Fallbeispiele für Machine Learning und KI

Die Preisgestaltung war stark vom Markt abhängig, gleichzeitig aber nur bedingt datengetrieben. Wettbewerber wurden manuell beobachtet, Preise gelegentlich angepasst. Das Problem war, dass der Markt sich schneller bewegt, als man hinterherkommt. Hinzu kommt, dass Produkte selten 1:1 vergleichbar sind. Ein Flyer ist nicht einfach nur ein Flyer, Papierstärke, Format, Veredelung, Auflage und viele weitere Parameter spielen eine Rolle. Entsprechend schwierig ist es, Preise sinnvoll gegenüberzustellen. Entscheidungen basierten oft auf Teilinformationen oder Erfahrungswerten, was zwangsläufig zu Inkonsistenzen führte.

Ziel war es, die Preisbeobachtung und -anpassung deutlich systematischer zu gestalten. Wettbewerber sollten automatisiert analysiert werden, relevante Produkte identifiziert und mit dem eigenen Katalog in Beziehung gesetzt werden. Auf dieser Basis sollten fundierte, nachvollziehbare Preisempfehlungen entstehen. Die finale Entscheidung bleibt allerdings bei einem Mitarbeiter.

Die Lösung ist ein System das, je nach Quelle über HTML-Parsing oder verfügbare APIs, öffentlich zugängliche Produkt- und Preisinformationen aus definierten, zulässigen Quellen sammelt. Ein KI-Agent analysiert die gefundenen Produkte und gleicht sie mit dem eigenen Sortiment ab. Beschreibungen, Attribute und Spezifikationen werden semantisch verglichen, um auch dann sinnvolle Zuordnungen zu finden, wenn Namen und Strukturen abweichen. In einer auf Laravel basierenden Weboberfläche werden für jedes eigene Produkt passende Wettbewerbsangebote, Preisspannen und eine regelbasierte Empfehlung angezeigt. Die Kalkulationsgrundlagen können per Excel-Import gepflegt werden. Ein Mitarbeiter prüft die Vorschläge, passt sie bei Bedarf an und gibt sie frei. Erst dann werden die neuen Preise über eine API in Shopware aktualisiert.

Ein zentraler Punkt war die rechtliche Einordnung. Nicht jeder Webshop erlaubt das automatisierte Auslesen von Daten, und je nach Anbieter bewegen sich solche Lösungen schnell in einer Grauzone. Hier war es wichtig, bewusst und selektiv vorzugehen sowie ein sauberes Datenbeschaffungskonzept auszuarbeiten. Vor der produktiven Anbindung externer Wettbewerbsquellen prüfen wir gemeinsam mit dem Kunden, welche Quellen technisch und rechtlich nutzbar sind. Dabei werden technische Schutzmaßnahmen auf Seiten der Mitbewerber zu keiner Zeit umgangen. Auch das Wettbewerbsrecht spielte eine Rolle. Insbesondere bei der Frage, wie stark Preise automatisiert am Markt ausgerichtet werden dürfen. Entsprechend wurde das System so aufgebaut, dass es Empfehlungen liefert, aber keine automatischen Preisentscheidungen trifft.

Der Aufwand für die Marktbeobachtung ist deutlich gesunken. Statt einzelne Preise manuell zu prüfen, steht jetzt eine strukturierte Übersicht zur Verfügung, die laufend aktualisiert wird. Preisänderungen am Markt werden schneller erkannt und können zeitnah berücksichtigt werden. Gleichzeitig sorgen die hinterlegten Regeln dafür, dass Margen nicht unterschritten werden. Unterm Strich ist eine belastbare Grundlage für datengetriebene Preisentscheidungen entstanden, und damit auch der Einstieg in weitergehende, dynamische Preis-Strategien.

Produktdaten waren zwar vorhanden, aber selten dort, wo man sie gerade braucht und vor allem nicht in einer einheitlichen Form. Gleichzeitig stiegen die Anforderungen von Vertriebspartnern und Wiederverkäufern, deren Webshops strukturierte, saubere Produktdaten benötigen, am besten direkt importierbar. Diese manuell aufzubereiten ist für ein historisch gewachsenes Sortiment extrem aufwendig. Historisch gewachsen bedeutete in diesem Fall, dass die Anlage und Pflege von Produktdaten nie standardisiert worden ist, sondern von Einzelfall zu Einzelfall von dem jeweiligen Mitarbeiter, der sich zu dem Zeitpunkt damit beschäftigt hat, so durchgeführt wurde, wie er es gerade für richtig gehalten hat. Dazu kam, dass die Mitarbeiter durch das Tagesgeschäft schon voll ausgelastet waren und keine Zeit für die Aufbereitung vorhanden war. Parallel befand sich die Einführung eines PIM-Systems in den Kinderschuhen.

Ziel war es, aus den bestehenden, unstrukturierten Informationen verwertbare Produktdaten zu generieren. Relevante technische Merkmale und Eigenschaften sollten automatisch erkannt und extrahiert werden, unabhängig davon, aus welcher Quelle sie stammen. Diese Daten sollten anschließend in ein einheitliches Format überführt und direkt im PIM-System nutzbar gemacht werden. Wichtig war dabei, dass der Prozess weitgehend automatisiert abläuft, aber an kritischen Stellen durch Mitarbeiter überprüfbar bleibt.

In einer Webapp auf Basis von Laravel können Dokumente und Texte entweder direkt hochgeladen oder über Schnittstellen importiert werden. Ein KI-Agent extrahiert relevante Inhalte, erkennt technische Merkmale und bringt die Informationen in ein definiertes, strukturiertes Format. Das Besondere dabei ist ein semantisches Verständnis der Inhalte, also z. B. zu erkennen, dass „max. Druck 10 bar“ eine konkrete Produkteigenschaft ist. Die Ergebnisse werden in der Webapp angezeigt und können vom Fachbereich geprüft und bei Bedarf korrigiert werden. Dieser Schritt ist bewusst eingebaut, um Qualität und Vertrauen sicherzustellen. Nach der Freigabe werden die Daten automatisiert per API in das PIM-System von Akeneo übertragen und stehen dort direkt für weitere Prozesse zur Verfügung, etwa für Webshops oder Kataloge.

Technische Details steckten in Datenblättern, Katalogen, ERP-Einträgen oder auch mal in E-Mails und waren oft unvollständig. Ein Teil der Dokumente waren technisch anspruchsvoll, mit Tabellen, uneinheitlichen Formaten und teilweise sehr spezifischer Fachsprache. Hier musste die Datenverarbeitung robust genug sein, um auch mit weniger perfekten Inputs klarzukommen. Dazu kam, dass nicht alle Informationen immer vollständig oder eindeutig waren. Das System musste also nicht nur Daten extrahieren, sondern auch erkennen, wann etwas fehlt oder unsicher ist und diese Fälle entsprechend kennzeichnen.

Innerhalb kurzer Zeit konnten Produktinformationen für mehrere hundert Artikel automatisiert aufbereitet werden. Die Datenqualität hat sich dabei spürbar verbessert, vor allem durch die einheitliche Struktur und die bessere Auffindbarkeit von Informationen. Der manuelle Aufwand pro Produkt ist deutlich gesunken. Statt Daten neu zu recherchieren, geht es jetzt primär um Prüfung und Feinschliff. Gleichzeitig ist eine solide Grundlage für das PIM-System entstanden, auf der sich weitere Prozesse sauber aufbauen lassen.

Viele Anrufe werden nicht entgegen genommen, sondern landen auf dem Anrufbeantworter. Das Abhören und Nachbearbeiten der Nachrichten kostet täglich spürbar Zeit, die im Praxisalltag eigentlich an anderer Stelle gebraucht wird. Dazu kommt, dass nicht jede Nachricht sofort eindeutig ist. Informationen fehlen, werden missverstanden oder gehen im Stress unter. Das führt zu Rückfragen, Verzögerungen und letztlich auch zu unzufriedenen Patienten.

Ziel war es, den Umgang mit Nachrichten auf dem Anrufbeantworter effizienter zu machen, ohne die Kontrolle aus der Hand zu geben. Eingehende Nachrichten sollten automatisch in Text umgewandelt und inhaltlich verstanden werden. Relevante Informationen, etwa Anliegen, Dringlichkeit oder Rückrufwunsch, sollten strukturiert vorliegen. Darauf aufbauend sollten Anfragen priorisiert, sinnvoll kategorisiert und erste Folgeaktionen automatisch angestoßen werden.

Technisch haben wir den bestehenden Anrufbeantworter über Sipgate mit Webhook-Unterstützung angebunden. Jede neue Nachricht wird als Audiodatei mit WhisperAI in Text umgewandelt. Anschließend übernimmt ein Sprachmodell die semantische Analyse. Es erkennt, worum es geht, wie dringend die Anfrage ist und welche Informationen relevant sind. Auf dieser Basis greifen dann vordefinierte Workflows, bei denen das Messaging-System der bestehenden Praxissoftware angesteuert wird, um Termine anzulegen oder Benachrichtigungen an das Praxispersonal zu senden.

Die größte Herausforderung lag in der Integration. Die vorhandene Praxissoftware ist funktional, aber nicht in erster Linie dafür entwickelt, sauber mit externen Systemen zu kommunizieren. Hier war es nötig, eine Schnittstelle zu entwickeln, um die Kommunikation zu ermöglichen. Ein zweiter wichtiger Punkt war der Datenschutz. Gerade im Gesundheitswesen ist der Umgang mit sensiblen Informationen nicht verhandelbar. Entsprechend haben wir, in enger Abstimmung mit dem Datenschutzbeauftragten des Kunden, bei der Verarbeitung auf strikte Trennung, minimale Datenspeicherung und kontrollierte Zugriffspfade geachtet.

Der manuelle Aufwand rund um den Anrufbeantworter konnte deutlich reduziert werden. Das Team muss nicht mehr jede einzelne Nachricht abhören, sondern arbeitet mit strukturierten, verständlichen Informationen. Gleichzeitig gehen weniger Details verloren, und dringende Anliegen werden schneller erkannt. Auch auf Patientenseite macht sich das bemerkbar. Rückmeldungen erfolgen zügiger und zuverlässiger, was sich direkt in der Zufriedenheit widerspiegelt. Insgesamt ist ein Prozess entstanden, der spürbar ruhiger läuft, obwohl das Anrufaufkommen gleich geblieben ist.