Mark Anthony Group: Wie generative KI das Zusammenspiel von Supply, Demand und Marketing verbessert hat

Overcoming Document Access Delays in Production Plants

Ams OSRAM, a global leader in lighting solutions, faced a significant challenge in its production plants, which focus on creating raw materials like wires and ceramic plates essential for manufacturing lamps and light bulbs. The major pain point was the time-consuming process of accessing specific procedural or machine-related documents. Employees, from R&D personnel to production line workers, often spent excessive time searching for precise documentation on equipment maintenance or operational procedures. This inefficiency not only hindered productivity but also affected the company’s ability to address production line issues, directly impacting business success.

Analytics neu gedacht: Aufbau einer agilen, KI-gestützten Datenplattform

Als AWS Advanced Tier Services Partner mit umfassender Erfahrung in Cloud Analytics und einem breiten Portfolio an AWS-Lösungen wurde Adastra zu einem zentralen Treiber der digitalen Transformation von MAG. Gemeinsam entwickelten wir ein modernes Betriebsmodell für Daten und KI, das eine zentrale Engineering Factory mit Verantwortlichen in Demand, Supply Chain, Marketing, Vertrieb und Finance verbindet. So war jeder Use Case klar an konkrete Geschäftsergebnisse gekoppelt.

Aufbau eines Data Lakehouse

Um den Datenzugriff und die Abfragegeschwindigkeit zu verbessern, setzten wir auf eine moderne Lakehouse-Architektur auf Basis des leistungsstarken und skalierbaren Amazon S3. Ergänzt wurde diese Grundlage durch AWS Glue und AWS Lambda sowie die leistungsfähigen Abfragemöglichkeiten von Amazon Athena. So entstand ein nahtlos integriertes Datenökosystem. Darauf aufbauend führten wir eine verfeinerte Datenebene mit fachbereichsnahen Modellen ein, die sich direkt für Self-Service-Analytics nutzen lässt und gleichzeitig fortgeschrittene ML- und GenAI-Workflows unterstützt.

Dieses strategische Architekturmodell schuf nicht nur die Grundlage für anspruchsvolle Analytics, sondern ermöglichte auch die reibungslose Integration generativer KI. Wie Elkin Arboleda, AWS Practice Lead bei Adastra, treffend sagte: „AWS-Services lassen sich mit sehr wenig Programmieraufwand einfach miteinander integrieren.“ Dieses Zusammenspiel der AWS-Lösungen vereinfachte nicht nur die Integration, sondern beschleunigte auch unsere digitale Transformation deutlich. Durch die Trennung von Speicher und Rechenleistung sowie standardisierte Integrationsmuster kann MAG heute neue Datenquellen und Anwendungsfälle integrieren, ohne die Kernplattform neu architektieren zu müssen.

Daten bereinigen

Um das Potenzial der vorhandenen Daten bestmöglich zu nutzen, führten wir ein konsequentes Datenqualitätsmanagement ein. Die Daten durchlaufen dabei Qualitätsprüfungen in einer bereinigten Schicht und werden anschließend in die zentrale „Refined“-Schicht des Data Lake überführt. In der Refined-Schicht ergänzt ein Datenmodell den Großteil der Daten. Von dort aus lassen sich die Daten direkt nutzen, an nachgelagerte Systeme übergeben oder über APIs bereitstellen.

Für Datenverarbeitung, Governance und Speicherung kamen AWS-Services wie Amazon S3, AWS Lambda, AWS Glue, AWS Step Functions State Machines, Amazon SQS, Amazon EventBridge, Amazon EC2 und Amazon RDS zum Einsatz. Alle Prozesse sind von Anfang bis Ende und über alle Komponenten hinweg vollständig auditierbar. Die Audit-Informationen stehen direkt über Amazon S3, über Amazon Athena oder über speziell entwickelte Software Development Kits (SDKs) zur Verfügung. Diese durchgängige Auditierbarkeit unterstützt nicht nur regulatorische und datenschutzrechtliche Anforderungen. Sie schafft auch die nötige Nachvollziehbarkeit für den verantwortungsvollen Einsatz von generativer KI, da sich jede GenAI-Antwort bis zu den zugrunde liegenden, kontrollierten Datenquellen und Transformationen zurückverfolgen lässt.

Einführung fortgeschrittener Analytics

„Nach dem Rollout lag die Nutzung bei 100 %. Bereits im ersten Monat arbeiteten alle Vertriebsmitarbeitenden mit dem von uns entwickelten AI Sales Activity Recommender.“

– Sam Wong, Senior Director of Data, Analytics and AI

Sobald die Daten bereinigt waren, konnten sie für fortgeschrittene Analysen und Machine-Learning-Modelle genutzt werden. Wir entschieden uns bewusst dafür, mit einem GenAI-gestützten Vertriebsassistenten zu starten, weil der Vertrieb den direktesten Bezug zum Umsatz hat. So ließ sich der Nutzen schnell sichtbar machen und zugleich die Akzeptanz für KI im Unternehmen stärken. Dafür setzten wir Amazon SageMaker und Amazon Bedrock ein, um einen KI-gestützten Vertriebsassistenten sowie ein Marketing-Tool für konkrete Vertriebsempfehlungen zu entwickeln. Der GenAI-Vertriebsassistent ermöglicht es den Commercial-Teams, Fragen in natürlicher Sprache zu stellen, etwa: „Wie haben sich die Depletion-Trends von White Claw im vergangenen Quartal nach Kanal entwickelt?“ Die Antworten kommen sofort, sind nachvollziehbar und basieren auf aufbereiteten Daten. Das Empfehlungstool kombiniert Stimmungsdaten, historische Verkaufszahlen und Promotionsdaten, um aufzuzeigen, welche Marken und SKUs nach Markt, Kanal und Zeitpunkt priorisiert werden sollten. Damit unterstützt es direkt die Kampagnenplanung und Entscheidungen zum Trade Spend.

Mit einer starken Datenbasis ist die Gruppe gut für die Zukunft aufgestellt. Die nötigen Daten- und Machine-Learning-Pipelines sind vorhanden, um Analyseprozesse effizienter zu gestalten. Das erleichtert weitere Innovationen und die Anbindung zusätzlicher AWS-Services. Neue GenAI-Anwendungsfälle, etwa Copiloten für die Nachfrageplanung oder Simulatoren für Finanzszenarien, lassen sich nun schnell auf derselben verlässlichen Datenbasis erproben, ohne die Pipelines neu aufsetzen zu müssen.

Mit KI zum Erfolg: mehr Effizienz, höhere Zufriedenheit und eine Vorreiterrolle in der Branche

Die Transformation führte zu spürbar höherer Produktivität, getragen von besseren Einblicken in die eigenen Abläufe. Gleichzeitig veränderte sie die Arbeitskultur positiv und steigerte die Zufriedenheit im Team. Da monotone und arbeitsintensive Aufgaben wegfielen, konnten die Mitarbeitenden fokussierter und effizienter arbeiten. Von Anfang an stellte die Führung generative KI als Unterstützung der Mitarbeitenden dar, nicht als Ersatz. Das sorgte in vielen Bereichen für hohe Akzeptanz und breite Nutzung.

Das Projekt ermöglicht dem Demand-Planning-Team des Kunden, Verbrauchs- und Depletion-Prognosen, Forecasts für die Finanzplanung sowie Forecasts für Agenturen und Lieferanten präzise zu erstellen. So lassen sich Geschäftsprozesse und Bestände frühzeitig steuern. Demand Planning, Supply Chain, Marketing, Vertrieb und Finance arbeiten heute auf Basis eines einheitlichen, verlässlichen Datenstands. Das verbessert den Servicegrad und reduziert zugleich kostspielige Überbestände und Out-of-Stock-Situationen.

Darüber hinaus führte das Projekt zu folgenden Ergebnissen:

• Eine zentrale, bereinigte und governte Datenbasis, die in Demand Planning, Supply Chain, Marketing, Vertrieb und Finance konsistent genutzt wird, statt fragmentierter Reports einzelner Datenverantwortlicher
• 100 % Nutzung des GenAI-Vertriebsassistenten im Commercial-Team, getragen vom unmittelbaren praktischen Nutzen im Tagesgeschäft
• Einfacherer Zugang zu deskriptiven Analysen, Visualisierungen und datenbasierten Erkenntnissen über Self-Service-Zugriff auf die Refined-Schicht und den GenAI-Vertriebsassistenten, mit deutlich geringerer Abhängigkeit von der IT bei Standard-Reports
• Schnellere und besser abgestimmte Planungszyklen, weil alle Teams mit denselben Kennzahlen und Annahmen arbeiten
• Konkrete Erkenntnisse für Marketing und Vertrieb, etwa dazu, welche Promotions, Kanäle und Botschaften in welchem Markt am besten wirken
• GenAI-Anwendungsfälle lassen sich schnell umsetzen
• Kosteneffizientere Innovation

Frühe Piloten haben bereits deutliche Zeitgewinne in den Reporting-Zyklen gezeigt und die Genauigkeit zentraler Forecasts verbessert. Gleichzeitig schafft die flexible AWS-Lakehouse-Architektur die Voraussetzung dafür, die Lösung nahtlos zu skalieren, neue Erkenntnisse zu gewinnen und Innovationen schneller voranzutreiben. So ist der Kunde in einem wettbewerbsintensiven Markt langfristig gut aufgestellt.