Jonas Hartmann
Schreibt über Geschäftsmodelle, Margen, Pricing und internationale Expansion in der Mode.
Artikel von Jonas Hartmann
Wie Revolve mit Daten und Algorithmen einkauft, Preise setzt und nachordert
Revolve testet Styles in kleinen Mengen und entscheidet über ein eigenes Dashboard, was nachgeordert wird. Im Zentrum steht der Verkauf zum vollen Preis. Wie das Modell funktioniert, wo KI heute ansetzt und was nicht offengelegt ist.
Wie nutzt Amazon Fashion KI für Grössenempfehlungen und Passform-Insights?
Amazon kombiniert Grössenberatung auf Basis von Deep Learning, KI-Zusammenfassungen von Bewertungen und ein Passform-Tool für Marken mit einem Shopping-Assistenten, der heute Alexa for Shopping heisst. Was Amazon veröffentlicht hat und was Marken tun sollten.
Wie prognostiziert man die Nachfrage für ein Modeprodukt ohne Verkaufshistorie?
Ein Grossteil eines Modesortiments ist jede Saison neu, klassische Zeitreihenprognosen haben also keine Grundlage. Wie KI Historie von ähnlichen Produkten, Bildern, Attributen und ersten Verkäufen entlehnt und wo sie noch an Grenzen stösst.
Wie kann KI den richtigen Einstiegspreis für ein Modeprodukt festlegen?
Der Einstiegspreis entscheidet, wie viel eines Produkts zum vollen Preis verkauft wird. Wie Elastizitätsmodelle die Preisreaktion der Kundschaft bei neuen Artikeln schätzen, welche Daten sie brauchen und wie man sie nutzt, ohne der Marke zu schaden.
Wie wählt man ein Tool für Bedarfsprognosen aus? Eine Checkliste für Modemarken
Software für Bedarfsprognosen verspricht weniger Bestand und weniger Fehlbestände, doch die Ergebnisse hängen davon ab, wie gut sie zu den Produktzyklen der Mode und zu Ihren Daten passt. Eine neutrale Checkliste, um Tools vor der Vertragsunterzeichnung zu bewerten.
Was ist Filial-Clustering, und wie verbessert KI es?
Filial-Clustering fasst Verkaufsstellen mit ähnlicher Kundschaft und Nachfrage zu Gruppen zusammen, damit jede Gruppe das passende Sortiment und die passende Tiefe erhält. Wie maschinelles Lernen Cluster bildet, welche Daten es nutzt und wo die Methode an Grenzen stösst.
Wie verbessern Wetter und externe Signale die Bedarfsprognose in der Mode?
Unsaisonales Wetter bewegt die Modeumsätze regelmässig, und Händler führen es oft in ihren Ergebnissen an. Was Wetter-, Event- und Suchdaten zur KI-gestützten Bedarfsplanung beitragen können, in welchem Umfang und wo die Belege dünn sind.
Welche KI-KPIs sollten Modeunternehmen in den einzelnen Funktionen messen?
Eine Checkliste der KI-Kennzahlen für Modeunternehmen, Funktion für Funktion: was zu messen ist, wie man Ausgangswerte festlegt und wie man Nutzung von echtem Geschäftsnutzen unterscheidet.
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.
Sell-out-Daten per EDI: SLSRPT, INVRPT und was man damit macht
Abverkaufs- und Bestandsberichte von Handelspartnern zeigen Marken, was sich tatsächlich verkauft, Filiale für Filiale und Grösse für Grösse. Wie die beiden EDI-Nachrichten funktionieren und wie Merchandising-Teams sie für Nachbestellungen nutzen können.
Wie machen Sie aus KI-Trendreports konkrete Sortiments- und Einkaufsentscheidungen?
KI-Trendplattformen beschreiben, was im Kommen ist; ein Sortimentsplan braucht Mengen, Preise und Risikogrenzen. Ein praxisnaher Ablauf vom Signal bis zur Order.
Was verraten Resale-Preise Designerinnen und Designern über Modetrends?
Second-Hand-Preise und Suchanfragen zeigen, welche Designs ihren Wert halten, welche Revivals kommen und welche Marken wieder begehrt werden. Wie Sie sie lesen und wo sie in die Irre führen.
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.