Masterarbeit im Bereich E-Commerce am Fachbereich Betriebswirtschaft
In Zeiten der digitalen Transformation stellt sich für viele kleine und mittlere Einzelhändler (KMU) die Frage, wie sie mit den neuesten technologischen Entwicklungen Schritt halten können. Eine spannende Antwort darauf liefert eine kürzlich abgeschlossene Masterarbeit, die die Machbarkeit und Nutzbarkeit einer kamerabasierten Bestandsverwaltung mithilfe von Deep Learning und Transfer Learning untersucht hat.
Ziel der Arbeit
Das Hauptziel der Masterarbeit war es, die Umsetzbarkeit einer kamerabasierten Bestandsverwaltung für KMUs zu evaluieren. Ein zentrales Problem, das dabei adressiert wurde, ist das sogenannte Out-of-Shelf-Problem. Dieses tritt auf, wenn Produkte im Lager vorhanden sind, jedoch nicht im Verkaufsregal stehen. Besonders kleine Einzelhändler können sich durch solche Situationen einen erheblichen Umsatzverlust einhandeln, der in der Literatur auf etwa 4% pro Jahr geschätzt wird.
Projektkontext: ZeTT – Zentrum Digitale Transformation Thüringen
Die Arbeit wurde im Rahmen des Projektes ZeTT (Zentrum Digitale Transformation Thüringen) durchgeführt. ZeTT bietet insbesondere kleinen und mittleren Unternehmen Beratungen an, um die digitale Transformation in Thüringen zu stärken. Während große Unternehmen wie Walmart, Tesco oder Amazon Go bereits kamerabasierte Bestandsverwaltungen nutzen, ist dies für kleinere Einzelhändler aufgrund des benötigten Spezialwissens in der KI schwer umsetzbar.
Methodik und Rahmenbedingungen
Für die Machbarkeitsstudie wurde ein Prototyp entwickelt, der die besonderen Herausforderungen kleiner Einzelhändler berücksichtigt. Hier die wichtigsten Rahmenbedingungen des Projektes:
– Zielgruppe: Kleine Einzelhändler (unter 50 Mitarbeiter)
– Wirtschaftliches Limit zur Hardwarebeschaffung: 500 Euro
– Produktsortiment: Maximal 10 Kategorien
– Bildaufnahme: Maximal 100 Bilder zur Erstellung der Datenbasis
– Entwicklung und Evaluierung: Im Innovation Living Lab (ILL) unter Laborbedingungen
– Untersuchungsgegenstand: Ein kleiner Einzelhändler im Körperpflegesegment, der zehn Körper- und Haarpflegeprodukte im Sortiment hat
Mithilfe von Deep Learning und insbesondere Transfer Learning wurde die kamerabasierte Bestandsverwaltung umgesetzt. Transfer Learning ermöglicht es, vor trainierte Modelle für spezifische Aufgaben mit begrenzten Datenmengen zu nutzen. Für das Projekt wurde ein Fast-RCNN Modell mit einem ResNet-50 Backbone auf einem Nvidia Jetson Nano eingesetzt.
Ergebnisse und Ausblick
Die Ergebnisse der Masterarbeit sind vielversprechend: Unter den gegebenen Bedingungen ist eine kamerabasierte Bestandsverwaltung für kleine Einzelhändler umsetzbar. Die Studie zeigt, dass durch den Einsatz von Deep Learning und Transfer Learning auch mit begrenzten Ressourcen eine effiziente Bestandsüberwachung möglich ist.
Zukünftige Untersuchungen und praktische Tests könnten die Nutzung dieser Technologie weiter optimieren und an die spezifischen Bedürfnisse verschiedener Einzelhändler anpassen. Besonders interessant wird es sein, zu beobachten, wie sich diese Technologien in der Praxis bewähren und welche weiteren Verbesserungen und Anpassungen vorgenommen werden können.
Fazit
Die Masterarbeit demonstriert, dass innovative Technologien wie Deep Learning auch für kleine und mittlere Einzelhändler zugänglich gemacht werden können. Durch eine gezielte Prototypentwicklung und praxisnahe Tests lässt sich die digitale Transformation auch in kleineren Betrieben vorantreiben und damit ihre Wettbewerbsfähigkeit nachhaltig stärken.
Für weitere Informationen und Beratung zur digitalen Transformation können sich interessierte Einzelhändler an das Zentrum Digitale Transformation Thüringen (ZeTT) wenden. Gemeinsam können wir die Zukunft des Einzelhandels in Thüringen gestalten und innovative Lösungen zur Optimierung von Geschäftsprozessen entwickeln.