Physische KI-Daten im Einzelhandel: Maniformer schult Roboter in Shanghai

Die Mitarbeiter von Maniformer verbrachten den 5. und 6. August 2026 damit, verkörperte Roboter in belebten Verkaufsräumen in Shanghai zu trainieren, multimodale Daten zu erfassen und ferngesteuerte Demonstrationen durchzuführen, um Datensätze für Aufgaben wie Regalauffüllung, Scannen und Kundenservice aufzubauen.

Maniformer ist eine in Shanghai ansässige Datenplattform für physische künstliche Intelligenz. Das Unternehmen entwickelt sensorausgestattete Systeme, „Human-in-the-Loop“-Arbeitsabläufe und Datensatz-Pipelines für den Einzelhandel und die Leichtlogistik. Seine Nische sind reale Trainingsdaten für Manipulation und Navigation, bei denen Simulationen an ihre Grenzen stoßen.

Der Einzelhandel ist das Testfeld für physische künstliche Intelligenz

Der Einzelhandel bietet die richtige Mischung aus Dichte, Vielfalt und Ausfallzeiten, um verkörperte künstliche Intelligenz auf Herz und Nieren zu prüfen. Die Regale werden täglich umgestellt. Werbeaktionen sorgen für saisonales Chaos. Die Mitarbeiter müssen Nachschub, Fehlkommissionierungen, Planogramm-Neuanordnungen, verschüttete Waren und ständige Unterbrechungen durch Kunden unter einen Hut bringen. Die Beleuchtung ändert sich im Laufe des Tages. Verpackungen sind glänzend, zerknittert und farbintensiv – ein Worst-Case-Szenario für die Bildverarbeitung. Die Gänge sind eng und der Umgebungslärm ist hoch. Das macht den Einzelhandel zu einem gewinnbringenden Kopfzerbrechen und zu einer Daten-Goldgrube.

In Shanghai setzt Maniformer Mitarbeiter als Trainer in den Verkaufsräumen ein, häufig außerhalb der Stoßzeiten oder in kontrollierten kurzen Zeitfenstern. Sie führen Roboter mittels Fernsteuerung und geteilter Autonomie durch Aufgaben, dokumentieren Zustandsänderungen und bewerten die Ergebnisse. Die Plattform erfasst synchronisierte Farbvideos, Tiefen-, Trägheits- und Kraft-Drehmoment-Signale, Barcode-Scans, Planogramm-Referenzen sowie Filialereignisse aus Kassensystemen und Bestandsverwaltungssystemen. Sie erzeugt streng versionierte Datensätze, die auf bestimmte Aufgaben und Verkaufsregale abgestimmt sind, und leitet diese anschließend in die Trainingspipelines für Kundenmodelle weiter.

Der Fokus liegt auf Präzision. Nicht jedes Einzelbild ist von Nutzen. Entscheidend ist die Erfassung von Grenzfällen, die simulierte Agenten überfordern. Denken Sie an klebrige Flaschen, die sich in Regalen verdrehen, Endkappen mit saisonalen Pappausschnitten, reflektierende Snackbeutel, die unter Greifern hindurchrutschen, oder einen Kunden, der ein Produkt einem

Ein Roboter in einem ungewöhnlichen Winkel. Im Labor sind das Anekdoten. In Geschäften sind das die Regel.

Warum simulierte Gänge die „chaotischen“ 20 Prozent außer Acht lassen

Simulation ist ein leistungsstarker Beschleuniger für die Robotik. Domänen-Randomisierung, synthetischer Fotorealismus und makellose Physik decken die ersten 80 Prozent ab. Der Einzelhandel spielt sich in den letzten 20 Prozent ab – jener rauen Nahtstelle, an der die Realität sich weigert, mitzuspielen. Vier Muster erklären, warum.

• Wahrnehmungs-Aliasing ist weit verbreitet. Viele verschiedene Produkte weisen nahezu identische Geometrie und Farbe auf. Geringfügige Reflexionen oder Falten in der Schrumpffolie bringen die Sensoren aus dem Gleichgewicht. Simulierte Materialien entsprechen selten der optisch störenden Realität glänzender Verpackungen.
• Der Kontakt verläuft nicht ideal. Verformbare Gegenstände knicken ein oder bleiben hängen. Regale wackeln. Die Schwerkraft gewinnt. Simulierte Reibung, Steifigkeit und Nachgiebigkeit helfen zwar, doch Kalibrierungsabweichungen auf Filialebene überwiegen.
• Soziale Interaktion spielt eine Rolle. Ein Kunde kann unterbrechen, nach einem Artikel fragen oder einen Einkaufskorb in einen geplanten Weg schieben. Selbst eine höfliche Pause verändert den Aktionsplan auf eine Weise, die aktuelle Simulatoren nur schwer kodieren können.
• Der Zustand im Geschäft ist unbeständig. Planogramme sind Richtlinien, kein unumstößliches Gesetz. Sonderangebote, Anpassungen durch den Filialleiter vor Ort und Nachfüllungen spät in der Nacht verändern die Lage.

Eine praktische Analogie hilft dabei. Eine Ausbildung ausschließlich in der Simulation ist vergleichbar mit dem Unterrichten eines Kochs mit Spielzeuglebensmitteln. Man kann zwar den Umgang mit dem Messer und das Anrichten üben, lernt jedoch nicht, warum Zwiebeln Tränen in die Augen treiben, wie sich die Hitze in der Pfanne verhält oder wie eine Soße einen Augenblick vor dem Gerinnen aussieht.

Die Erkenntnisse aus der Praxis sind eindeutig. Einzelhandelsmodelle, die auf gemischten Daten trainiert wurden, schneiden besser ab, doch die Gewinne hängen von der Abdeckung der realen Welt ab – nicht von den Simulatorstunden. Die Konsequenz für Einkäufer ist wirtschaftlicher Natur. Sie kaufen keine zusätzlichen Server, um dieses Problem zu beheben. Sie erwerben Datenverarbeitungslösungen, die auf Ihre Filialen und Ihre Ladeneinrichtung zugeschnitten sind.

Maniformer entwickelt ein Daten-Tool für die praktische Arbeit

Das Produkt von Maniformer ist kein Roboter. Es ist ein Daten-Tool, das vier Bereiche zu einem durchgängigen Kreislauf verbindet.

• Erfassung.

Sensorsysteme auf Wagen und Robotern erfassen synchronisierte Datenströme mit präzisen Zeitstempeln. Das Personal trägt haptische oder tragbare Steuergeräte für Demonstrationen und korrigierende Eingriffe. Audioaufnahmen werden nur mit Einwilligung protokolliert und in den endgültigen Datensätzen häufig entfernt, um Datenschutzrisiken zu minimieren.

Kuratieren. Eine Beschriftungs-Engine führt Planogramme, Barcode-Datenbanken und Regalkarten zusammen, um statische Kontexte automatisch zu kennzeichnen. Menschliche Prüfer konzentrieren sich auf Artikulationszustände, Fehlermodi und soziale Ereignisse, die der Automatisierung entgehen. Jedes Einzelbild enthält Metadaten zu Filiale, Gang, Regal und Zeitpunkt für eine selektive Wiedergabe.

Trainieren. Die Daten werden in Stacks für Imitationslernen, bestärkendes Lernen sowie Bild-, Sprache- und Aktionsverarbeitung exportiert. Abkürzungen werden bei der ersten Verwendung stets ausgeschrieben. Beispielsweise basiert das bestärkende Lernen anhand von menschlichem Feedback (RLHF) auf Bewertungsergebnissen und detaillierten Belohnungsdefinitionen, die an Geschwindigkeit, Sicherheit und Regalqualität geknüpft sind.

Validieren. Maniformer führt skriptgesteuerte Aufgaben und Störungsszenarien durch, um die Robustheit außerhalb der festgelegten Richtlinien zu messen. Es richtet Benchmarks an den wichtigsten Leistungsindikatoren der Einkäufer aus, beispielsweise an der Kommissionierrate, der Wiederherstellungszeit und der Wartezeit für Kunden.

Die technologischen Kernentscheidungen des Unternehmens legen den Schwerpunkt auf Durchsatz und Nachvollziehbarkeit. Alles ist versioniert. Die Herkunft der Datensätze ist eindeutig nachvollziehbar. Ein Filialleiter kann nachfragen, anhand welcher Daten ein Roboter gelernt hat, einen Verschluss zu drehen oder eine Flasche zu bewegen, und das Team kann auf einen Ausschnitt eines Durchlaufs an einem bestimmten Datum mit den genauen Bedingungen verweisen. Dadurch wird das Nachtrainieren weniger zu einem Glücksspiel und gleicht eher der Behebung eines bekannten Fehlers.

Die neue Robotik-Lieferkette umfasst Datendienstplattformen

Vor einem Jahrzehnt konzentrierte sich die Entwicklungspipeline für einen Einzelhandelsroboter auf Sensoren, Manipulatoren, mobile Plattformen und einen Integrator. Heute ist eine neue Ebene erkennbar. Physische Daten-Service-Plattformen für künstliche Intelligenz befinden sich zwischen den Filialen und dem Modelltraining. Sie standardisieren die Erfassung, Bereinigung und Einwilligungsabwicklung und leiten die Daten anschließend in Lernschleifen für mehrere Roboterhersteller weiter.

Für Beschaffungsteams bedeutet dies eine Änderung der Kategoriestrategie. Sie beschaffen nun drei

Dinge. Sie erwerben Hardware. Sie erwerben Modelle und Autonomie. Sie erwerben Datendienste, die beides in Ihren Filialen nutzbar machen. Sie können all dies einem einzigen Anbieter anvertrauen, doch ein modularer Ansatz bietet ein besseres Risikomanagement. Ein Einzelhändler kann zwei Hardware-Anbieter im Rahmen einer gemeinsamen Datenplattform testen, um die Übertragbarkeit der gewonnenen Erkenntnisse zu gewährleisten. Ein Roboterhersteller kann in vorrangigen Märkten einen Datenpartner unter Vertrag nehmen, um zu vermeiden, dass er sich um Genehmigungen von Geschäft zu Geschäft bemühen muss.

Ein in Shanghai ansässiger Betriebsleiter brachte es auf den Punkt: In Shanghai kann man eine Woche lang testen und dabei einen Monat lang Randfälle beobachten. Werbeaktionen wechseln schnell, und der Kundenstrom ist unerbittlich. Dieses Tempo macht den Datenbetrieb lohnenswert.

Von der Erfassung über die Kuratierung bis hin zur Kontrolle entsteht ein geschlossener Kreislauf

In der Praxis sieht dieser Kreislauf wie folgt aus: Eine Regalausrichtungsaufgabe schlägt in der Nähe eines reflektierenden Snackbereichs fehl. Ein Mitarbeiter übernimmt die Kontrolle, schließt den Vorgang ab und kennzeichnet die Ursache als durch Blendung verursachte Fehlklassifizierung. Die Bildsequenzen und Aktionsverläufe werden für eine vorrangige Erfassung markiert. Über Nacht wird der Trainingslauf auf diese Szenen ausgerichtet. Am nächsten Tag steht ein neues Modell bereit. Das Team spielt die Szene in einem ruhigen Zeitfenster noch einmal ab und führt einen kleinen A/B-Test in einem belebten Gang durch. Wenn sich die Lösung bewährt, wird die Korrektur auf eine größere Gruppe von Filialen ausgeweitet.

Dieser Kreislauf funktioniert nur, wenn die Datenübertragung schnell, sauber und sicher ist. Schnell bedeutet, dass Filialen Daten senden und empfangen können, ohne lokale Netzwerke zu überlasten. Sauber bedeutet, dass jeder Durchlauf gekennzeichnet, dedupliziert und auf Plausibilität geprüft wird. Sicher bedeutet, dass personenbezogene Daten unkenntlich gemacht werden und keine Geschäftsgeheimnisse der Filialen nach außen dringen. Maniformer betont, dass alle drei Aspekte oberste Priorität haben. Das Unternehmen gibt an, dass es geräteinterne Unschärfeverarbeitung für Gesichter und Kfz-Kennzeichen, Anonymisierung auf Routenebene für Filialgrundrisse sowie schreibgeschützte Datenpfade einsetzt, die einen Datenaustausch zwischen Kunden verhindern. Zudem richtet es die Datenerfassung nach dem Gesetz zum Schutz personenbezogener Daten der Volksrepublik China (PIPL) und dem Datensicherheitsgesetz der Volksrepublik China (DSL) aus.

Warum der Einzelhandel in Shanghai ein idealer „Datenschmelztiegel“ ist

Shanghai treibt den Einsatz von Robotern voran und

Roboter in Umgebungen mit hoher Dichte. Hunderte von Convenience-Stores drängen sich in der Nähe von Verkehrsknotenpunkten. Die Gänge sind eng. Die Besucherfrequenzspitzen sind stark ausgeprägt. Werbeaktionen wechseln schnell und erfordern kurzfristige Regalumstellungen. Die Servicekultur der Stadt ist sehr persönlich, daher muss ein Roboter innehalten, auf Kunden reagieren und seine Arbeit fortsetzen, ohne dabei im Weg zu stehen.

Diese Dichte ermöglicht eine schnellere Abdeckung. Eine Woche mit Einsätzen kann eine ganze Saison von Sonderfällen in weniger frequentierten Märkten abdecken. Das prägt die Wirtschaftlichkeit des Trainings. Die Kosten für Datendienste amortisieren sich durch eine umfassendere Abdeckung bei weniger Einsatztagen. Wenn Sie ein Budget für einen Testlauf planen, sollten Sie davon ausgehen, dass Aufnahmeteams, Hinweisschilder zur Einwilligung, Ordner im Verkaufsraum und Sperrungen außerhalb der Öffnungszeiten die größten Kostenposten darstellen werden – nicht die Roboter-Mietkosten.

Die Kosten sind hoch und die Engpässe verschieben sich

Ein skeptischer Gegenpol ist gesund. Der Aufbau eines datengestützten Betriebs in der Praxis ist kostspielig und ablenkend. Filialleiter mögen keine zusätzlichen Personen im Verkaufsraum. Das Datenschutzrisiko ist nicht zu unterschätzen. Die Bindung an einen Anbieter ist eine reale Befürchtung. Selbst wenn ein Pilotprojekt erfolgreich ist: Lässt sich das Modell auf eine andere Stadt mit unterschiedlichen Einrichtungsgegenständen und Gewohnheiten übertragen?

Dies sind reale Risiken. Die Abhilfe liegt im Design, nicht in Slogans.

• Störungskontrolle. Führen Sie Schulungen in Zeiten mit geringem Kundenandrang durch. Nutzen Sie kurze Zeitfenster, in denen jeweils nur ein Gang genutzt wird. Bringen Sie klare Beschilderungen mit Opt-out-Möglichkeiten an. Erfassen und veröffentlichen Sie Vorfallraten, um Vertrauen aufzubauen.
• Datenschutz und Compliance. Minimieren Sie die Datenerfassung. Verwischen Sie Bilder am Rand. Löschen Sie Daten zügig. Schalten Sie den Ton stumm, sofern er nicht ausdrücklich für eine Funktion benötigt wird, beispielsweise für die Sprachweiterleitung. Halten Sie sich an die PIPL und die Richtlinien des Unternehmens.
• Maßnahmen zur Gewährleistung der Portabilität. Vereinbaren Sie gemeinsame Datenschemata und legen Sie die Eigentumsverhältnisse an Datensätzen ausdrücklich fest. Vermeiden Sie undurchsichtige Kodierungen, die Sie an einen bestimmten Modell-Stack binden. Verlangen Sie in Service-Level-Vereinbarungen Ausgabepfade.
• Generalisierungspläne. Planen Sie den Transfer von Stadt zu Stadt ein. Sehen Sie in jeder neuen Stadt einen Datenanstieg in der ersten Woche vor, um das System an Lichtverhältnisse, Dialekte und Einrichtungsnormen anzupassen.

Was es kostet und wer in der Praxis dafür aufkommt

Beschaffungsleiter wollen Zahlen. Sie wollen außerdem keine

Überraschungen. In China werden die Programmkosten vor allem durch Personalkosten und den Zugang zu den Filialen bestimmt. Ein typisches Pilotprojekt mit drei Filialen könnte acht bis zwölf Wochen dauern, wobei pro Standort zwei bis drei Erfassungstechniker sowie ein zentrales Team für die Beschriftung und Schulung zum Einsatz kommen. Es ist mit einem Dienstleistungsvertrag zu rechnen, der als monatliche Gebühr strukturiert ist und Personal, Hardware-Kits, Datenverarbeitung sowie Schulungsmaßnahmen umfasst. Unter den derzeitigen Bedingungen in Shanghai kann für eine einzelne aktive Filiale eine monatliche Gebühr im Bereich von 80.000 bis 200.000 RMB anfallen, abhängig von den Betriebszeiten, der Anzahl der Regale und der Häufigkeit der Modellschulungen. Hardware-Mieten und der Zugang zu Premium-Nachtdiensten können die Obergrenze erhöhen.

Die Frage, wer die Kosten trägt, ist von strategischer Bedeutung. Einzelhändler finanzieren häufig die erste Phase selbst, um die Systeme an ihre Planogramme und Betriebsabläufe anzupassen. Roboteranbieter beteiligen sich an den Investitionen, wenn sie Elemente kundenübergreifend wiederverwenden können. Es entsteht ein gemeinsames Nutzungsmodell, bei dem eine Datenplattform mehrere Hardwareanbieter in einer bestimmten Branche bedient – mit strengen Datengrenzen und klar definierten Kontrollmechanismen.

Wichtige Kennzahlen für datengesteuerte Robotik im Einzelhandel

Filialleitern sind Bildraten pro Sekunde egal. Ihnen sind gut gefüllte Regale und Kunden wichtig, die nicht warten müssen. Setzen Sie dies in eine einfache Scorecard um.

• Aufgabenqualität: Bewertung der Regalausrichtung anhand der Planogramm-Toleranz. Zuverlässigkeit des Barcode-Scans in Verbindung mit den tatsächlich verkaufsfähigen Einheiten.
• Durchsatz. Pro Stunde kommissionierte oder einsortierte Einheiten, wobei menschliche Eingriffe protokolliert werden.
• Zuverlässigkeit. Mittlere Zeit zwischen Eingriffen. Wiederherstellungszeit nach Unterbrechungen.
• Auswirkungen auf die Kunden. Wartezeit bei der Übergabe im Gang. Blockierungsereignisse pro Stunde.
• Sicherheit. Anzahl der Beinaheunfälle. Abweichungen bei der Kontaktkraft. Quote der sauberen Gänge.
• Datenintegrität. Neue Randfälle pro Woche. Akzeptanzrate von Etiketten. Zeit bis zur Umsetzung einer Korrektur.

Wenn Ihr Datenpartner keine Verbesserungen in diesen Bereichen vorweisen kann, kaufen Sie nur Show, keinen Fortschritt.

Warum die Kontrolle über Interaktionsdaten aus der realen Welt der neue Wettbewerbsvorteil ist

Modellgewichte sind übertragbar. Hardware wird zunehmend modular. Die knappe Ressource ist

Ein umfassender, zugangsbeschränkter Korpus realer Interaktionen, der mit bestimmten Systemkomponenten und Arbeitsabläufen verknüpft ist. Wer den reibungslosen Ablauf zwischen Speichern, Modellen und erneuten Bereitstellungen beherrscht, gibt das Tempo vor.

Die strategische Logik spiegelt vergangene Plattformwandel wider. In der Webwerbung bestimmte die Kontrolle über Klick- und Konversionsdaten die Marktmacht. Im Bereich des autonomen Fahrens trieben die mit der Flotte zurückgelegten Meilen den Fortschritt und die Bewertungen voran. In der Robotik für den stationären Einzelhandel sorgen Betriebsstunden in den Gängen und erfolgreiche Wiederherstellungen für Wettbewerbsvorteile. Der Unterschied besteht darin, dass die Anforderungen an Einwilligung und Sicherheit höher sind und die Arbeitseinheit ein Regal oder ein Kunde ist, nicht eine Seitenaufruf.

Einkäufer sollten dies als Portfolioentscheidung betrachten. Investieren Sie in mindestens einen Datenpartner, der in Ihren Schwerpunktstädten tätig sein kann. Halten Sie Modellpfade offen. Verhandeln Sie Prüfungsrechte hinsichtlich des Datenumgangs. Bauen Sie interne Kompetenzen auf, um Datensatzkarten zu lesen, Validierungsläufe zu interpretieren und gezielte Datensprints anzufordern, wenn sich ein Regal oder ein Aktionszyklus ändert.

Das operative Handbuch von Maniformer für den Ladenbetrieb

Wie sieht dies in einem Convenience-Store in Shanghai aus?

• Aufbau: An den Türen und in den betroffenen Gängen werden Hinweisschilder zur Einwilligung angebracht. Kameras und Tiefensensoren werden am Roboter und gelegentlich an einem kurzen Mastwagen befestigt, um den Kontext zu erfassen. Der Filialleiter plant Zeitfenster von 30 bis 90 Minuten außerhalb der Stoßzeiten ein.
• Durchführung. Das Personal steuert den Roboter ferngesteuert oder als Co-Pilot durch die Zielaufgaben. Beim Einräumen erfassen sie Bewegungen wie Greifen, Drehen und Platzieren mit Kraftprofilen. Beim Scannen variieren sie Winkel, Abstände und Beleuchtung. Beim Kundenservice erfassen sie Sprachaufforderungen und Übergaben mit eindeutiger Einwilligung der Kunden.
• Annotieren. Auf einem Tablet in der Nähe ordnet ein Annotator die Einzelbilder den Planogramm-Plätzen, der Regaleinrichtung und den Produkt-Barcodes zu. Er kennzeichnet Fehlerursachen mit einem festgelegten Vokabular, beispielsweise Blendeffekte, Verdeckungen, Verrutschen durch Verformung, Unterbrechung durch Kunden oder Etikettenabweichungen.
• Synchronisieren. Die Daten werden nach einer Datenschutzprüfung über einen filialseitigen Relaisknoten hochgeladen. Über Nacht werden die Daten zur Modelltrainierung weitergeleitet.

Neu bereitstellen. Ein neues Modell wird mit einem Änderungsprotokoll eingeführt. Das Team spielt zunächst die problematischen Szenen erneut durch und skaliert dann.

Rahmenbedingungen für Governance, Datenschutz und geistiges Eigentum

Der Einzelhandel in Shanghai unterliegt dem chinesischen Datenschutzrecht. PIPL und DSL setzen Grenzen. Einzelhändler fügen eigene hinzu, beispielsweise Verbote für Aufnahmen über die gesamte Deckenfläche oder die Aufzeichnung von Kundengesprächen. Maniformer gibt an, dass es darauf ausgelegt ist, nur das zu speichern, was benötigt wird, und zwar in der geringsten Auflösung, die noch brauchbar ist. Gesichter werden an den Rändern unscharf dargestellt. Ladenlayouts werden zu nicht rückverfolgbaren Abbildungen abstrahiert, es sei denn, ein Geschäft gewährt ausdrücklich Forschungsrechte. Produktplanogramme werden als Geschäftsgeheimnisse behandelt und niemals zwischen Kunden weitergegeben.

Im Bereich des geistigen Eigentums ist vertragliche Klarheit der einzig sichere Weg. Beantworten Sie drei Fragen schriftlich: Wem gehören die Rohdaten? Wem gehören die Labels und die abgeleiteten Datensätze? Wem gehören die Modellgewichte? Viele Einzelhändler teilen sich mittlerweile die Eigentumsrechte auf: Die Filiale besitzt die Rohdaten und die Labels, der Anbieter besitzt das Basismodell. Feinabgestimmte Gewichte und Rezepturen werden entweder gemeinsam genutzt oder unter eine zeitlich begrenzte Lizenz gestellt. Dies sollte vor einem Pilotprojekt sorgfältig rechtlich geprüft werden.

Das Wettbewerbsumfeld formiert sich rasch

Maniformer ist ein Vorreiter, aber nicht allein. Integratoren bauen Dateneinheiten auf. Cloud-Anbieter werben bei Einzelhändlern mit Edge-Pipelines und Datenschutz-Toolkits. Roboterhersteller bauen eigene Erfassungsteams auf. Der Markt wird sich wahrscheinlich schichten: Reine Datenplattformen, die Stadt für Stadt operieren. Full-Stack-Anbieter, die Hardware, Autonomie und Daten als geschlossenes Paket bündeln. Hybride Allianzen, bei denen ein Roboterhersteller mit einem lokalen Datenbetreiber zusammenarbeitet.

Käufer werden auf Interoperabilität drängen. Es wird Schemastandards für Einrichtungsgegenstände, Produkte und Aktionen geben. Es wird Sicherheits- und Einwilligungsvorlagen für jede Stadt und jede Kette geben. Es ist zu erwarten, dass externe Prüfer Zertifizierungsprogramme für Datenschutz und Datensatzqualität anbieten werden. Die Gewinner werden Datensatzkarten mit Abdeckungskarten, Kennzeichnungsmethoden und bekannten Lücken veröffentlichen. Die Verlierer werden von „Magie“ sprechen.

Was dies für Beschaffung und Betrieb bedeutet

Führungskräfte

Behandeln Sie Datendienstplattformen als neue Anbieterkategorie mit einer eigenen Ausschreibung. Der Umfang sollte Pläne für den Datenzugriff, Einwilligungsvorlagen, Datenschutz-Tools, Listen der Erfassungshardware, Kennzeichnungsprozesse, Ergebnisse der Schulungsmaßnahmen sowie Validierungsmethoden umfassen. Verlangen Sie einen Pilotversuch, der an Ihre angestrebten Leistungskennzahlen (KPIs) geknüpft ist. Fordern Sie Datensatzkarten sowie einen Plan für die Datenübergabe an. Verlangen Sie einen Umstellungsplan für den Fall, dass Sie den Modellanbieter wechseln.

Arbeiten Sie mit dem operativen Bereich zusammen, um Zeitfenster mit geringem Aufkommen zu planen. Wählen Sie Regalgänge aus, die Ihr landesweites Sortiment widerspiegeln. Beziehen Sie eine belebte Ecke mit glänzenden Verpackungen sowie einen ruhigen Frischebereich mit ein. Beziehen Sie eine Kundenservice-Aufgabe in die Planung ein, auch wenn Ihr Schwerpunkt auf der Warenbestückung liegt. Dort verbergen sich viele Schwachstellen.

Maniformers Standort in Shanghai weist den Weg zu einer umfassenderen Neuausrichtung

Jahrelang kamen Roboterprogramme im Einzelhandel an der Hardware ins Stocken. Greifer rutschten ab. Fahrgestelle verklemmten sich auf Rampen. Sensoren fielen unter Leuchtstoffröhren aus. Heute ist die gängige Hardware leistungsfähig genug. Der limitierende Faktor sind Daten, die den Robotern beibringen, innerhalb der spezifischen Gegebenheiten jedes einzelnen Geschäfts zu agieren – ohne ständige Überwachung und ohne die Kunden zu verschrecken.

Die These von Maniformer ist einfach: Wenn man den Datenkreislauf industrialisiert, werden die Roboter schnell genug besser, um den Platzbedarf zu rechtfertigen. Die Arbeit in Shanghai legt nahe, dass es sich um eine „bankerhafte“ These handelt. Das Unternehmen strebt keinen „Moonshot“ an. Es verkauft eine Dienstleistung. Wenn Sie viele Verkaufsregale betreiben, kennen Sie bereits die Stärke von Dienstleistungen.

Es besteht die Versuchung, Datenarbeit als Ware zu betrachten: Kamera ausrichten, aufzeichnen, kennzeichnen, trainieren, wiederholen. Damit verfehlt man jedoch den Kern der Sache. Bei der physischen Arbeit, bei der kleine Unterschiede in Beleuchtung, Verpackung und menschlichem Verhalten die Ergebnisse beeinflussen, ist Datenqualität gleichbedeutend mit Leistung. Es ähnelt eher der Beschaffung frischer Produkte als der Bestellung weiterer Server. Frisches gewinnt. Veraltetes verfault. Eine Plattform, die die richtigen Szenen zur richtigen Zeit in den richtigen Filialen erfassen kann, ist kein Anbieter, den man leichtfertig austauschen sollte.

Diese Analyse fasst Unternehmensaussagen und beobachtbare Marktaktivitäten in Shanghai zusammen

Einzelhandel im angegebenen Zeitraum.

Haftungsausschluss: Diese Analyse dient ausschließlich zu Informationszwecken und stellt keine Anlage-, Rechts- oder Beschaffungsberatung dar. RobotAIGeek empfiehlt keine bestimmten Anbieter und übernimmt keine Gewähr für die Leistungsfähigkeit von Technologien im Frühstadium.