jahrzehnten über die reine Online-Werbung für Produkte hinaus weiterentwickelt. Der Merchandiser von heute prägt die Wahrnehmung der Kunden und lenkt deren Kaufentscheidungen. Moderne Digital-Merchandising-Teams sind in der Regel auf bestimmte Bereiche eines E-Commerce-Shops spezialisiert, arbeiten jedoch mit einem umfangreichen Netzwerk anderer Akteure zusammen – darunter Einkauf, Marketing und Handel –, um die Umsatzziele des gesamten Unternehmens zu erreichen.

Tätigkeit in einem zunehmend anspruchsvolleren Einzelhandelsumfeld

In dieser Zeit wirtschaftlicher Unsicherheit achten Unternehmen zunehmend auf ihre Kosten. Um Ausgaben zu minimieren und die Kapitalrendite zu maximieren, werden sich Unternehmen zunehmend auf Automatisierung, datengesteuerte Prozesse und KI konzentrieren. Um diesen neuen Prozessen und Technologien gerecht zu werden, müssen Merchandiser ihre Teams um neue Aufgabenbereiche erweitern – zusätzlich zu ihren ohnehin schon umfangreichen täglichen Aufgaben. Von Merchandising-Teams wird erwartet, dass sie ihre Wirkung unter Beweis stellen, und sie stehen unter dem Druck, mit weniger Ressourcen mehr Wert zu schaffen.

Merchandising-Teams können nicht mehr davon ausgehen, dass sie Kundenbindung und Umsatz allein durch Verkäufe und Angebote steigern können.

E-Commerce-Unternehmen müssen ihre übergeordneten Strategien anpassen, um KI effektiv in ihre Arbeitsabläufe und Prozesse zu integrieren. Der erfolgreiche Einsatz von KI im Rahmen einer „künstlerischen“ Strategie für das Visual Merchandising erfordert eine gezielte Kombination aus KI und menschlichem Eingreifen.

Aufstieg in die neue NOW-Stufe

Neben grundlegenden Kenntnissen über den Markt, die Produkte und die Kunden müssen Merchandiser auch verstehen, wie KI-Modelle funktionieren.

Grundlegende Kenntnisse über KI sind erforderlich, um den Beteiligten das Verhalten der KI zu erklären, die notwendigen Arbeitsabläufe zu erstellen, bei Bedarf Korrekturen vorzunehmen und KI-Ergebnisse in bestehende Arbeitsabläufe zu integrieren.

Am Rande eines tiefgreifenden Wandels

Es ist wahrscheinlich, dass Veränderungen bei den Kompetenzen und Prozessen in einigen bestehenden Merchandising-Teams auf Widerstand stoßen werden. Um die Bedenken der Mitarbeiter hinsichtlich einer möglichen Ersetzung durch KI zu zerstreuen, müssen Unternehmen ihre Merchandising-Teams auf die KPIs und strategischen Geschäftsinitiativen der gesamten Organisation ausrichten und ihnen die KI-Tools zur Verfügung stellen, die zur Erreichung ihrer Einzelhandelsziele erforderlich sind. Dieser Ansatz gewährleistet, dass das Merchandising-Team die Transformation und die damit verbundenen Vorteile positiv bewertet.

Darüber hinaus wird es entscheidend sein, eine Kultur des Testens, Messens und Iterierens zu fördern. Es ist unwahrscheinlich, dass KI die kreativen Elemente des Merchandisings ersetzen wird; vielmehr wird sie diese durch die Automatisierung und Optimierung datengestützter Prozesse bereichern. So können Merchandiser mehr Zeit für besonders wirkungsvolle Aktivitäten aufwenden, wie beispielsweise von Menschen kuratierte Kollektionen oder Kampagnen, die das visuelle Markenerlebnis in den Vordergrund stellen.

Die Grenzen des Möglichen erweitern

Mithilfe von KI können Einzelhändler ihre Produkte aktiv bewerben und dabei auf eine weitaus größere Auswahl an Seiten und Kollektionen zurückgreifen – und das mit deutlich höherer Flexibilität.

Der Algolia-Kunde Steve Madden hat kürzlich mit KI experimentiert, um eine Reihe von Kapselkollektionen zu entwerfen, die auf den Farben von College-Football-Teams basieren, und diese für lokal ausgerichtete Marketingkampagnen eingesetzt.

Ohne die KI wäre die Erstellung und Verwaltung einer derart großen Anzahl maßgeschneiderter Sammelseiten bei diesem Grad an detaillierter Segmentierung nicht skalierbar.

Ein ausgewogenes Bündnis

Die Integration von KI erfordert einen ausgewogenen Ansatz, bei dem bestimmte Aufgaben automatisiert werden, während bei Bedarf menschliches Eingreifen möglich bleibt. In Zukunft könnten sogar neue Formen der Zusammenarbeit zwischen KI und Mensch entstehen, wie beispielsweise die Nutzung einer dialogorientierten Schnittstelle zur Erstellung von KI-generierten Kollektionen, die genau auf ganz bestimmte Zielgruppen zugeschnitten sind.

Ein Merchandiser kann beispielsweise im Handumdrehen eine Kollektion zusammenstellen, indem er die KI mündlich auffordert: „Algolia, erstelle mir eine Seite mit preisgünstiger Ausrüstung für jemanden, der mit dem Angeln anfangen möchte. Priorisiere dabei Produkte mit niedrigen Rücklaufquoten und hohen Margen und optimiere die Seite hinsichtlich der Konversionsrate bei Erstkunden.“

Das Neueste ist nicht immer das Beste

Im digitalen Merchandising geht man häufig davon aus, dass neue Produkte immer ganz oben in den Suchergebnissen erscheinen sollen. Ein großer Sportartikelhändler führte eine Umsatzanalyse für neue Produkte in den ersten 14 Tagen nach der Markteinführung durch und stellte Folgendes fest:

1. Ein kleiner Teil besonders engagierter Kunden war für den Großteil des Umsatzes mit neu eingeführten Produkten verantwortlich.
2. Nahezu alle Verkäufe von brandneuen Produkten erfolgten entweder über die Seiten „Neu in [Kategorie]“ oder über zielgerichtete Landingpages.
3. Produktkategorieseiten wie „Herren-T-Shirts“ oder „Damen-Leggings“ trugen nur sehr wenig zum Umsatz mit neuen Produkten bei. Tatsächlich führte das Verstecken bewährter Bestseller unter neuen Produkten zu einer Verschlechterung der Gesamtleistung dieser Seiten.

 

Datengesteuerte Entwicklung

Merchandising-Teams wenden oft erheblichen Aufwand auf, um Seiten und Kollektionen manuell zusammenzustellen und dabei auf externe Faktoren wie Lagerbestände, saisonale Schwankungen oder Anfragen von Interessengruppen zu reagieren.

Beispielsweise bewerben Merchandiser ein Produkt häufig mit dem Ziel, Überbestände abzubauen. Sobald der Lagerbestand jedoch abverkauft ist, widmet sich das Team oft der nächsten „Krise“, ohne die Gelegenheit zu haben, die Analyseberichte oder die Erkenntnisse zu prüfen, die als Grundlage für zukünftige Entscheidungen dienen, wie zum Beispiel:

• Hat sich das Produkt aufgrund der Werbeaktion verkauft?
• Gab es noch andere Faktoren, die dazu beigetragen haben, wie zum Beispiel ein Social-Media-Trend oder bezahlte Werbung?
• Hatte die Werbeaktion Auswirkungen auf den Absatz anderer Produkte?

Im traditionellen Modell werden diese Fragen selten formell gestellt und noch seltener beantwortet. KI-gestützte Merchandising-Teams, die automatisierte Funktionen nutzen, können die Auswirkungen ihrer Kurationsentscheidungen im Nachhinein leichter bewerten. Durch kontinuierliche Datenanalyse können die Teams wertvolle Erkenntnisse gewinnen, um ihre Planung, Umsetzung und Optimierung kontinuierlich zu verbessern – oft in Echtzeit –, wodurch der Kreis zwischen Merchandising-Maßnahmen und Umsatzgenerierung effektiv geschlossen wird.

Nicht alle Datenquellen sind gleich

In einer idealen Welt würden E-Commerce-Unternehmen ständig mit hochwertigen, aktuellen Daten versorgt, um ihre Merchandising-Strategien voranzutreiben. In der Realität stützen sich die meisten Merchandising-Teams derzeit jedoch auf ein Flickwerk aus Tabellenkalkulationen und Berichten – die oft aus verschiedenen Systemen stammen, die ursprünglich für andere Zwecke als das Merchandising entwickelt wurden, wie beispielsweise Webanalyse, Bestandsverwaltung oder Finanzberichterstattung.

E-Commerce-Unternehmen müssen ihre übergeordneten Strategien anpassen, um KI effektiv in ihre Arbeitsabläufe und Prozesse zu integrieren. Der erfolgreiche Einsatz von KI im Rahmen einer „künstlerischen“ Strategie für das Visual Merchandising erfordert eine gezielte Kombination aus KI und menschlichem Eingreifen.

Die vergangenen Zeiten der Tabellenkalkulationen

Dank KI-gestütztem Merchandising wird das manuelle Anpassen der Reihenfolge auf Produktdetailseiten bald der Vergangenheit angehören.

Anstatt Tabellenkalkulationen zu aktualisieren und zu überprüfen, wird die KI anhand von Ereignissen ein breiteres Spektrum an Daten erfassen und diese nutzen, um Produkte anhand von benutzerdefinierten Regeln und Relevanzalgorithmen automatisch neu zu ordnen.

Da die Berechnungen von der KI übernommen werden, haben Merchandiser die Freiheit, in Echtzeit zu experimentieren und neue Formeln zu testen. Merchandising-Teams können diese Formeln anschließend anhand datengestützter Kennzahlen überprüfen.

Stützen Sie sich auf zuverlässige Rahmenkonzepte und nicht auf „Geheimrezepte“

Selbst wenn gute Daten verfügbar sind, nutzen Teams diese oft eher dazu, ihre „fundierten Vermutungen“ zu bestätigen, als eine konsistente, datengestützte Betriebsstrategie zu entwickeln. Sie priorisieren Produkte anhand ihrer eigenen internen Bewertungsformel oder „Geheimrezeptur“, um Daten zu kombinieren und zu gewichten. Anfangs mag sich dieser Ansatz als effektiv erweisen, doch mit der Zeit lässt die Leistung nach, da die Geheimrezeptur von den alten Teams an neue Mitarbeiter weitergegeben wird, die möglicherweise nicht verstehen, wie sie funktioniert oder wie man sie anpasst.

Zudem wird die Produktpositionierung oft nur selten aktualisiert, und die Daten und Gewichtungen werden global angewendet und nicht auf der Ebene einer bestimmten Kategorie, eines Kundensegments oder eines einzelnen Kunden. Aufgrund des erforderlichen Aufwands – Tools, Personal, Fachkenntnisse und Besucheraufkommen – kann eine detaillierte Positionierung für alle außer den größten Einzelhändlern unerschwinglich sein.

Iterieren, um eine maximale Optimierung zu erreichen

Da sich das Einkaufsverhalten im Laufe der Zeit verändert, müssen Visual Merchandiser ihre Präsentationsstrategien kontinuierlich optimieren, um sicherzustellen, dass diese stets mit den sich wandelnden Dynamiken des Marktes und des Unternehmens im Einklang stehen. KI-gestützte Tools erleichtern es, erfolgreiche Konzepte ständig zu testen und anzupassen.

Ein Einzelhändler hat beispielsweise das Ziel, alle Wintermäntel noch vor Saisonende in einem Monat aus dem Sortiment zu verkaufen. Dazu müsste der Merchandiser die Absatzquote prognostizieren und die Werbeaktionen oder Preise in den nächsten Wochen regelmäßig anpassen. KI entlastet den Merchandiser von diesen routinemäßigen Aufgaben. Sie kann den gesamten Monat über kontinuierlich analysieren, neue Prognosen erstellen und automatisch in Echtzeit Anpassungen vornehmen, bis am letzten Tag der Saison die letzte Jacke zum höchstmöglichen Preis verkauft ist.

Manuelle Aufgaben lassen sich nicht gut skalieren

Der manuelle Charakter der derzeitigen Merchandising-Methoden stellt selbst für die datenorientiertesten Teams eine Herausforderung dar, wenn es darum geht, den Betrieb zu skalieren. Unternehmen mit umfangreichen Sortimenten, vielen Kollektionen und zahlreichen Seiten müssen entweder ein großes Team aufbauen oder ihre Aktivitäten auf die Bereiche mit dem höchsten Mehrwert beschränken.

Im Bereich des digitalen Merchandisings gibt es in der Regel nur sehr wenige allgemein anerkannte Best Practices. Die meisten der vorhandenen Vorgehensweisen wurden aus dem stationären Merchandising übernommen – insbesondere bei etablierten stationären Einzelhändlern – oder konzentrieren sich auf visuelle Attraktivität und Ästhetik, vor allem im Modeeinzelhandel.

Daten befreien

Durch die kontinuierliche Zuführung neuer Daten können KI-Tools Merchandising-Strategien anpassen, die in Echtzeit reagieren und auf Variablen wie Schwankungen im Käuferverhalten, im Lagerbestand und bei der Preisgestaltung reagieren.

Wenn diese KI-Fähigkeiten richtig integriert werden, haben Merchandiser die Möglichkeit, sich auf übergeordnete Trends zu konzentrieren und ihr Marktwissen zu nutzen, um sich bietende Chancen zu nutzen. Anstatt auf der Ebene einzelner Produkte und Seiten zu arbeiten, können sich Merchandiser darauf konzentrieren, Ziele zu setzen, die Ästhetik zu verfeinern und das Kundenerlebnis zu verbessern. Das Gleichgewicht zwischen Kunst und Wissenschaft bleibt bestehen, doch die sich wiederholenden und mechanischen Aufgaben der wissenschaftlichen Seite werden zunehmend automatisiert und von KI gesteuert.

Weniger Pinning, mehr KI-Automatisierung

Merchandiser, die KI-gestützte Tools einsetzen, werden sich weniger auf Regeln verlassen, um bestimmte Ziele zu erreichen. Das „Pinning“ wird nur sparsam eingesetzt, um die KI ausschließlich in besonderen Situationen zu übersteuern, beispielsweise bei einer zeitlich begrenzten Werbeaktion zur Einführung einer neuen Marke oder bei gesponserter Produktplatzierung.

Anstatt auf der Ebene einzelner Produkte einzugreifen, werden Merchandiser Ziele und Vorgaben auf einer übergeordneten strategischen Ebene festlegen. So könnte ein Merchandiser der KI beispielsweise den Befehl erteilen: „Passe die Rangfolge so an, dass die Strickkollektionen beworben werden, um rabattierte Lagerbestände abzubauen, priorisiere die Bruttomarge bei Oberbekleidung und gewähre neuen Kleidern am Wochenende eine größere Sichtbarkeit.“

Entwicklung einer datengestützten Merchandising-Strategie

Alle Merchandiser wünschen sich eine ganzheitliche Merchandising-Strategie, doch es erfordert Zeit und Ressourcen, diese richtig umzusetzen. Die Erstellung eines Plans, der auf die individuellen Gegebenheiten eines Unternehmens zugeschnitten ist, erfordert einen iterativen Ansatz – also das Testen und Optimieren, um schrittweise Verbesserungen zu erzielen.

Im Bereich des digitalen Merchandisings gibt es in der Regel nur sehr wenige allgemein anerkannte Best Practices. Die meisten der vorhandenen Vorgehensweisen wurden aus dem stationären Merchandising übernommen – insbesondere bei etablierten stationären Einzelhändlern – oder konzentrieren sich auf visuelle Attraktivität und Ästhetik, vor allem im Modeeinzelhandel.

Vorhersage des Kundenverhaltens mithilfe von KI

KI kann historische Verkaufsdaten analysieren, um die Leistung neuer Produkte bereits vor deren Kauf genauer vorherzusagen und so die Ermittlung optimaler Mengen und Preisniveaus zu unterstützen. KI kann zudem die Absichten der Kunden beim Stöbern auf Ihrer Website besser nachvollziehen und die Suchergebnisse entsprechend anpassen – wodurch Konversionsraten und Umsätze gesteigert werden. Darüber hinaus können die Daten aus der Umsatzanalyse vom B&M-Team genutzt werden, um genau vorherzusagen, welche Lagerbestände den höchsten Umsatz generieren.

 

3 Wege, wie KI Merchandising-Teams verändert

 

1. Durch die Automatisierung werden Merchandising-Teams weniger stark nach Kategorien abgegrenzt sein
   Anstatt dass sich Teammitglieder auf einen einzelnen Nischenbereich spezialisieren, werden Merchandiser einen umfassenderen Zuständigkeitsbereich für verschiedene Kategorien haben. Unternehmen mit umfangreicheren Sortimenten werden in der Lage sein, alle Bereiche ihres digitalen Verkaufsraums zu optimieren – nicht nur die oberste Ebene und die Bereiche mit hohem Besucheraufkommen.
2. Durch die Automatisierung gewinnen Merchandising-Teams mehr Zeit für die Strategieentwicklung und die Optimierung ihrer Konzepte
   Da die KI den Großteil der manuellen Arbeit übernimmt, können sich Merchandiser stärker auf die übergeordnete Einkaufs- und Merchandising-Strategie (B&M) sowie auf datengestützte Projekte konzentrieren. Analytische Fähigkeiten werden ebenso an Bedeutung gewinnen wie die Fähigkeit, KI-Tools so einzusetzen, dass optimale Ergebnisse erzielt werden.
3. Merchandising-Teams werden sich stärker auf die Erkennung allgemeinerer Trends oder umfassenderer, kampagnenorientierter Strategien konzentrieren
   Dank der Automatisierung des Rankings durch KI müssen Merchandising-Teams nur noch kleine Anpassungen vornehmen, um das Ranking zu optimieren. Die Rollen innerhalb der Teams werden proaktiver und stärker an die neuesten sozialen und kulturellen Trends gekoppelt sein. Merchandiser werden eingreifen, um das Ranking zu steuern und Regeln für das Hervorheben („Pin“) oder Hervorheben („Boost“) mit einer Ablaufzeit zu erstellen, um Trendprodukten mehr Sichtbarkeit zu verschaffen. Die Tools werden dann in der Lage sein, das Signal zu erkennen und das Produkt je nach seiner Leistung auf natürliche Weise hervorzuheben oder zurückzustufen.

 

Integration: Das Versprechen und die Herausforderung der KI

Die KI entwickelt sich rasant weiter, und fast täglich kommen neue Technologien auf den Markt. In den nächsten Jahren werden Einzelhändler mit einer Vielzahl von KI-Produkten sowohl von neuen Anbietern als auch von etablierten Unternehmen überschwemmt werden.

Diese KI-Tools müssen in bestehende E-Commerce-Tech-Stacks integriert werden. Händler, die All-in-One-E-Commerce-Plattformen nutzen, haben zwar nur eine begrenzte Auswahl, profitieren aber von einer einfacheren Implementierung; diejenigen mit vollständig modularen Tech-Stacks haben Zugang zu einer breiteren Palette an Lösungen, darunter MACH-Angebote (Microservices, API-first, Cloud-native und Headless).

Die meisten KI-Tools benötigen zuverlässige Daten, um effektiv zu funktionieren, beispielsweise Analysen zu Kunden, Produkten, Lagerbeständen, Transaktionen und Klickverläufen. Zu den weiteren für die KI wertvollen Daten können Rücksendungen und die Preisgestaltung der Wettbewerber gehören.

Diese Datensätze befinden sich häufig in organisatorischen Silos, auf die Drittanbietersysteme nur schwer zugreifen können. Einzelhändler mit bestehenden Data Warehouses und einer ereignisgesteuerten Architektur sind dabei im Vorteil. Andere hingegen müssen vor der Integration von KI klare Datenpipelines und eine klare Architektur definieren.

Mithilfe eines KI-gestützten Tech-Stacks in Verbindung mit einer datengesteuerten Strategie werden Merchandiser in der Lage sein, beispiellose Customer Journeys zu gestalten, wie beispielsweise ein Omnichannel-Einkaufserlebnis im „phygitalen Raum“ – einer Verschmelzung von physischen und digitalen Marktplätzen, in dem Kunden nahtlos online, im Ladengeschäft, in einer Kombination aus beidem oder über andere Kanäle wie Telefon und E-Mail einkaufen können.

Eine größere Auswahl

In einem „Headless“-E-Commerce-System sind Händler nicht mehr an die vorgegebenen Optionen einer SaaS-E-Commerce-Plattform gebunden. Sie können die besten APIs auf dem Markt auswählen, einen auf ihre spezifischen Geschäftsanforderungen zugeschnittenen Technologie-Stack aufbauen und diesen in kürzerer Zeit implementieren.

Beispielsweise könnte ein Unternehmen mit einem umfangreichen und vielfältigen Sortiment, dessen Kunden vor allem über die Suche auf das Angebot aufmerksam werden, einer erstklassigen Suchfunktion Priorität einräumen. Ein Unternehmen mit einem kleineren Sortiment, bei dem jedoch die Wahrscheinlichkeit von Wiederholungskäufen hoch ist, könnte stattdessen einer Kundendatenplattform (CDP) den Vorrang geben, um Angebote zu personalisieren und die Kundenbindung zu maximieren.

Der Headless-Ansatz verringert nicht nur die Anbieterabhängigkeit, sondern ermöglicht auch eine klare Aufgabenteilung zwischen den verschiedenen Produktteams und unterstützt so parallele Arbeitsabläufe. Das bedeutet, dass die Such- und Discovery-Teams nicht durch Anforderungen aus dem CRM eingeschränkt sind, während sich die Frontend-Entwickler ganz auf die Leistung der Website konzentrieren können.

 

Die Omnichannel-Geschichte: KI-gestütztes Merchandising in der Praxis

Um 8:15 Uhr, während sie frühstückt, erhält Sarah eine Push-Benachrichtigung auf ihrem Handy von ihrer Lieblingsmodemarke. Die Marke hat gerade ihre neueste Schuhkollektion herausgebracht und möchte wissen, ob sie Interesse daran hat, ein neues Paar beige Schuhe anzuprobieren, die zu einer Jacke passen, die sie erst letzte Woche gekauft hat. Ihre bevorzugte Größe ist in der Filiale in der Innenstadt, ganz in der Nähe ihres Arbeitsplatzes, vorrätig. Möchte sie vorbeikommen und die Schuhe anprobieren?

Sarah vergrößert das Katalogbild eines modisch gekleideten Models, das die Schuhe präsentiert. Sie klickt auf „Ja, Termin vereinbaren“, woraufhin in der mobilen App der Modemarke ein Kalender erscheint. Sie vereinbart einen Termin für mittags.

Während der Arbeit erhält Sarah eine zweite Benachrichtigung, die sie an den Termin erinnert und ihr gleichzeitig ein zeitlich begrenztes Angebot für doppelte Treuepunkte bei Einkäufen unterbreitet.

In ihrer Mittagspause macht sich Sarah auf den Weg zum Geschäft. Das Verkaufsteam erwartet sie dort nicht nur mit den neuen Schuhen in ihrer Wunschgröße, sondern auch mit den anderen Kleidungsstücken, die den Look aus dem Katalogbild vervollständigen.

Die Schuhe fallen klein aus. Sarah braucht eine Nummer kleiner. Leider hat das Geschäft die richtige Größe nicht vorrätig. Möchte sie sich die Schuhe morgen zusenden lassen, um sie zu Hause anzuprobieren? Sie stimmt zu.

Bevor sie geht, meldet sich Sarah am Kiosk im Geschäft an und stöbert in den kommenden Sommerkollektionen, die nächsten Monat auf den Markt kommen. Sie findet einen Badeanzug, der perfekt für ihren Urlaub im Juni sein wird. Sie speichert ihn auf ihrer Wunschliste.

Am nächsten Tag werden die Schuhe zu ihr nach Hause geliefert. Sie passen! Sie öffnet die App und bestätigt ihren Kauf.

 

Die Zukunft ist jetzt

Dies ist kein Fahrplan für ein zukünftiges Szenario. Die Technologie zur Schaffung ähnlicher, maßgeschneiderter Kundenerlebnisse ist bereits heute verfügbar.

• Sarahs Daten, wie beispielsweise ihre Kaufhistorie und ihr bevorzugter Filialstandort, werden in der Kundendatenplattform (CDP) des Unternehmens gespeichert und aktualisiert.
• Marketing-Orchestrierungssoftware wird eingesetzt, um Termine zu planen, Benachrichtigungen zu versenden und die Aktivitäten des Teams im Geschäft zu koordinieren.
• Elektronische Kassensysteme (EPOS) und Kundenbindungssysteme erfassen die Daten von Sarahs Ladenbesuch.
• Der Martech-Stack des Unternehmens aktualisiert Sarahs Präferenzen kontinuierlich. Der Datenkreislauf erfasst ihre jüngste Kaufreise, um ihre nächste Customer Journey individuell anzupassen.

Dies ist nur ein Beispiel für Omnichannel-Koordination.

Derzeit fehlen vielen Unternehmen die integrierten Systeme zur Erfassung und Verarbeitung von Daten, um ein umfassendes Omnichannel-Kundenerlebnis zu schaffen. Doch mit den richtigen APIs, Daten und Strategien ist es inspirierend zu sehen, was alles erreicht werden kann.

Der neue Horizont des Merchandisings

KI stellt für Einzelhändler in Zukunft eher eine bahnbrechende Chance als eine Bedrohung dar. Der geschickte Einsatz von KI zur Personalisierung des Kundenerlebnisses wird dazu beitragen, eine stärkere Markentreue aufzubauen.

KI wird auch weiterhin zuverlässig immer mehr einfache, routinemäßige Aufgaben automatisieren, die Merchandiser heute noch erledigen müssen. Diese Automatisierung wird es Merchandisern ermöglichen, ihre Rolle auf eine höhere Ebene zu heben und strategischer zu arbeiten. Dadurch können sich Merchandising-Teams besser mit den Einkaufs-, Vertriebs- und Marketingteams abstimmen – zum Nutzen des gesamten Unternehmens. Wer lernt, KI zu seinem Vorteil zu nutzen, wird mit größerer Wahrscheinlichkeit erfolgreich sein und sich durchsetzen.

Die Kunst des Merchandising mit der Wissenschaft der Algorithmen verbinden

Merchandising Studio: Leistungsstarke Funktionen in einer einzigen, speziell dafür entwickelten Benutzeroberfläche.

• Maßgeschneidert für den E-Commerce im Einzelhandel
• Kein Programmieraufwand und zu 100 % benutzerfreundlich für Geschäftsanwender, ohne Abhängigkeiten von Entwicklern
• Basierend auf einer einheitlichen Benutzeroberfläche, auf der alle Funktionen an einem Ort zusammengefasst sind
• Volle Kontrolle durch den Menschen – Sie entscheiden, welche KI-Funktionen Sie nutzen möchten
• Zentrale Anlaufstelle für Automatisierungen, Regeln und Analysen
• Entwickelt für datengestützte Merchandising-Strategien

Zukunftssichere Lösungen für die Skalierung Ihrer E-Commerce-Website

Merchandising Studio wird dank neuer KI-gestützter Funktionen und dynamischer Möglichkeiten zur Optimierung Ihrer datengestützten Merchandising-Strategien bald noch besser.

Präsentieren Sie Ihre Produkte wie nie zuvor

„AI Recommendations“ bietet neue Methoden zur Produktsuche, die dem Einkaufserlebnis im stationären Handel noch näher kommen.