Das Datenmodell des Auftragsbuchs: Was eine KI daraus lesen können muss
Ein KI-Assistent ist nur so gut wie die Struktur des Auftragsbuchs, das er liest. Dieser Erklärtext beschreibt die Entitäten, Schlüssel und Statusfelder, auf die es ankommt.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Ein Datenmodell für das Wholesale-Auftragsbuch verknüpft Kunden, Produkte, Aufträge, Lieferfenster, Preise und Status. Ein KI-Agent kann nur dann verlässlich antworten, wenn diese Verknüpfungen explizit sind.
- Global Trade Item Numbers (GTIN), die in EAN- und UPC-Barcodes geführt werden, identifizieren Produkte über Lieferketten hinweg. Damit eignen sie sich als natürlicher Schlüssel, um Auftragspositionen mit Bestands- und Sell-out-Daten zu verknüpfen.
- Klare Statusfelder (bestätigt, aufgeteilt, storniert, versandt, fakturiert) sind für die Zuverlässigkeit einer KI wichtiger als zusätzliche beschreibende Felder.
- Die Zusammenfassung von Le New Black zur State of Fashion 2026 erwartet, dass Händler von Marken strukturierte Attribute, einheitliche Begriffe und eine klare Kategorisierung verlangen.
- Bevor Sie einen KI-Agenten anbinden, testen Sie ihn an einer schreibgeschützten Kopie und prüfen Sie die Antworten anhand bekannter Aufträge.
Eine KI, die ein Wholesale-Auftragsbuch liest, braucht ein einheitliches Modell dazu, wer was zu welchem Preis, für welches Lieferfenster und in welchem Status bestellt hat. Liegen diese Beziehungen als Freitext vor oder sind sie auf mehrere Systeme verstreut, rät die KI, und Raten kostet bei Auftragsdaten viel.
Was ist ein Auftragsbuch im Wholesale?
Das Auftragsbuch ist die Gesamtheit aller bestätigten und offenen Aufträge von Handelskunden für eine Saison oder einen Zeitraum. Es enthält den Kunden, die bestellten Styles und Grössen, Mengen, Preise, Konditionen und Liefertermine. Es steuert Produktionszusagen, Finanzprognosen und den Kundenservice, und Vertriebsmitarbeiter sehen darin, was ein Kunde bereits gekauft hat.
Aus Sicht einer KI ist das Auftragsbuch eine Menge von Tabellen, an denen fachliche Bedeutung hängt. Ein Vertriebsmitarbeiter weiss, dass eine Position mit Menge null und einem Stornocode bedeutet, dass der Händler einen Style gestrichen hat, und dass eine Position mit geändertem Liefertermin wahrscheinlich eine ausgehandelte Verschiebung ist. Die KI weiss davon nichts, wenn die Bedeutung nicht in den Daten oder in einer Dokumentation steht, die sie lesen kann.
Die Mode bringt Komplikationen mit, die andere Branchen nicht kennen. Ein einzelner Style gibt es in mehreren Farben und Grössen, oft als Grössenreihen oder Prepacks, und Aufträge können in derselben Saison für mehrere Lieferfenster erteilt werden. Ein Modell, das einen Style als einzelnen Artikel behandelt, liest Mengen und Werte falsch.
Welche Entitäten sollte das Datenmodell enthalten?
| Entität | Schlüsselfelder | Wozu die KI sie braucht |
|---|---|---|
| Kunde | Kunden-ID, juristische Einheit, Lieferadressen, Segment, Währung, Konditionen | Beantwortet, wer bestellt und wohin die Ware geht |
| Produkt / SKU | Style, Farbe, Grösse, GTIN, Saison, Kategorie | Verknüpft Auftragspositionen mit Bestand und Sell-out |
| Auftragskopf | Auftrags-ID, Datum, Kanal, Vertriebsmitarbeiter, Status | Zeigt Herkunft und Lebenszyklus |
| Auftragsposition | Menge, Stückpreis, Rabatt, Lieferfenster, Positionsstatus | Ermöglicht, Teillieferungen und Stornierungen korrekt zu lesen |
| Preisliste | Preislisten-ID, Gültigkeitsdaten, Währung, Regeln | Erklärt, warum ein Preis angewendet wurde |
| Lieferung / Sendung | Versanddatum, Spediteur, Tracking, Mengen | Schliesst den Kreis zu dem, was angekommen ist |
Zwei weitere Strukturen sollten ausdrücklich modelliert werden: das Sortiment (welche Styles welchem Kunden unter welchen Bedingungen angeboten wurden) und die Änderungshistorie der Aufträge. Mit Sortimentsdaten kann eine KI Fragen dazu beantworten, was ein Kunde nicht gekauft hat, was für einen Vertriebsmitarbeiter oft wertvoller ist als das, was er gekauft hat. Mit der Änderungshistorie kann sie erklären, wie sich ein Auftrag entwickelt hat.
Warum sind Schlüssel und Kennungen wichtig?
Eine KI, die Auftragspositionen mit Bestand, Retouren oder Sell-out im Handel verknüpft, muss dasselbe Produkt in jedem System identifizieren können. GS1 beschreibt EAN- und UPC-Barcodes als die am längsten etablierten und am weitesten verbreiteten seiner Barcodes, die auf praktisch jedem Konsumprodukt aufgedruckt sind. Wird eine GTIN im SKU-Datensatz geführt, ist der Abgleich über Systeme hinweg unkompliziert. Werden Produkte über beschreibende Namen zugeordnet, schleichen sich Fehler ein, besonders wenn Farbnamen je nach System abweichen.
Dasselbe gilt für Kunden. Erscheint ein Händler unter drei leicht unterschiedlichen Namen, gibt eine KI auf die Frage nach den Gesamtaufträgen dieses Händlers eine unvollständige Antwort, solange es keine übergeordnete Kunden-ID gibt.
Die Zusammenfassung von Le New Black zur State of Fashion 2026 erwartet, dass Händler in den von Marken gelieferten Produktdaten strukturierte Attribute, einheitliche Begriffe und eine klare Kategorisierung suchen. Dieselbe Disziplin hilft dem internen KI-Einsatz: einheitliche Attributnamen, etwa immer dieselbe Definition von «Farbe» und dieselbe Liste von Grössenskalen, verringern stille Fehler.
Welche Statusfelder verhindern falsche Antworten?
Viele falsche KI-Antworten zu Aufträgen gehen auf einen mehrdeutigen Status zurück. Ist ein Auftrag «offen», weil er unbestätigt ist oder weil er auf den Versand wartet? Gilt «storniert» für eine Position oder für den ganzen Auftrag? Definieren Sie auf Kopf- und Positionsebene einen kleinen, sich gegenseitig ausschliessenden Satz von Status, mit Zeitstempeln für jede Änderung. Mit einer Historie auf Positionsebene kann die KI Fragen beantworten wie die, wann sich ein Liefertermin verschoben hat und wer ihn geändert hat.
- Verwenden Sie für Status, Begründungscodes und Kanal kontrollierte Listen statt Freitext.
- Erfassen Sie das ursprüngliche und das aktuelle Lieferfenster.
- Speichern Sie die Preisquelle (Liste, Sonderpreis, manuelle Übersteuerung) in jeder Position.
- Halten Sie Währung und steuerliche Behandlung explizit fest.
- Bewahren Sie die Änderungshistorie für die Revision auf und damit die KI Änderungen erklären kann.
Preise verdienen dieselbe Behandlung. Wird eine KI gefragt, warum eine Auftragssumme von der Preisliste abweicht, muss sie sehen können, ob ein Rabatt, ein Sonderpreis oder eine manuelle Übersteuerung angewendet wurde und wer dies genehmigt hat. Ohne das rät sie entweder oder meldet eine Abweichung ohne Erklärung. Beides hilft einem Vertriebsmitarbeiter nicht, der einem Einkäufer Antwort geben muss.
Wie sollte ein KI-Agent auf das Auftragsbuch zugreifen?
Am sichersten ist eine schreibgeschützte Schnittstelle, die kuratierte Sichten statt Rohtabellen bereitstellt. Sichten können Kunden, Produkte und Aufträge vorab verknüpfen und Zugriffsregeln anwenden, sodass ein Vertriebsmitarbeiter nur seine eigenen Kunden sieht. Das Zurückschreiben, etwa das Anlegen eines Auftragsentwurfs, sollte ein eigener, beaufsichtigter Schritt sein.
Die Umfrage State of AI von McKinsey (2026) berichtet, dass 40 Prozent der Befragten in Organisationen mit mehr als 1 Milliarde Dollar Umsatz angeben, KI-Agenten auszubauen, während der Anteil bei kleineren Organisationen 22 Prozent beträgt. Zahlen speziell zur Mode werden nicht genannt, doch sie zeigen, dass der Einsatz von Agenten zunimmt und dass gerade kleinere Unternehmen einfache, sichere Datenschnittstellen brauchen.
Die Zugriffskontrolle gehört zum Datenmodell und ist kein nachträglicher Gedanke. Vertriebsmitarbeiter sollten nur ihre eigenen Kunden sehen, Regionalleiter ihre Region und die Finanzabteilung alles, was für die Kreditprüfung relevant ist. Läuft ein KI-Assistent unter einem einzigen privilegierten Dienstkonto, kann er Informationen über diese Grenzen hinweg preisgeben. Reichen Sie die Identität des Benutzers an die Datenschicht durch, damit die bestehenden Berechtigungen gelten.
Wie testen Sie, ob das Modell funktioniert?
- Wählen Sie 20 reale Fragen, die Vertriebsmitarbeiter stellen, etwa was ein Kunde in der letzten Saison bestellt hat und was noch nicht geliefert ist.
- Beantworten Sie diese manuell aus den Quellsystemen.
- Fragen Sie die KI und vergleichen Sie, wobei Sie jede Abweichung und ihre Ursache festhalten.
- Beheben Sie dort, wo der Fehler strukturell ist, die Daten oder die Sicht, nicht den Prompt.
- Wiederholen Sie dies nach jeder Änderung am Auftragssystem.
Führen Sie ein Protokoll über jede Frage, die die KI falsch beantwortet hat, und ordnen Sie die Ursache ein: mehrdeutiger Status, doppelter Kunde, fehlender Schlüssel, veraltete Daten oder ein Missverständnis der Frage. Über einige Wochen zeigt das Protokoll, welche Korrekturen am wichtigsten sind, und es wird zu einem Regressionstest, der sich bei jeder Änderung am Auftragssystem oder am KI-Werkzeug erneut ausführen lässt.
Häufige Fragen
Was ist ein Datenmodell für das Auftragsbuch?
Es ist die Struktur, die Kunden, Produkte, Auftragsköpfe, Auftragspositionen, Preise, Lieferfenster und Status verknüpft, sodass Aufträge einheitlich gelesen und ausgewertet werden können.
Warum braucht eine KI GTINs oder andere Produktkennungen?
Kennungen ermöglichen es der KI, Auftragspositionen mit Bestand, Lieferungen und Sell-out-Daten abzugleichen, ohne auf beschreibende Namen angewiesen zu sein, die sich zwischen Systemen unterscheiden.
Sollte ein KI-Agent Aufträge ändern dürfen?
Beginnen Sie mit Lesezugriff auf kuratierte Sichten. Entwürfe oder Änderungsvorschläge sollten nur mit menschlicher Freigabe und lückenlosem Prüfpfad zulässig sein.
Wie kann ich testen, ob meine Auftragsdaten KI-tauglich sind?
Verwenden Sie reale Fragen mit bekannten Antworten, fragen Sie die KI und gehen Sie jeder Abweichung nach. Die meisten Fehler lassen sich auf mehrdeutige Status, doppelte Kunden oder uneinheitliche Produktschlüssel zurückführen.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
