KI eingeführt, aber keine Ergebnisse? Was Daten über die Voraussetzungen für E-Commerce-Wachstum verraten

KI eingeführt, aber keine Ergebnisse? Was Daten über die Voraussetzungen für E-Commerce-Wachstum verraten

Am 6. August fand im koreanischen Büro von Snowflake in Yeoksam, Seoul, ein Lunch & Learn zum Thema „Erfolgsgeschichten im E-Commerce mit KI und Daten“ statt.

Fachleute von HiteJinro Beverage, Nestlé Korea, Nongshim Kellogg, adidas Korea, APR, Kenvue Korea und weiteren Unternehmen – aus Lebensmitteln und Getränken, Beauty, Mode, Konsumgütern und anderen Branchen – gingen gemeinsam der Frage nach, unter welchen Voraussetzungen KI und Daten im Arbeitsalltag zu echten Ergebnissen führen.

Was braucht KI, um verlässliche Antworten zu geben?

In der ersten Session nannte Sangryeol Eom, Account Executive bei Snowflake, drei Punkte, an denen KI im Betrieb ins Stocken gerät: Kontext, Governance und Kosten.

Wer an ein allgemeines LLM einfach Tabellen oder Dateien anbindet, kann Kennzahldefinitionen, Ausnahmeregeln und Datenberechtigungen der einzelnen Abteilungen kaum einheitlich abbilden. Werden gemeinsame Kennzahlen und Geschäftsregeln dagegen mit den Daten verknüpft, liefert die KI auf dieselbe Frage genauere und reproduzierbare Antworten.

Das untermauerte ein Beispiel aus einer internen Analyse von Anthropic, das auf der Veranstaltung vorgestellt wurde: Ohne verbindliche Datendefinitionen lag die Antwortgenauigkeit bei nur 21 %, mit gemeinsamen Standards stieg sie auf über 95 %. In der anschließenden Demo von Snowflake CoWork war zu sehen, wie KI über die Analyse hinaus bis zur nächsten Aktion führt, wenn Unternehmensdaten, semantische Ebene und Sicherheitsrichtlinien in einer Umgebung zusammenwirken.

Verstreute E-Commerce-Daten in Umsatz verwandeln

Junyoung Park, Senior Account Executive bei MarqVision, zeigte, wie Graumarktvertrieb, ein gestörtes Preisgefüge und Fälschungen entstehen, wenn Daten zu Marken, Produkten, Preisen und Verkäufern über viele Kanäle verstreut sind.

Marq AI verknüpft diese Daten zu einer Markenontologie und identifiziert mit Preisüberwachung und Seller Intelligence Hochrisiko-Verkäufer und ihre Netzwerke. So können Marken Prioritäten nicht nach der Zahl der Erkennungen setzen, sondern nach geschäftlichen Ergebnissen wie zurückgewonnenen Preisen und Umsätzen oder der Reaktionszeit.

Yonsei Dairy konnte im ersten Jahr nach Einführung von Marq AI den Lieferpreis an Coupang anheben, die PPM um 3 bis 5 % steigern und den Arbeitsaufwand gegenüber dem bisherigen Vorgehen um 70 % senken. Der Fall zeigt: Die Kontrolle des Graumarkts kann der Ausgangspunkt sein, um die Ordnung im Online-Vertrieb zu stabilisieren und Erträge zurückzugewinnen.

Wichtiger als bessere KI ist eine bessere Datenstruktur

Die zentrale Erkenntnis der Veranstaltung war eindeutig.

Über die Ergebnisse von KI entscheidet nicht ein teureres Modell, sondern eine Struktur, die Daten und Standards des Unternehmens so verknüpft, dass die KI sie versteht. Nach den Sessions folgte beim Mittagessen ein Networking, bei dem die Unternehmen ihre Herausforderungen bei der Datennutzung und im E-Commerce-Betrieb austauschten.

Wir danken allen Teilnehmenden. Wenn Sie wissen möchten, wie Marq AI verstreute E-Commerce-Daten verknüpft und Vertrauen und Erträge von Marken schützt, sehen Sie sich die vielen Erfolgsgeschichten von MarqVision an.