Jonas Albrecht
Schreibt über Geschäftsmodelle, Margen, Pricing und internationale Expansion in der Mode.
Artikel von Jonas Albrecht
KI im Merchandising der Mode: was sie leistet, was sie braucht und wo sie scheitert
Maschinelles Lernen unterstützt heute Entscheidungen zu Prognose, Sortiment, Preisgestaltung und Planung in der Mode. Dieser Leitfaden erklärt die Anwendungsfälle, die Daten, von denen sie abhängen, und wie Merchandiser die Kontrolle behalten.
Wie senkt KI-gestützte Bestandsoptimierung Altware und Fehlbestände in der Mode?
Modeware ist verderblich: Zu viel endet in Abschriften, zu wenig in entgangenen Verkäufen. Wie KI-Modelle beides ausbalancieren, welche Belege es gibt und was sie brauchen, um zu funktionieren.
Was ist Demand Sensing, und wie funktioniert es in der Mode?
Demand Sensing aktualisiert kurzfristige Prognosen mit den neuesten Verkäufen und externen Signalen. In der Mode verbessert es vor allem Entscheidungen während der Saison: Nachschub, Umlagerungen und Abschriften.
Wie kann KI Open-to-Buy und die Merchandise-Budgetplanung verbessern?
Open-to-Buy zeigt Einkäufern, wie viel sie noch ausgeben können, ohne Umsatz- und Bestandsziele zu verfehlen. KI kann diese Zahl aktuell und realistischer halten, vorausgesetzt, der Plan dahinter ist solide.
Wie H&M KI einsetzt: Nachfrage, Allokation und digitale Zwillinge
H&M setzt seit 2018 Analytics und KI für Einkaufsmengen, Filialallokation und Preisgestaltung ein, seit 2025 auch für Kampagnenbilder. Was dokumentiert ist und was das Unternehmen nicht offengelegt hat.
KI für Merchandiser und Planer: ein Praxisleitfaden
Wie KI in der Mode die Warenwirtschaftsplanung, Prognose, Allokation, Nachversorgung und Preisreduzierungen unterstützt, welche Daten sie braucht, was Planer weiterhin entscheiden und wie der Einstieg gelingt.
KI-Bedarfsprognose in der Mode: wie sie funktioniert und wo sie scheitert
Maschinelles Lernen kann Modeprognosen für Carry-over-Linien und Replenishment verbessern, doch neue Modelle, kurze Saisons und Trendwechsel bleiben schwierig. Was Führungskräfte erwarten sollten und was nicht.
KI und Preisgestaltung: Markdown-Optimierung erklärt
Markdown-Optimierung nutzt Nachfragemodelle, um zu entscheiden, wann und wie stark reduziert wird. Wie sie funktioniert, was sie braucht und warum Marke und Wholesale-Beziehungen ihre Grenzen setzen müssen.
Das KI-Vokabular, das jeder Einkäufer in der Mode kennen sollte
Lieferanten, Marken und interne Teams sprechen zunehmend von Modellen, Agenten und Embeddings. Ein praktisches Glossar für Einkäufer in der Mode, mit der Bedeutung jedes Begriffs für Einkaufsentscheidungen.
Open-to-Buy erklärt: wie Modehändler ihren Einkauf budgetieren
Das Open-to-Buy zeigt einer Einkäuferin, wie viel Ware noch gekauft werden kann, ohne den Plan zu sprengen. So wird es berechnet, genutzt und häufig falsch angewendet.
Der Einkaufskalender im Handel: ein Jahr im Leben einer Modeeinkäuferin
Modeeinkäufer arbeiten an mehreren Saisons gleichzeitig. Wie das Einkaufsjahr aufgebaut ist, was in jeder Phase geschieht und wie sich der Kalender verschiebt.
Handelskennzahlen erklärt: Sell-through, GMROI und Reichweite in Wochen
Drei Kennzahlen beantworten die meisten Fragen zur Leistung von Modebeständen. Wie man Sell-through, GMROI und Reichweite in Wochen berechnet und gemeinsam liest.
Wie Margen in der Mode funktionieren, von der Fabrik bis zur Verkaufsfläche
Von den Fabrikkosten bis zum Preis auf dem Etikett: wie Einstandskosten, Wholesale-Aufschlag und Handelsaufschlag zusammenwirken und warum Markdowns entscheiden, welche Marge wirklich verdient wird.
Preisarchitektur: Grosshandelspreis, UVP und Preislisten in Fremdwährung
Wie Modemarken Preislagen, Grosshandelspreise, unverbindliche Preisempfehlungen und Währungslisten zu einem stimmigen System verbinden, dem Händler vertrauen und das die Finanzabteilung verteidigen kann.