Produktbeschreibungen:
adidas, die ikonische deutsche Sportmarke, blickt auf eine Geschichte voller Innovationen zurück – von revolutionären Schraubstollen bis hin zu immer neuen Standards bei Performance, Komfort und Shopping Experience. Um seinem Innovationsanspruch gerecht zu werden und die Bedürfnisse von Kunden in über 150 Ländern besser zu erfüllen, suchte adidas nach einer schnelleren und intelligenteren Methode, Produktbewertungen zu analysieren und Kundenstimmungen zu erfassen. Deshalb hat sich die Marke mit Databricks zusammengetan, um eine skalierbare GenAI-Lösung zu auf Basis von Retrieval Augmented Generation (RAG) zu entwickeln . Sie hilft Analysten dabei, aus mehr als 2 Millionen Kundenbewertungen messbare Erkenntnisse zu gewinnen und die Effizienz um bis zu 40% zu steigern.
Feedback in schnellere, intelligentere Entscheidungen umwandeln
adidas steht seit jeher für Innovation – von den revolutionären Schraubstollen bis hin zu Performance-Ausrüstung, die Stil, Nachhaltigkeit und Technologie vereint. Um seinem Innovationsanspruch treu zu bleiben und Kunden weltweit noch gezielter anzusprechen, wollte adidas ein riesiges, bislang ungenutztes Asset aktivieren: über 2 Millionen Produktbewertungen.
Das Ziel? Mit GenAI Stimmungen und verwertbare Insights aus Kundenfeedback extrahieren, damit über 50 Entscheidungsträger weltweit, auch ohne technisches Fachwissen, fundierte Verbesserungen vorantreiben können. Ein RAG-Chatbot würde die Analyse von Bewertungen automatisieren und in Echtzeit relevante Antworten liefern, sodass Teams schnell auf das reagieren könnten, was Kunden tatsächlich wollten.
Aber die bestehende Infrastruktur von adidas konnte diese Vision nicht unterstützen. Ihr bisheriger Chatbot war nicht auf GenAI oder RAG aufgebaut. Das hatte zur Folge, dass die Antworten generisch blieben, die Rechenkosten hoch waren und die Antwortzeiten mit 15 Sekunden frustrierend lang waren. Gleichzeitig erfolgte die Analyse von Bewertungen weitgehend manuell, was zeitaufwendig war – und nicht-technische Nutzer hatten Mühe, relevante Erkenntnisse zu gewinnen. „Bei Abfrage-Lasten von über 200.000 Tokens stießen unsere Back-End-Systeme an ihre Grenzen, was die Akzeptanz deutlich einschränkte“, so Rahul Pandey, Senior Solutions Architect bei adidas.
Aufbau einer skalierbaren Basis für GenAI
adidas startete seine Transformation mit dem Aufbau einer leistungsfähigen Datenbasis zur Unterstützung von RAG. Zunächst wurden über 2 Millionen Produktbewertungen mit Modellen wie Databricks BGE Large eingebettet, die für die semantische Suche optimiert sind. Diese vektorisierten Bewertungen erfassten den Kontext des Kundenfeedbacks – nicht nur einzelne Schlüsselwörter. Die Einbettungen wurden dann mit Mosaic AI Vector Search indexiert, der nativen Lösung von Databricks für schnelle, bedeutungsbasierte Abrufe.
Mit der Vektordatenbank im Einsatz setzte adidas eine RAG-Pipeline mit Model Serving auf. Die Pipeline rief relevante Bewertungsausschnitte ab, kombinierte sie mit Benutzerprompts und generierte Antworten mithilfe von LLMs wie Claude Haiku. Unity Catalog stellte den sicheren Zugriff sowie die Governance für Modelle und Daten sicher, während unterstützende Komponenten wie APIs und die Chatbot-Oberfläche in einer Cloud-nativen Kubernetes-Umgebung gehostet wurden. Eine schlanke, intuitive Benutzeroberfläche auf Basis von React und Angular ermöglichte es Teams in verschiedenen Regionen, einfach auf das Tool zuzugreifen und damit zu arbeiten.
Um Experimente zu verwalten und die Systemzuverlässigkeit sicherzustellen, setzte adidas MLflow ein – für das Monitoring der Modell-Performance und eine effiziente Iteration. Feedback-Schleifen und Fehlerverfolgung stellten sicher, dass der Chatbot mit der sich entwickelnden Kundenstimmung in Einklang war und mit jeder Interaktion cleverer wurde.
Tiefere Feedback-Analyse durch Konsolidierung von 2 Millionen Kundenbewertungen
Die Ergebnisse waren transformativ. Die Latenz sank um 60 %, wodurch sich die durchschnittliche Antwortzeit von 15,5 auf nur sechs Sekunden reduzierte. Effizientere Prompt-Engineering und kleinere Kontextfenster verringerten die Token-Eingabegröße um 98,5 % – von 200.000 auf nur 3.000 Tokens pro Abfrage. Durch diese Optimierungen sanken die Rechenkosten um über 90 %.
Durch GenAI verbesserte adidas die Effizienz der Bewertungsanalyse um bis zu 30–40 %, wodurch globale Teams spürbar von manueller Arbeit entlastet wurden. Der intuitive Chatbot ermöglichte schnellere Entscheidungen in Teams, von Design und Produkt bis hin zu Marketing und Kundenservice. Nicht-technische Nutzer konnten nun eigenständig Erkenntnisse gewinnen und verbesserten so die bereichsübergreifende Zusammenarbeit und die Produktentwicklungszyklen.
„Die GenAI-Infrastruktur, die wir aufgebaut haben, ermöglicht bereits Anwendungsfälle, die über Produktbewertungen hinausgehen“, so Rahul. „Teams erforschen nun Anwendungen im Kundenservice, im Wissensmanagement und in weiteren Feedback-Kanälen.“
Durch die Integration von Databricks-Technologien wie Mosaic AI Vector Search, Unity Catalog, Model Serving und MLflow hat adidas eine Lösung im globalen Maßstab geschaffen, die schnell, kontrolliert und erweiterbar ist. Sie unterstützt nicht nur die strategischen Ziele des Unternehmens, sondern ebnet auch den Weg für eine besser personalisierte, reaktionsschnellere und datengesteuerte Zukunft.