Um die digitale Vision von Henkel zu verwirklichen, musste CDIO Nilles dringend Data Scientists, Data Engineers und KI-Experten gewinnen. Zwar gibt es, so Nilles, einen harten Kampf um Talente - aber ein Faktor wirkt zu Gunsten von Henkel: "Unser Glück ist, dass wir interessante und sinnvolle Probleme lösen", sagt der CDIO. "Der KI-Guru eines großen Tech-Konzerns ist womöglich nicht daran interessiert, bei einem Unternehmen wie Henkel anzuheuern - aber er ist vermutlich auch nicht der richtige Kollege für uns. Wir finden lieber Leute, die gerne große Herausforderungen der Branche mit Hilfe von Technologie angehen."

Trade Promotion mit KI

Ein weiterer wichtiger Bestandteil von Nilles' Plan für Henkel war der Aufbau starker strategischer Partnerschaften. Der Konzern hatte bereits eine Beziehung zu SAP, und der CDIO entschied sich, diese Partnerschaft zu vertiefen. Nilles ließ sich dafür auf die Business Technology Platform (BTP) von SAP ein und arbeitete eng mit dem Softwareunternehmen an gemeinsamen Innovationen. Die Kooperation - "Digital Leapfrog" genannt - führte zu zwei KI-gestützten Tools für Trade Promotion Management (TPM) und Trade Promotion Optimization (TPO).

TPM und TPO sind Schlüsseldisziplinen im Bereich der Verbrauchsgüter (CPG), bei denen es darum geht, alle mit dem Einzelhandel durchgeführten Werbeaktivitäten, wie Rabattaktionen, zu managen und zu optimieren..

"Der Großteil der Branche hat das Thema viele Jahre lang nicht richtig gemacht, weil es in diesem Bereich keine Standardsoftware gab", berichtet Nilles. Es sei nämlich keine einfache Aufgabe für die Informatik: "Man hat ein hochkomplexes Datenmodell, braucht viel Rechenleistung und muss eine wirklich intelligente Benutzeroberfläche bieten."

Erfindung aus der Not heraus

Da auf dem Markt keine Lösung zu finden war, beschloss der Konzern, selbst eine zu entwickeln. Das Co-Innovationsteam von Henkel und SAP arbeitete eng zusammen, um das Tool zu entwickeln und zu skalieren. Es musste in der Lage sein, mehr als zwei Milliarden Nodes bei der Planung zu berücksichtigen.

Zu diesem Zeitpunkt konzentrierte sich das Team auf traditionelle KI und nutzte die Möglichkeiten des maschinellen Lernens, um eine Empfehlungsengine zu entwickeln. Diese sollte den Nutzern bei der Trade Promotion Optimization im laufenden Betrieb helfen. "Im Trade-Promotion-Management hat die marginale Optimierung einen enormen Einfluss sowohl auf den Gewinn als auch auf das Ergebnis", so Nilles.