Compliance mit Machine Learning transformieren

EPAM kooperiert mit Zalando, um eine skalierbare, automatisierte EPR-Compliance-Lösung zu entwickeln, die die Leistungsfähigkeit von Databricks und AWS nutzt.

Auf einen Blick

Kunde

Zalando

Strategische Partner

Amazon Web Services (AWS)
Databricks

Dienstleistungen

Künstliche Intelligenz
Daten & Analysen

Branche

Handel

Zalando, eine der führenden Online-Modeplattformen Europas, sah sich mit der Herausforderung konfrontiert, EPR-Vorgaben für eine achtstellige Zahl von Produktartikeln manuell zu verwalten. Vor diesem Hintergrund wurde entschieden, den bestehenden Compliance-Prozess zur erweiterten Herstellerverantwortung (Extended Producer Responsibility, EPR) weiterzuentwickeln und um eine skalierbare, automatisierte Lösung zur Kennzeichnung und Kategorisierung von Produkten zu erweitern. Auf Basis von Databricks und AWS entwickelte EPAM in Partnerschaft mit Zalando eine anspruchsvolle Lösung auf Basis von maschinellem Lernen (ML), die automatisierte Tagging-Funktionen mit intelligenten Überwachungsmechanismen kombiniert und so Genauigkeit sowie langfristige Anpassungsfähigkeit sicherstellt.

NACHHALTIGE MODE

Bewältigung komplexer regulatorischer Herausforderungen

Mit über 52 Millionen aktiven Kundinnen und Kunden in ganz Europa und mehr als 6000 Marken im Portfolio nimmt Zalando eine einzigartige Position im europäischen Modeökosystem ein. Zalando ist bereit, seine Rolle als Wegbereiter anzunehmen – als Katalysator, Vermittler und Vernetzer, um den Fortschritt hin zu einer verantwortungsvolleren Modeindustrie voranzutreiben. Wie andere Hersteller auch, ist Zalando im Rahmen der EPR-Richtlinie für den gesamten Lebenszyklus seiner Produkte verantwortlich, insbesondere im Hinblick auf Abfallmanagement und Recycling.

2024 stieß der manuelle EPR-Compliance-Prozess von Zalando zunehmend an seine Grenzen. Da Millionen von Produkten im Einklang mit Abfallentsorgungsvorschriften präzise klassifiziert werden mussten, wurde eine höhere Effizienz bei gleichzeitig geringerem Fehlerrisiko erforderlich, um einen reibungslosen Betrieb und die Einhaltung regulatorischer Vorgaben in mehreren Märkten sicherzustellen.

Zalando wandte sich an seinen langjährigen Partner EPAM, um dessen umfassende Expertise in den Bereichen Daten und ML zu nutzen und eine Lösung zur Bewältigung dieser Herausforderungen zu entwickeln. Gemeinsam wurde ein integriertes ML-Produkt entwickelt, das die Herangehensweise von Zalando an die EPR-Compliance grundlegend verändert hat.

Entwicklung einer skalierbaren EPR-Lösung

Das Team von EPAM entwickelte ein erweiterbares, ausbaufähiges und konfigurierbares System unter Nutzung der AWS-Cloud-Infrastruktur, das EPR-Tags automatisch zuweist. Die Lösung nutzt ML-basierte Datenpipelines in Databricks, wobei jedes Modell präzise darauf trainiert wird, Artikel gemäß der EPR-Gesetzgebung anhand von Produktattributen, Anzeigenamen und Beschreibungen zu kennzeichnen. So wird eine Klassifizierungsgenauigkeit erreicht, die menschliche Fähigkeiten übertrifft und gleichzeitig die Flexibilität gewährleistet, sich an ändernde Vorschriften anzupassen.

Ein wesentlicher Bestandteil der Lösung ist die EPR-Steuerungsebene, die dynamische Re-Konfigurationsfunktionen bietet, um Echtzeit-Anpassungen an Kategorien, Prioritäten und Compliance-Regeln zu ermöglichen. Dies hilft Zalando, schnell auf regulatorische Änderungen in verschiedenen Ländern zu reagieren und gleichzeitig neue Produktkategorien nahtlos in seinen Compliance-Rahmen zu integrieren.

Die neue EPR-Lösung führte in vier Schlüsselbereichen zu deutlichen Verbesserungen:

Erhöhung der Transparenz des EPR-Prozesses

Verbesserung der allgemeinen Datenqualität, Genauigkeit und Zuverlässigkeit

Reduzierung des manuellen Validierungsaufwands

Skalierung des EPR-Klassifizierungsprozesses

Key Features

Weist automatisch allen Produktartikeln und allen neuen Produkten, die auf der Website veröffentlicht werden, EPR-Tags zu

Ermöglicht es Nutzenden, auf der Grundlage einer Gesetzesänderung eine neue EPR-Kategorie für ein bestimmtes Land zu erstellen oder zu bearbeiten

Ermöglicht es Nutzenden, mehrere Länder einer einzigen EPR-Kategorie zuzuordnen, um Modelle für dieselbe Gesetzgebung länderübergreifend effizient wiederzuverwenden und die Wartbarkeit zu verbessern

Ermöglicht das Filtern und Sortieren der Daten in Tabellen für eine bessere Benutzererfahrung
Ermöglicht die Überprüfung oder Neuzuordnung von ML-generierten Tags, wenn ein Produkt eine sehr geringe Wahrscheinlichkeit für eine EPR-Vorhersage aufweist

Bietet eine Versionskontrollfunktion, die protokolliert, ob und warum ein EPR-Tag bearbeitet oder aktualisiert wurde

Ermöglicht es Nutzenden, Prioritäten für EPR-Kategorien festzulegen und EPR-Tags für bestimmte Fälle zu überschreiben

Ermöglicht das erneute Training des Modells mit neuen Daten, um die Genauigkeit zu verbessern und/oder potenzielle Gesetzesänderungen zu berücksichtigen