EINZELHANDEL

Wir schaffen erweiterte, konsistente Kundenbindungen für physische Geschäfte und E-Commerce durch verhaltensorientierte, nutzerzentrierte Erfahrungen

EIZENHANDEL

Wir schaffen erweiterte, konsistente Kundenbindungen für physische Geschäfte und E-Commerce durch verhaltensorientierte, nutzerzentrierte Erfahrungen

WAS WIR TUN

Wir entwickeln herausragende, personalisierte Customer Journeys für Einzelhändler. Unsere hochmodernen Technologien helfen unseren Kunden, die Kosteneffizienz zu verbessern und Prozesse zu optimieren, um die Zufriedenheit der Endbenutzer und die Produktivität der Mitarbeiter zu gewährleisten

Personalisierte In-Store Erfahrungen

Machen Sie Ihre Ladengeschäfte fit für den Wettbewerb mit dem Online-Handel, indem Sie Hardware- und Softwareentwicklungen nutzen, um die Omni-Channel-Personalisierung voranzutreiben. Unsere Technologien ermöglichen es Ihnen, ein tieferes Verständnis für Ihre Kunden und Ihren Verkaufsraum zu gewinnen, von der Verweildauer über den Weg zum Kauf bis hin zur optimalen Produktplatzierung im Regal.

Kontextuelle Marketinglösungen

Gesichtserkennung und Objekterkennung

Computer Vision - Heat Mapping, Connected Shelf, Warteschlangenmanagement

Proximity Intelligence und Marketing (Smart Spaces)

Überwachung des Zustands der Filiale / des Datenverkehrs und Berichterstattung

ML-Modelle für dynamische Preisgestaltung und Kundenbindungsprogramme

Vernetzte Omni-Channel-Erlebnisse

Verbinden Sie physische und Online-Kanäle nahtlos miteinander, um mit verbesserten E-Commerce-Systemen und -Integrationen ein attraktiveres, einheitlicheres und erfolgreicheres Einkaufserlebnis zu schaffen.

E-Commerce-Systeme

Mobile Apps für den Einzelhandel

Online-Verkaufsförderung

Clickstream-Analyse

Stimme des Kunden

Push-Benachrichtigungen zu Werbezwecken

Digitale Verkaufsförderung

WAS WIR TUN

Wir entwickeln herausragende, personalisierte Customer Journeys für Einzelhändler. Unsere hochmodernen Technologien helfen unseren Kunden, die Kosteneffizienz zu verbessern und Prozesse zu optimieren, um die Zufriedenheit der Endbenutzer und die Produktivität der Mitarbeiter zu gewährleisten

Personalisierte In-Store Erfahrungen

Machen Sie Ihre Ladengeschäfte fit für den Wettbewerb mit dem Online-Handel, indem Sie Hardware- und Softwareentwicklungen nutzen, um die Omni-Channel-Personalisierung voranzutreiben. Unsere Technologien ermöglichen es Ihnen, ein tieferes Verständnis für Ihre Kunden und Ihren Verkaufsraum zu gewinnen, von der Verweildauer über den Weg zum Kauf bis hin zur optimalen Produktplatzierung im Regal.

Kontextuelle Marketinglösungen

Gesichtserkennung und Objekterkennung

Computer Vision - Heat Mapping, Connected Shelf, Warteschlangenmanagement

Proximity Intelligence und Marketing (Smart Spaces)

Überwachung des Zustands der Filiale / des Datenverkehrs und Berichterstattung

ML-Modelle für dynamische Preisgestaltung und Kundenbindungsprogramme

Vernetzte Omni-Channel-Erlebnisse

Verbinden Sie physische und Online-Kanäle nahtlos miteinander, um mit verbesserten E-Commerce-Systemen und -Integrationen ein attraktiveres, einheitlicheres und erfolgreicheres Einkaufserlebnis zu schaffen.

E-Commerce-Systeme

Mobile Apps für den Einzelhandel

Online-Verkaufsförderung

Clickstream-Analyse

Stimme des Kunden

Push-Benachrichtigungen zu Werbezwecken

Digitale Verkaufsförderung

Fallstudien

VORHERSAGE DER KUNDENNACHFRAGE

Kunde

Großes Vertriebsunternehmen, seit über 30 Jahren auf dem Markt, 42 Lager, 600 Lieferanten, über 4000 Mitarbeiter

Aufgabenstellung

Entwicklung einer Reihe von Algorithmen auf der Basis von Tools des maschinellen Lernens, die für die automatische Vorhersage der Nachfrage für den Kauf von Waren im Lagersystem des Unternehmens verwendet werden sollen.

Ergebnisse
Wir haben ein Modell entwickelt, das ML-Algorithmen der Zeitreihenvorhersage verwendet. Mit diesem Modell ist es möglich, die Nachfrage nach bestimmten Produkten oder Gruppen von Produktkategorien auf einen Zeitraum von 1-2 Monaten vorherzusagen.

Für die verschiedenen Produktkategorien (je nach Nachfragecharakteristik) verwendet das Modell unterschiedliche Algorithmen (ARIMA, Exponential Smoothing, Prophet, LSTM) und Prädiktorensätze.

Neue Modelle verbesserten die bestehende Vorhersagegenauigkeit um 5-10% je nach Region/Warengruppe

WARTESCHLANGENKONTROLLE MIT HILFE VON COMPUTER VISION

Kunde

Großes Einzelhandelsunternehmen

Aufgabenstellung
Entwicklung eines automatisierten Verfahrens zur Kontrolle von Warteschlangen in Geschäften, um die Kundenbindung zu erhöhen und die Anzahl der Kundenverluste zu verringern

Ergebnisse
Die Reaktionsgeschwindigkeit beim Auftreten einer Warteschlange hat sich um das Dreifache erhöht.

Es wurde ein Modell entwickelt, bei dem Yolo und sein eigener Algorithmus zur Bestimmung der Warteschlange verwendet werden.

Der Algorithmus zur Bestimmung der Warteschlange "in der Zukunft" hat eine Reihe von Vorteilen gegenüber den herkömmlichen, über den Kassen angebrachten Kameras:

Möglichkeit, in Räumen mit niedriger Deckenhöhe zu arbeiten
Bestimmung von Käufergruppen (Familien), um falsch positive Ergebnisse zu vermeiden

EINFÜHRUNG EINER FACTORING-PLATTFORM

Kunde

Großes Einzelhandelsunternehmen mit mehr als 17 000 physischen Supermärkten und einem Jahresumsatz von mehr als 25 Mrd. $

Aufgabenstellung
Schaffung einer IT-Infrastruktur für das elektronische Factoring für die operativen Gesellschaften der Gruppen

Ergebnisse
Die im Rahmen des Projekts implementierte Integrationslösung ermöglicht es, den rechtlich bedeutsamen elektronischen Dokumentenaustausch zwischen dem Kunden und den elektronischen Factoring-Plattformen zu automatisieren, und zwar mit geringen oder gar keinen Änderungen an den internen Buchhaltungssystemen. Die neue Funktionalität gewährleistet die Sicherheit und Integrität der übermittelten Informationen in vollem Umfang.

Unternehmenswert
Die neue Lösung ermöglichte einen schnelleren Informationsaustausch mit Factoring-Sites und eine reibungslose Einbindung neuer Partner in den Prozess.

Tech Stack

Apache Camel, Activiti BPM, Active MQ, Java

BIG DATA-ANALYSE

Kunde

Großes Einzelhandelsunternehmen mit mehr als 25 000 stationären Supermärkten und mehr als 55 Millionen Kunden

Aufgabenstellung

Entwurf und Implementierung von Datenpipelines für Big Data-Analysen.

Ergebnisse

Während des Projekts hat unser Team mehrere Datenpipelines implementiert, die ~200 Staging-Tabellen aus verschiedenen Quellsystemen einspeisen und die Rohdaten in die aggregierten Messwerte umwandeln, die in 45 Data-Marts im DWH des Clients gespeichert sind.

Unternehmenswert

IVerbesserte Analysen für Bereiche wie Warenlogistik, Finanzen und HR.

Tech Stack

Informatica, SAP Data Services, Teradata, Oracle Exadata

Fallstudien

VORHERSAGE DER KUNDENNACHFRAGE

Kunde

Großes Vertriebsunternehmen, seit über 30 Jahren auf dem Markt, 42 Lager, 600 Lieferanten, über 4000 Mitarbeiter

Aufgabenstellung

Entwicklung einer Reihe von Algorithmen auf der Basis von Tools des maschinellen Lernens, die für die automatische Vorhersage der Nachfrage für den Kauf von Waren im Lagersystem des Unternehmens verwendet werden sollen.

Ergebnisse
Wir haben ein Modell entwickelt, das ML-Algorithmen der Zeitreihenvorhersage verwendet. Mit diesem Modell ist es möglich, die Nachfrage nach bestimmten Produkten oder Gruppen von Produktkategorien auf einen Zeitraum von 1-2 Monaten vorherzusagen.

Für die verschiedenen Produktkategorien (je nach Nachfragecharakteristik) verwendet das Modell unterschiedliche Algorithmen (ARIMA, Exponential Smoothing, Prophet, LSTM) und Prädiktorensätze.

Neue Modelle verbesserten die bestehende Vorhersagegenauigkeit um 5-10% je nach Region/Warengruppe

WARTESCHLANGENKONTROLLE MIT HILFE VON COMPUTER VISION

Kunde

Großes Einzelhandelsunternehmen

Aufgabenstellung
Entwicklung eines automatisierten Verfahrens zur Kontrolle von Warteschlangen in Geschäften, um die Kundenbindung zu erhöhen und die Anzahl der Kundenverluste zu verringern

Ergebnisse
Die Reaktionsgeschwindigkeit beim Auftreten einer Warteschlange hat sich um das Dreifache erhöht.

Es wurde ein Modell entwickelt, bei dem Yolo und sein eigener Algorithmus zur Bestimmung der Warteschlange verwendet werden.

Der Algorithmus zur Bestimmung der Warteschlange "in der Zukunft" hat eine Reihe von Vorteilen gegenüber den herkömmlichen, über den Kassen angebrachten Kameras:

Möglichkeit, in Räumen mit niedriger Deckenhöhe zu arbeiten
Bestimmung von Käufergruppen (Familien), um falsch positive Ergebnisse zu vermeiden

EINFÜHRUNG EINER FACTORING-PLATTFORM

Kunde

Großes Einzelhandelsunternehmen mit mehr als 17 000 physischen Supermärkten und einem Jahresumsatz von mehr als 25 Mrd. $

Aufgabenstellung
Schaffung einer IT-Infrastruktur für das elektronische Factoring für die operativen Gesellschaften der Gruppen

Ergebnisse
Die im Rahmen des Projekts implementierte Integrationslösung ermöglicht es, den rechtlich bedeutsamen elektronischen Dokumentenaustausch zwischen dem Kunden und den elektronischen Factoring-Plattformen zu automatisieren, und zwar mit geringen oder gar keinen Änderungen an den internen Buchhaltungssystemen. Die neue Funktionalität gewährleistet die Sicherheit und Integrität der übermittelten Informationen in vollem Umfang.

Unternehmenswert
Die neue Lösung ermöglichte einen schnelleren Informationsaustausch mit Factoring-Sites und eine reibungslose Einbindung neuer Partner in den Prozess.

Tech Stack

Apache Camel, Activiti BPM, Active MQ, Java

BIG DATA-ANALYSE

Kunde

Großes Einzelhandelsunternehmen mit mehr als 25 000 stationären Supermärkten und mehr als 55 Millionen Kunden

Aufgabenstellung

Entwurf und Implementierung von Datenpipelines für Big Data-Analysen.

Ergebnisse

Während des Projekts hat unser Team mehrere Datenpipelines implementiert, die ~200 Staging-Tabellen aus verschiedenen Quellsystemen einspeisen und die Rohdaten in die aggregierten Messwerte umwandeln, die in 45 Data-Marts im DWH des Clients gespeichert sind.

Unternehmenswert

IVerbesserte Analysen für Bereiche wie Warenlogistik, Finanzen und HR.

Tech Stack

Informatica, SAP Data Services, Teradata, Oracle Exadata

Kontaktieren Sie uns

BRANCHEN

IM TREND

Unternehmen

Über ENFINT