Filiale für Filiale: Was KI-gestützte lokale Sortimente wirklich bringen

Als das Operations-Team von Zara und Forschende eine neue Methode testeten, um zu entscheiden, wie viel von jedem Artikel in welche Filiale geliefert wird, führten sie sie als kontrolliertes Feldexperiment durch. Das Ergebnis, 2010 in der Fachzeitschrift Interfaces veröffentlicht, war ein Umsatzplus von 3 bis 4 %, das die Autoren für 2008 auf rund USD 353 Millionen zusätzlichen Umsatz schätzten. Das Modell kam ohne generative KI aus. Es verknüpfte den Bestand jeder Filiale in jeder Grösse mit der Nachfrage und bestimmte die Lieferungen aus zwei Zentrallagern an rund 1'500 Filialen.

Fünfzehn Jahre später versprechen Händler und Softwareanbieter weit mehr: auf jedes Quartier zugeschnittene Sortimente, filialgenau abgestimmte Grössenkurven, lokale Trends, die erkannt werden, bevor sie sich ausbreiten. Die Evidenz ist dünner als das Versprechen. Die Fälle mit veröffentlichten Zahlen, von Guess bis Hackett, betreffen Allokation und Nachschub: wie viele Einheiten eines bestehenden Sortiments in welche Filiale gehen und wann. Wirklich unterschiedliche Sortimente pro Filiale, per Algorithmus gewählt, bleiben selten und öffentlich weitgehend unvermessen.

Das ist jetzt wichtig, weil die Wirtschaftlichkeit Präzision belohnt. Händler halten mehr Ware für Entscheide während der Saison zurück, senken Preisnachlässe und betreiben weniger, dafür grössere Filialen. Jede Einheit, die an die falsche Filiale geht, wird zum Preisnachlass oder zum entgangenen Verkauf. Für Merchandiser lautet die Frage nicht, ob sie lokalisieren sollen, sondern welche Entscheide KI auf Filialebene zuverlässig treffen kann und welche Daten dafür nötig sind.

Was bedeutet lokalisiertes Sortiment im Modehandel?

Lokalisierung umfasst vier verschiedene Entscheide, die oft vermischt werden. Das Sortiment bestimmt, welche Styles eine Filiale überhaupt führt. Die Allokation legt die Startmengen jedes Styles, jeder Farbe und Grösse pro Filiale fest. Der Nachschub füllt die Filialen während der Saison aus dem Zentralbestand auf. Die Optimierung von Grössen und Tiefe passt die Grössenkurve und die Zahl der Einheiten pro Option an die lokale Nachfrage an. Eine Filiale, die dieselben Styles wie jede andere erhält, aber andere Mengen und Grössenverteilungen, ist im Sinne der Allokation lokalisiert, nicht im Sinne des Sortiments.

Die Mode macht alle vier Entscheide schwieriger als der Lebensmittelhandel. Die meisten Styles werden nur eine Saison lang verkauft, daher gibt es wenig Historie pro Artikel und Filiale. Die Nachfrage verteilt sich auf viele Grössen und Farben, sodass die Verkäufe pro SKU und Filiale klein und verrauscht sind. Und wenn ein Artikel ausverkauft ist, verbucht das System null Verkäufe statt der unbefriedigten Nachfrage. Jedes Modell, das nur aus Verkäufen lernt, unterschätzt die Nachfrage genau in den Filialen, in denen ein Produkt am besten lief.

Was belegt, dass die Optimierung auf Filialebene den Umsatz steigert?

Die Zara-Studie bleibt der Massstab, weil sie gegen eine Kontrollgruppe getestet wurde. Ihre Autoren, Forschende in Zusammenarbeit mit Zara-Mitarbeitenden, beschrieben ein Modell, das den Bestand jeder Filiale aus der Perspektive der Grössenverteilung betrachtete und den Bestand jeder Grösse mit der erwarteten Nachfrage verknüpfte, um zu bestimmen, wie viele Einheiten geliefert werden. Die Logik leuchtet jedem Merchandiser ein: Ein Style, dem die wichtigen Grössen fehlen, verkauft sich schlecht, selbst wenn noch Stücke auf der Stange hängen. Das geschätzte Umsatzplus von 3 bis 4 % entstand durch die intelligentere Verteilung derselben Produkte, nicht durch ein verändertes Sortiment.

H&M ging 2018 einen Schritt weiter. Wie Retail Dive unter Berufung auf das Wall Street Journal berichtete, nutzte der Konzern Algorithmen, die Kassenbons, Retouren und Kundenkartendaten auswerteten, um das Sortiment einer Filiale im wohlhabenden Stockholmer Quartier Östermalm anzupassen. Die Analyse zeigte, dass die meisten Kunden der Filiale Frauen waren und dass modische Artikel wie Röcke mit Pastellblumen sowie höherpreisige Produkte besser liefen als erwartet. Der Umsatz verbesserte sich laut Bericht deutlich, eine Zahl wurde jedoch nicht genannt. Der Kontext war Druck: H&M hatte rund USD 4 Milliarden unverkaufte Ware abzubauen und 4'288 Filialen weltweit, viele davon mit ähnlicher Ware bestückt. Die Filiale in Östermalm wurde mit einer breiteren Preisspanne neu bestückt, von T-Shirts für USD 6 bis zu Kaschmirpullovern für USD 107 und Ledertaschen für USD 118, ein früher Hinweis darauf, dass lokale Daten ein Trading-up ebenso rechtfertigen können wie ein Zurückfahren.

Welche Modehändler nutzen KI, um Ware filialgenau zu verteilen?

Der detaillierteste aktuelle Fall stammt von Guess. Laut einer im Juni 2025 von Nextail, dem Softwareanbieter, veröffentlichten Fallstudie hält Guess 50 bis 60 % seiner Ware für den Bedarf während der Saison zurück und wollte von starren Filialclustern, hohen Erstzuteilungen und manuellen Anpassungen wegkommen. Das Unternehmen stellte auf einen vollautomatisierten Nachschub um, der von hyperlokalen Nachfrageprognosen gesteuert wird, mit Livegang in ganz EMEA innerhalb von sechs Monaten. Gemeldete Ergebnisse: Abverkaufsquote zum vollen Preis plus 5 Prozentpunkte, Filialreichweite minus 7,5 % und 13 % weniger Out-of-Stocks. Daniel Botey, Vice President Global Inventory Management, führte die Veränderung auf bessere Verfügbarkeit und datengestützte, automatisierte Bestandsentscheide zurück.

Der Massstab macht den Punkt deutlich. Guess weist mehr als EUR 2,8 Milliarden Jahresumsatz und über 1'000 Filialen weltweit aus, dazu partnergeführte Standorte. In dieser Grössenordnung kann keine Planerin und kein Planer jede SKU, jede Filiale und jeden Tag von Hand prüfen, die Wahl liegt also zwischen groben Regeln für Filialcluster und einem Modell, das die Mengen für jeden Standort festlegt. «Bei Guess setzen wir auf disruptive Technologie und wollten sicherstellen, dass Lösungen von Anfang an gezielt entwickelt wurden», sagte Julien Jacotey, Head of Planning and Allocation, und erklärte damit, warum die Marke ein generisches System mied.

Hackett London, die Herrenmodemarke im Besitz von AWWG mit mehr als 160 Filialen in über 30 Ländern, meldete in einer Nextail-Fallstudie ähnliche Effekte: 25 % weniger entgangene Verkäufe in Filialen, die vom System beliefert werden, 75 % weniger Zeitaufwand für Nachschubaufgaben und 50 % weniger wöchentliche Lieferungen aus dem Lager in Barcelona nach Grossbritannien. «Die Filialen erhielten mehr Tiefe bei dem, was sich verkaufte, insbesondere bei Bestsellern», sagte Daniel Jenkins, Merchandise Manager. Die Fallstudie nennt kein Datum, was den Vergleich einschränkt. Vor der Umstellung war der Nachschub manuell, zeitaufwendig und fehleranfällig, danach meldet die Marke eine Out-of-Stock-Quote unter 1 % und einen täglichen Bericht über die zehn Bestseller pro Standort samt verbleibender Bestandsreichweite.

Andere Ketten sind vorangegangen, ohne Ergebnisse zu veröffentlichen. Jules, ein französischer Herrenmodehändler mit 550 Filialen, erklärte im Februar 2024, eine KI-Plattform für Allokation und Nachschub während der Saison zu nutzen, um Ware dorthin zu schicken, wo sie sich eher verkauft. Im April 2026 teilte AllSaints mit, KI-native Tools für Trading, Prognose, Allokation und Nachschub, Preisreduktionen und Sortimentsplanung einzuführen, wobei die wöchentlichen Trading-Berichte nach Abteilung am Montag um 8 Uhr statt erst später am Tag vorliegen sollen. «Ich möchte, dass sich unsere Teams einloggen und ihnen gesagt wird, was weltweit in unserer Marke passiert», sagte Alfie Meekings, Chief Transformation and Technology Officer.

Was machen die grössten Händler mit lokalen Nachfragedaten?

Die grössten Konzerne sprechen mehr über Dateninfrastruktur als über lokale Sortimente. Gap Inc. richtete 2024 ein Office of AI ein. Der frühere Interims-Chief-Information-Officer sagte 2022, ein Prognosemodell, das Verkaufsdaten und Produktmerkmale verarbeitet, steuere Einkauf, Platzierung und Preisgestaltung und könne zeigen, welche Grössen bestimmter Artikel in einzelnen Filialen am besten laufen. In den Ergebnissen vom November 2025 führte Gap einen Produktivitätsgewinn von fast 30 % in seiner Lieferkette auf Automatisierung und KI im Fulfillment-Netz zurück, und Finanzchefin Katrina O'Connell sagte, ein disziplinierter Umgang mit dem Bestand habe die Stückbestände leicht sinken lassen.

Walmart lokalisiert im klassischen Sinn. Im April 2026 berichtete Bloomberg, zusammengefasst von PYMNTS, das Unternehmen erweitere lokale und regionale Sortimente in den Filialen, beginnend mit Kategorien wie Kaffee in Florida und lokalen Saucenmarken andernorts. Ein Sprecher sagte, das Unternehmen kombiniere Technologie mit der Erfahrung seiner Einkäufer, um Produkte zu finden, die lokale Kunden schätzen, und sie rasch in die Regale zu bringen. Bloomberg wies auf den Zielkonflikt hin: Lokale Lieferanten sind meist kleiner und anfälliger für Lieferkettenprobleme als nationale Marken.

Fast Retailing zeigt, dass Leistung auf Filialebene nicht immer aus Algorithmen entsteht. Uniqlos Inlandsumsatz stieg im Geschäftsjahr bis August 2025 um 10 % auf rund 1,03 Billionen Yen. Über fünf Jahre schloss der Konzern 30 japanische Filialen, während die durchschnittliche Verkaufsfläche pro Filiale um 10 % und der durchschnittliche Umsatz pro Filiale um 13 % wuchsen, was Inside Retail unter Berufung auf Nikkei mit grösseren Flächen verband, auf denen mehr Produkte gezeigt werden. Der Konzern nutzt Kundenbewertungen und Rückmeldungen des Support-Centers, um Produkte zu verbessern und die Nachfrage zu prognostizieren, doch in seiner öffentlichen Berichterstattung stehen grössere Filialen und weniger, dafür stärkere Produkte im Vordergrund, nicht filialspezifische Sortimente.

Auch Online-Kanäle verändern die Rechnung. Marks and Spencer will den jährlichen Online-Umsatz im Non-Food-Bereich auf fast GBP 3 Milliarden verdoppeln und den Online-Anteil an Mode, Wohnen und Beauty mittelfristig von rund 34 % auf 50 % steigern, wobei mehr als 1'000 Filialen für Click and Collect und Retouren genutzt werden. Wenn das gesamte Sortiment einen Klick entfernt ist und Filialen zugleich als Abholstellen dienen, kann das physische Sortiment einer Filiale schmaler und lokaler sein, sofern die Bestandsdaten über alle Kanäle hinweg zuverlässig genug sind, um zu versprechen, was tatsächlich verfügbar ist.

Welche Daten braucht KI auf Filialebene, damit sie funktioniert?

Zuerst kommt die Bestandsgenauigkeit. Das Technikteam von Target berichtete im Oktober 2023, dass physische Kontrollen etwas Unbequemes ans Licht gebracht hatten: Die Hälfte der Out-of-Stocks war den eigenen Systemen unbekannt, weil die Datensätze Ware auswiesen, die nicht im Regal lag. Target baute ein Ensemble von Modellen, das solchen Phantombestand aus Verkaufs-, Bewegungs- und Nachschubmustern ableitet, den Lagerbestand auf null setzt und eine Auffüllung auslöst, und meldete einen erheblichen Umsatzanstieg bei den betroffenen Produkten, ohne eine Zahl zu nennen. Die Grössenordnung ist aufschlussreich: fast 2'000 Filialen und ein Sortiment von mehr als 100'000 SKUs. Target testete auch Regalrandkameras und andere Sensoren und verwarf sie dann als Erkennungsmethoden, weil sie teuer und im grossen Massstab schwer zu warten waren. Im Oktober 2025 sagte Prat Vemana, Chief Information and Product Officer, Target nutze «KI, um früher als bisher zu erkennen, wenn Artikel knapp werden».

Für die Mode ist die Lehre eindeutig. Ein Modell, das Grössenkurven oder Sortimente pro Filiale aus der Verkaufshistorie zuschneidet, liegt überall dort falsch, wo der erfasste Bestand von der Realität abweicht, und es liest einen Ausverkauf als schwache Nachfrage. KI auf Filialebene braucht verlässliche Bestände pro SKU und Filiale, idealerweise aus Tagging auf Artikelebene, sowie Schätzungen der entgangenen Verkäufe bei Out-of-Stocks.

• Verkäufe und Bestand pro SKU, Filiale und Tag, bereinigt um Umlagerungen, Retouren und Aktionen.
• Schätzungen entgangener Verkäufe für Zeiträume, in denen eine Grösse oder Farbe fehlte, damit Ausverkäufe nicht als geringe Nachfrage gelesen werden.
• Filialmerkmale wie Fläche, Einrichtung, Klima, lokale Ereignisse und Kundenmix aus Kundenkartendaten, soweit die Einwilligung dies erlaubt.
• Produktmerkmale in einheitlichen Feldern, damit ein neuer Style Historie von ähnlichen übernehmen kann.
• Operative Rahmenbedingungen: Mindestpräsentationen, Packgrössen, Liefertage und Umlagerungskosten.

Welche Risiken und Grenzen hat KI-gesteuerte Lokalisierung?

Die meisten veröffentlichten Ergebnisse stammen von Softwareanbietern oder von den Händlern, die die Software gekauft haben, ohne Kontrollgruppen, Vergleichsbasis oder Zeitrahmen. Die Zara-Studie ist die Ausnahme, und ihr Ergebnis von 3 bis 4 % ist ein nützlicher Realitätscheck gegenüber Behauptungen zweistelliger Verbesserungen. Merchandiser, die Ergebnisse beurteilen, sollten fragen, was womit verglichen wurde, über welche Saison und in wie vielen Filialen.

Lokalisierung erhöht auch die Komplexität. Unterschiedliche Sortimente pro Filiale bedeuten mehr SKUs im Einkauf, mehr Packs, mehr Varianten im Visual Merchandising und schwierigere Preisentscheide. Kleine Filialen liefern wenig Daten pro Artikel, weshalb Modelle dazu neigen, auf Cluster zurückzufallen, was dem manuellen Vorgehen nahekommt, das sie ersetzen sollten. Walmarts Vorsicht bei kleineren lokalen Lieferanten zeigt die Angebotsseite desselben Problems.

Dazu kommt ein Zielkonflikt zwischen Tiefe und Verfügbarkeit. Guess senkte die Filialreichweite um 7,5 % und reduzierte zugleich die Out-of-Stocks, was zeigt, was guter Nachschub leisten kann: weniger Ware in den Filialen, aber in den richtigen Grössen. Zu weit getrieben, lassen schlanke Filialen wenig Raum für Kundschaft, die stöbern möchte, und eine einzige verspätete Lieferung leert eine Stange. Merchandiser müssen Mindestpräsentationsmengen festlegen, die die Marke abbilden und nicht nur die Prognose.

Ein weiteres Risiko ist die Abhängigkeit von Systemen. Als ein Cyberangriff Marks and Spencer im April 2025 traf, legte er den Online-Verkauf lahm, kostete rund GBP 300 Millionen an entgangenem Gewinn und zwang den Händler zurück zu manuellen Abläufen, wie Reuters berichtete. M&S hat seither eine neue Merchandising-Funktion eingeführt, die eine zuvor manuelle Aufgabe automatisiert, und beschleunigt eine neue Planungsplattform. Je mehr die Allokation von automatisierten Entscheiden abhängt, desto mehr braucht ein Händler Rückfallregeln und Personen, die sie noch verstehen.

Schliesslich gibt es die Markenfrage. Ein Händler, dessen Filialen alle unterschiedlich aussehen, riskiert, die Identität zu verwässern, die Kunden erwarten, und ein Algorithmus, der nur aus dem lernt, was sich verkauft hat, kann Sortimente auf sichere Bestseller verengen. Die Erkenntnis aus Östermalm bei H&M, dass modische und höherpreisige Artikel besser liefen als erwartet, erinnert daran, dass lokale Daten auch für mehr Ambition sprechen können, nicht für weniger.

Was sollten Merchandiser der Mode jetzt tun?

1. Zuerst die Bestandsgenauigkeit herstellen. Prüfen Sie, wie oft der erfasste Filialbestand mit dem Regal übereinstimmt, und betrachten Sie Tagging auf Artikelebene und Inventurzählungen als Voraussetzung für jedes lokale Modell.
2. Mit Nachschub und Grössentiefe beginnen. Automatisieren Sie Nachschub während der Saison und Grössenkurven, bevor Sie unterschiedliche Sortimente pro Filiale versuchen, wo die Ergebnisse besser dokumentiert sind.
3. Ware gezielt zurückhalten. Planen Sie den Anteil des Einkaufs, der für die Allokation während der Saison reserviert wird, wie Guess mit 50 bis 60 %, damit lokale Nachfragesignale etwas bewirken können.
4. Gegen eine Kontrollgruppe testen. Lassen Sie Filialpaare oder Regionen mindestens eine Saison lang mit und ohne die neue Logik laufen und messen Sie Abverkauf, Preisnachlässe und entgangene Verkäufe.
5. Festlegen, wo lokale Sortimente Wert schaffen. Beschränken Sie echte Sortimentsunterschiede auf Kategorien mit klaren lokalen Treibern wie Klima, Tourismus oder lokale Kultur und halten Sie den Markenkern einheitlich.
6. Manuelle Rückfallregeln behalten. Dokumentieren Sie Allokationsregeln, die Teams bei einem Systemausfall anwenden können, und halten Sie Planer darin geübt, die Ergebnisse des Modells zu hinterfragen.