Über Dashboards hinaus: Umsatzwachstumsstrategien mit Databricks und Mosaic AI orchestrieren

Warum einzelne LLMs scheitern und was das Mosaic AI Agent Framework löst

Der erste Gedanke der meisten Entwicklerteams, die KI-gestützte Preistools erstellen, ist, alles durch ein einziges großes Sprachmodell zu leiten. Das scheitert schnell und aus einem vorhersehbaren Grund: Umsatzmanagement erfordert widersprüchliche Analysemethoden – Bestandslogik, statistische Modellierung und unstrukturierte Wettbewerbsinformationen –, die parallel laufen. Werden all diese Daten in einen einzigen Eingabeaufforderungskontext eingespeist, entstehen fehlerhafte Einschränkungen und unbrauchbare Ergebnisse, die nachgelagerte API-Verbindungen unterbrechen.

Die korrekte Architektur ist ein Multiagenten-Supervisorsystem, das auf dem Mosaic AI Agent Framework basiert. Dies ist keine theoretische Präferenz – es ist das, was in Produktionsumgebungen erforderlich ist.

Databricks Mosaic KI-Architektur: Wie funktioniert das Multiagentensystem?

Die Databricks Mosaic KI-Architektur ermöglicht komplexe KI-Systeme: Mehrere spezialisierte Komponenten sind miteinander verkettet, jede für eine bestimmte Denkaufgabe optimiert und wird von einem Supervisor koordiniert, der ihre Ergebnisse zu einer konkreten Geschäftsmaßnahme zusammenfasst.

Das Mosaic AI Agent Framework ermöglicht Databricks AI-Workflows, in denen Aufgaben zerlegt, an den richtigen Spezialisten weitergeleitet und zu einem definierten Ergebnis zusammengeführt werden – alles innerhalb einer einzigen, nachvollziehbaren Ausführungsprotokollierung. Im Kontext des Umsatzwachstumsmanagements bedeutet dies, dass eine einzelne Preisanfrage – „Warum sind die Margen im Nordosten gesunken und was sollten wir tun?“ – automatisch in die Teilaufgaben Lieferkette, Wettbewerb und Elastizität unterteilt wird. Jede dieser Aufgaben wird von einem spezialisierten Agenten mit Zugriff auf die relevanten Daten beantwortet und anschließend zu einer einzigen, umsetzbaren Preisempfehlung zusammengefasst.

Eine auf diesem Muster basierende Produktionsarchitektur für einen RGM-Agenten würde folgendermaßen aussehen:

Der Supervisor verarbeitet alle drei Ergebnisse und erstellt eine konkrete Empfehlung für die Handelspreisgestaltung oder Werbeaktionen – oder, in einem System mit menschlicher Interaktion, erstellt er einen Aktionsvorschlag, der in einer verwalteten Unity Catalog-Staging-Tabelle zur Genehmigung durch den Umsatz- oder Kategorienmanager hinterlegt wird. Jeder Ausführungsschritt wird in MLflow protokolliert, wodurch der Entscheidungsprozess vollständig nachvollziehbar ist.

Der Supervisor verarbeitet alle drei Ergebnisse und erstellt eine konkrete Empfehlung für die Handelspreisgestaltung oder Werbeaktionen – oder, in einem System mit menschlicher Interaktion, erstellt er einen Aktionsvorschlag, der in einer verwalteten Unity Catalog-Staging-Tabelle zur Genehmigung durch den Umsatz- oder Kategorienmanager hinterlegt wird. Jeder Ausführungsschritt wird in MLflow protokolliert, wodurch der Entscheidungsprozess vollständig nachvollziehbar ist.

Diese Architektur ist für die Steuerung des RGM-Systems ebenso wichtig wie für die Genauigkeit. Ein Category Manager oder Revenue Director, der genau nachvollziehen kann, warum ein Agent eine Preissenkung empfohlen hat – und den Lagerüberhang, die Entwicklung des Wettbewerbsindex und die dafür verantwortliche Preisselastizität einsehen kann –, wird dem System genug vertrauen, um entsprechend zu handeln, anstatt es zu überschreiben.

Was ändert sich, wenn RGM von Dashboards auf Agenten umstellt?

Die operative Umstellung, die Databricks Mosaic AI im Bereich RGM ermöglicht, ist nicht inkrementell, sondern strukturell. Folgendes ändert sich in den Kernbereichen eines typischen Umsatzbetriebs der Konsumgüterindustrie:

• Reaktionszeit der Wettbewerber: Die meisten Preisteams in der Konsumgüterindustrie arbeiten heute mit wöchentlichen oder zweiwöchentlichen Überprüfungszyklen. Ein KI-gestützter Mosaic-Agent, der die Preisdaten der Wettbewerber kontinuierlich überwacht, kann Preisänderungen im Regal erkennen und innerhalb weniger Stunden eine Handlungsempfehlung generieren – wodurch ein mehrtägiger manueller Arbeitsablauf in eine automatisierte und nachvollziehbare Aktion umgewandelt wird.

  Wissen Sie?

  Eine Analyse von mehr als 140 digitalen und KI-Anwendungsfällen entlang der gesamten Wertschöpfungskette der Konsumgüterindustrie schätzt, dass KI-Anwendungsfälle der ersten Generation den Konsumgüterunternehmen weltweit zusätzliche 160 bis 270 Milliarden US-Dollar EBITDA pro Jahr einbringen könnten.

  Sein größter Wert liegt in den Bereichen Verbrauchereinblicke sowie Kunden- und Kanalmanagement, also genau in den Bereichen, in denen ein agentenbasiertes RGM-System tätig ist.


• Qualität der Handelsförderung: Anstatt sich auf den Aktionskalender des Vorjahres als Grundlage zu stützen, kann das Mosaic AI Agent Framework jede vorgeschlagene Aktion anhand historischer Absatzdaten, aktueller Lagerbestände und regionaler Elastizitätskurven bewerten, bevor auch nur ein Cent an Handelsausgaben getätigt wird – wodurch sich RGM von einem reaktiven Ausgabenmanagement zu einer proaktiven Aktionsgestaltung verlagert.


• Analystenkapazität: Wenn der Databricks AI-Workflow die kontinuierliche Überwachung, die Anomalieerkennung und erste Preisempfehlungen übernimmt, verlagern sich die Aufgaben der Umsatz- und Kategorienmanager von der Datenextraktion hin zur Entscheidungsvalidierung – und sie verbringen ihre Zeit mit Beurteilungen, die menschlichen Kontext erfordern, anstatt mit dem Erstellen wöchentlicher Präsentationen.

Erfahren Sie mehr über die umfassendere Datenplattformstrategie, die diese Implementierungen ermöglicht, im Polestar Analytics Data Migration and Modernization eBook , oder sehen Sie, wie die Datenmodernisierung die Grundlage für agentenbasierte Systeme schafft.

Der Mensch im Regelkreis: Eine Stärke des Mosaic-KI-Designs, keine Notlösung!

Das Mosaic AI Agent Framework wurde speziell für Unternehmensumgebungen entwickelt, in denen autonome Ausführung mit menschlicher Überwachung einhergehen muss – und genau das ist im Fall von RGM der richtige Ansatz. Autonome Preisgestaltung ohne Governance ist keine Stärke, sondern ein Risiko.

Databricks Mosaic AI integriert die menschliche Interaktion als zentrales Architekturmerkmal und nicht als nachträgliche Überlegung. Anstatt dass der Agent eine externe API auslöst, um Preis- oder Aktionsänderungen autonom durchzuführen, ist der Supervisor-Agent so konfiguriert, dass er vorgeschlagene Preisaktionen in eine verwaltete Unity Catalog-Staging-Tabelle schreibt.

Diese Schnittstelle bietet Revenue Managern, Category Directors oder Trade Marketing Leads eine strukturierte Ansicht des gesamten Entscheidungsprozesses des Agenten – welche Sub-Agenten ausgeführt wurden, welche Signale jeder erkannt hat, was die Elastizitätsberechnung ergeben hat und welches Werbeszenario modelliert wurde – bevor eine Empfehlung in die Ausführung geht.

Dieses Design spiegelt eine Kernfunktion von Databricks Mosaic AI wider: die Möglichkeit, Governance-Checkpoints in jeder Phase des Agenten-Workflows einzufügen, ohne die Automatisierungskette zu unterbrechen. Der Agent übernimmt die kontinuierliche Überwachung, die Datensynthese und die Generierung von Empfehlungen. Der Mensch führt den finalen Anruf – basierend auf einem vollständigen Audit-Trail, den er nicht selbst erstellen musste.

Für die Konsumgüterindustrie bedeutet dies, dass ein Category Manager, der eine empfohlene Preissenkung für einen Ladenhüter im Südosten der USA prüft, nicht nur den Preis selbst, sondern auch die Lagerreichweite, die diese Senkung ausgelöst hat, den Vergleichspreis der Konkurrenz und das zugrunde liegende Preismodell zur Validierung berücksichtigt. Dies ist ein grundlegend anderes Entscheidungsumfeld als die Arbeit mit Tabellenkalkulationen und Bauchgefühl.

Wissen Sie?

76 % der Unternehmen integrieren mittlerweile menschliche Interaktionsprozesse in ihre KI-Implementierungen.

Im Bereich RGM ist dies kein widerwilliges Zugeständnis an organisatorische Vorsicht, sondern eine solide Geschäftspraxis. Preisentscheidungen bergen Margenrisiken, Auswirkungen auf die Beziehungen zu Einzelhändlern und wettbewerbsrelevante Signale, die von menschlichem Urteilsvermögen zum Zeitpunkt der Umsetzung profitieren. Das Mosaic AI Agent Framework wurde genau für dieses Gleichgewicht entwickelt: maximale Automatisierung bei der Datenverarbeitung und Empfehlungsgenerierung bei gleichzeitig strukturierter menschlicher Entscheidungsgewalt.

Ein weiterer erwähnenswerter Vorteil der Databricks Mosaic AI-Architektur: Das gestaffelte Governance-Design, das vor autonomen Preisfehlern schützt, deckt auch Latenzprobleme frühzeitig auf. Regionale Preisabfragen mit hohem Volumen, die als nächtliche Batch-Verarbeitung erfolgen – wobei Tausende von Artikeln (SKUs) ausgewertet werden, während das Handelsteam schläft – sind für die meisten Arbeitsabläufe in der Konsumgüterindustrie sowohl betrieblich sinnvoller als auch kosteneffizienter als die synchrone Echtzeitausführung. Das Mosaic AI Agent Framework unterstützt beide Vorgehensweisen; die richtige Wahl hängt von der Frequenz der Preisentscheidung ab, nicht von den Grenzen der Technologie.

Wo kann das Mosaic AI Agent Framework eingesetzt werden?

Nicht jeder RGM-Workflow benötigt einen Mosaic-KI-Agenten. Über 40 % der agentenbasierten KI-Projekte werden bis Ende 2027 aufgrund steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrolle abgebrochen. Die Kunst besteht darin, zu wissen, welche Preismodelle die Architektur rechtfertigen.

Das Mosaic AI Agent Framework eignet sich besonders dann, wenn für die RGM-Entscheidung mehrere unstrukturierte und strukturierte Datenquellen – wie Wettbewerbsdaten, Lagerbestände, historische Werbewirkungen und regionale Nachfragesignale – gleichzeitig verarbeitet werden müssen, was ein menschlicher Analyst in diesem Umfang nicht kontinuierlich leisten kann. Handelsförderungsoptimierung, dynamische Preisgestaltung im Vertriebskanal und regionale Preisnachlassentscheidungen sind hierfür ideale Anwendungsfälle.

Setzen Sie einfachere Databricks AI-Workflows ein – beispielsweise einen regelbasierten Databricks-Job oder einen geplanten Python-Trigger –, wenn die Preislogik deterministisch und klar definiert ist: „Preis um 5 % reduzieren, wenn der Lagerbestand 30 Tage überschreitet.“ Diese Workflows werden in Millisekunden ausgeführt, bergen kein Risiko von Fehlinterpretationen und sind kostengünstiger im Betrieb. Das Mosaic AI Agent Framework ersetzt keine regelbasierten Preisgestaltungs-Engines. Es trifft Entscheidungen, die durch Regeln nicht möglich sind.

Die RAG-Komponenten der Subagenten stützen sich auf historische Daten, um Empfehlungen zu begründen. Tritt ein Marktschock auf, der im Vector-Index noch keine Präzedenzfälle aufweist – beispielsweise ein plötzlicher Rohstoffpreisanstieg oder das unerwartete Ausscheiden eines Konkurrenten aus dem Börsenhandel –, wird die menschliche Kontrollinstanz des Mosaic AI Agent Frameworks zu dessen wichtigster Schutzmaßnahme. Anstatt eine zwar sichere, aber unbegründete Empfehlung zu generieren, ist das System so konfiguriert, dass es die Anomalie erkennt und zur manuellen Bearbeitung an einen erfahrenen Vertriebsmanager weiterleitet. Dies ist kein Systemfehler, sondern entspricht der vorgesehenen Funktionsweise des Systems.

Die Aufrechterhaltung der Produktionsqualität erfordert kontinuierliche Investitionen in die ML-Entwicklung – die Überwachung des ML-Flows auf Abweichungen, die Aktualisierung der Vektorsuch-Einbettungen bei sich ändernden Wettbewerbsdaten und die Durchführung von Evaluierungszyklen des Mosaic AI Agent Frameworks anhand aktualisierter Baselines. Teams, die den Agenten entwickeln und ihn dann nicht weiter nutzen, werden einen schleichenden Leistungsabfall feststellen. Teams, die den Databricks AI-Workflow als lebendiges System behandeln – und damit dieselbe Sorgfalt walten lassen wie jede andere Produktionsdatenpipeline – werden im Laufe der Zeit einen stetig wachsenden Wert erzielen.

Die Mosaic AI Agent Evaluation ermöglicht es Stakeholdern, auch solchen außerhalb der Databricks-Plattform, die Modellausgaben zu bewerten und Bewertungen abzugeben, um die Qualität kontinuierlich zu verbessern.

Dieses MLflow-Tracing ermöglicht die vollständige Nachvollziehbarkeit jedes einzelnen Ausführungsschritts des Databricks AI-Workflows – unerlässlich für die Überwachung von Abweichungen bei den Prompts, die Fehlerbehebung bei der Leistung des Mosaic AI-Agenten und die Aufrechterhaltung der RGM-Empfehlungsqualität im Laufe der Zeit!

Was entscheidet über den Erfolg eines Databricks-KI-Workflows in der Produktion?

Die Umstellung von dashboardgesteuertem auf agentengesteuertes Revenue Management ist nicht primär eine Technologieentscheidung, sondern eine Entscheidung für das Betriebsmodell. Die Technologie – Databricks Mosaic AI, Unity Catalog, MLflow, Vector Search – ist ausgereift genug für den heutigen Produktiveinsatz. Entscheidend für den Erfolg einer Implementierung sind das Governance-Design, die Workflow-Architektur des Revenue Managements und die klare Abgrenzung, wo die Automatisierung enden und die Beurteilung durch den Category Manager beginnen sollte.

Polestar Analytics hat diesen Übergang für Unternehmenskunden im Einzelhandel und der Konsumgüterindustrie strukturiert und die Databricks Mosaic KI-Architektur mit einer Implementierungsdisziplin kombiniert, die organisatorische Reibungsverluste ebenso berücksichtigt wie das technische Design. Die Frage ist nicht mehr, ob agentenbasiertes Revenue Management funktioniert. Es geht vielmehr darum, ob Ihre Handels- und Preisinfrastruktur dafür bereit ist – und ob Ihr Unternehmen bereit ist, die gewonnenen Erkenntnisse umzusetzen.