Welche 25 Fragen sollten Händler bei KI-Plattformen für Sortimentsplanung stellen?

Händler, die KI-gestützte Sortimentsplanungssysteme in Auftrag geben, stehen vor einem Paradoxon: Die Technologie verspricht erhebliche Produktivitätsgewinne, doch die meisten Implementierungen liefern nicht. In einer aktuellen Umfrage von McKinsey & Company gaben 71 Prozent der Händler an, KI-Merchandising-Tools hätten nur begrenzten bis gar keinen Effekt auf ihr Geschäft gehabt. Die Lücke zwischen Potenzial und Leistung resultiert typischerweise aus mangelhaften Datengrundlagen, fragmentierten Systemen und unklaren Integrationsanforderungen. Eine sorgfältige Ausschreibung sollte diese operativen Realitäten ansprechen, bevor Algorithmen oder Benutzeroberflächen evaluiert werden.

Welche Dateninfrastruktur muss die Plattform unterstützen?

KI-Merchandising-Systeme hängen vollständig von Datenqualität und Zugänglichkeit ab. Die meisten KI-Tools benötigen zuverlässige Daten, um effektiv zu funktionieren, wie Kunden, Produkte, Lagerbestände, Transaktionen und Clickstream-Analysen. Andere für die KI wertvolle Daten umfassen Retouren und Wettbewerberpreise. Doch fast die Hälfte der Einzelhandelsentscheidungsträger kämpft mit Datenzugänglichkeitsproblemen, und nur zwei von fünf (42 Prozent) haben erfolgreich Lücken zwischen Datensilos überbrückt. Bevor Sie Anbieter nach ihren Algorithmen fragen, bestätigen Sie, dass sie Mindestdatenanforderungen spezifizieren, fehlende oder inkonsistente Daten handhaben und mit bestehenden Data Warehouses oder Data Lakes integrieren können.

• Welche Transaktions-, Lager-, Produktattribut- und Hierarchiedaten sind erforderlich versus optional?
• Wie geht das System mit unvollständigen Produkthistorien, saisonalen Artikeln oder neuen SKUs mit begrenzten Verkaufsdaten um?
• Welche Datenqualitätsprüfungen sind in Aufnahme-Pipelines integriert?
• Kann die Plattform mit Batch-Updates arbeiten oder erfordert sie Echtzeit-Streams?
• Wie werden Produkthierarchien, Filialcluster und Grössenkurven definiert und gepflegt?

Nur 23 Prozent der Omnichannel-Händler verfügten 2025 über eine einheitliche Datenschicht, die Echtzeit-KI-Modelle speisen konnte. Die verbleibenden 77 Prozent betreiben KI mit Teildaten, was Empfehlungen erzeugt, die sich über Kanäle widersprechen, und Prognosen, die kanalübergreifende Nachfrageverschiebungen verfehlen. Spezifizieren Sie, ob der Anbieter erwartet, dass Sie eine einheitliche Kundensicht liefern, oder ob sein System fragmentierte Quellen abgleichen kann.

Wie transparent und erklärbar sind KI-Prognosen?

Händler werden Empfehlungen nicht vertrauen, die sie nicht hinterfragen können. Der häufigste Grund, warum KI-Tools keine Akzeptanz finden, ist, dass Einkäufer und Planer nicht verstehen können, warum das System eine bestimmte Empfehlung gemacht hat. Fordern Sie Anbieter auf zu demonstrieren, wie Benutzer sehen können, welche Faktoren eine Prognose beeinflusst haben, Modellausgaben mit historischer Leistung vergleichen und Empfehlungen überstimmen können, wenn der Geschäftskontext es erfordert.

• Können Benutzer sehen, welche Variablen (Saisonalität, Werbeaktionen, Wetter, Trendsignale) eine bestimmte Prognose beeinflusst haben?
• Wie werden Prognose-Konfidenzintervalle angezeigt und aktualisiert?
• Welche Prüfspur existiert, wenn Benutzer KI-Empfehlungen akzeptieren, modifizieren oder ablehnen?
• Wie lernt das System aus Benutzerüberschreibungen?
• Werden Modelle automatisch oder nach einem festgelegten Zeitplan neu trainiert?

Im Merchandising kann KI Datenkonsolidierung, Prognosen und Werbeplanung automatisieren, um Kapazitätsgewinne von etwa 40 Prozent zu erschliessen. Systeme bleiben jedoch fragmentiert, Daten sind zu unordentlich, um nützliche Empfehlungen zu liefern, und die Akzeptanz ist ungleichmässig: 61 Prozent der Befragten sagen, dass ihre Organisation überhaupt nicht oder nur geringfügig darauf vorbereitet ist, KI im Merchandising zu skalieren. Transparente Modelle reduzieren Widerstand und beschleunigen die Akzeptanz.

Welche Integrationstiefe ist mit bestehenden Systemen erforderlich?

Führungskräfte wiesen durchgängig auf dieselben Herausforderungen hin: Abgleich von Daten über mehrere Systeme hinweg, Verwaltung von Ausnahmen, Mangel an Vision für interoperable Prozessabläufe und starke Abhängigkeit von Tabellenkalkulationen zur Aufrechterhaltung des operativen Flusses. Die Plattform muss sich mit ERP-, POS-, Merchandise-Finanzplanungs-, Allokations-, Preis- und PLM-Systemen verbinden, ohne neue Engpässe zu schaffen.

• Welche ERP-, POS- und Lagerverwaltungssysteme haben zertifizierte Integrationen?
• Bietet die Plattform vorgefertigte Konnektoren oder erfordert sie benutzerdefinierte API-Entwicklung?
• Wie werden Produkt-, Standort- und Hierarchie-Stammdaten synchronisiert?
• Können Sortimentspläne direkt in Bestellungen und Allokationsläufe fliessen?
• Was passiert, wenn vorgelagerte Systeme (PLM, Finanzplanung) Hierarchien oder Zeitpläne mitten in der Saison ändern?

Datenformatinkonsistenzen und Einschränkungen von Altsystemen sind häufige Hürden während der Integration. Bitten Sie Anbieter, Zeitpläne und Ressourcenanforderungen für die Integration bereitzustellen, einschliesslich der Frage, ob sie erwarten, dass IT-Teams des Händlers oder externe Berater die Arbeit leiten.

Passt der Workflow zu den Merchandising-Rollen?

Die besten Algorithmen sind nutzlos, wenn die Plattform nicht mit der tatsächlichen Arbeitsweise von Einkäufern, Planern und Disponenten übereinstimmt. Bestätigen Sie, dass Open-to-Buy (OTB) und Weekly Sales, Stock and Intake (WSSI) Funktionen direkt mit Sortimentsentscheidungen verbunden sind, und fragen Sie, wie die Plattform Übertragungen und neue Produktplanung innerhalb eines einheitlichen Sortiments-Workflows verwaltet. Separate Tools für Finanzplanung, Sortimentsbreite, -tiefe und Allokation erzeugen Versionskontrollprobleme und verlangsamen Entscheidungszyklen.

• Können Benutzer Breite (Optionsanzahl) und Tiefe (Einkaufsmenge) in derselben Oberfläche planen?
• Wie handhabt das System Vorsaisonplanung, In-Season-Anpassungen und Markdown-Optimierung in einem Workflow?
• Sind Filialcluster-Zuweisungen statisch oder können sie basierend auf Leistung neu berechnet werden?
• Welche Genehmigungsworkflows und Kollaborationsfunktionen existieren für funktionsübergreifende Teams?
• Kann die Plattform sowohl kategoriegeführte als auch lieferantengeführte Einkaufsprozesse unterstützen?

Fordern Sie eine Demonstration mit Ihren tatsächlichen Produkthierarchien, Ihrem Einkaufskalender und Ihren Benutzerrollen anstelle von generischen Einzelhandelsbeispielen an.

Welche Anbieterunterstützung und Service-Levels werden garantiert?

Implementierung und laufende Unterstützung bestimmen, ob die Plattform Wert liefert oder zu Shelfware wird. Spezifizieren Sie Service-Level-Agreements, Eskalationsverfahren und Reaktionszeiten vor Vertragsunterzeichnung. Einzelhandelssoftware läuft rund um die Uhr. Bestätigen Sie das Incident-Response-SLA des Teams, die Überwachungseinrichtung und wie mit breaking Changes bei Drittanbieter-APIs (Zahlungsabwickler, Marktplatz-Feeds) umgegangen wird.

Datenportabilität ist das Minimum, und die meisten Einkäufer verhandeln dies immer noch zu wenig. Enterprise-SaaS-Vertrags-Benchmarking von Hunderten von Mittelstands- und Unternehmensdeals, die 2025 bis 2026 unterzeichnet wurden, ergab, dass nur etwa 23 Prozent der Verträge eine explizite Datenportabilitätsklausel enthielten, nur etwa 18 Prozent ein maschinenlesbares Format spezifizierten und nur etwa 11 Prozent anbietergestützte Migrationsunterstützung einschlossen. Schliessen Sie Ausstiegsbedingungen, Datenexportformate und Übergangsunterstützung in die Ausschreibung ein.

Wie sind Preismodelle strukturiert und was sind die Gesamtkosten?

KI-Merchandising-Plattformen verwenden verschiedene Preismodelle: Abonnements pro Benutzer, Transaktionsvolumen-Staffeln, Prozentsatz des GMV oder benutzerdefinierte Unternehmenslizenzierung. Bitten Sie Anbieter, transparente Preise bereitzustellen, die alle Komponenten umfassen: Softwarelizenzen, Implementierungsdienste, laufende Unterstützung, Datenspeicherung, API-Aufrufe und Schulung. Fordern Sie Szenarien auf verschiedenen Skalierungsstufen an (aktueller Stand, 50 Prozent Wachstum, Akquisition oder neue Kanaleinführung), um zu verstehen, wie sich Kosten entwickeln.

• Basiert die Preisgestaltung auf Benutzern, SKUs, Transaktionen, Umsatz oder einer anderen Metrik?
• Was ist in der Basislizenz enthalten versus optionale Module (Allokation, Markdown-Optimierung, Raumplanung)?
• Gibt es zusätzliche Gebühren für Integrationen, Datenspeicherung über bestimmte Volumina hinaus oder API-Nutzung?
• Was sind die Zahlungsbedingungen und Vertragslaufzeit? Gibt es vorzeitige Kündigungs- oder Datenportabilitätskosten?
• Welche professionellen Dienstleistungen sind erforderlich und was sind deren Tarife?

Bitten Sie Anbieter schliesslich, mindestens zwei Referenzkunden in ähnlichen Kanälen, Geografien und Grössenordnungen bereitzustellen, die Implementierungen in den letzten 18 Monaten abgeschlossen haben. Sprechen Sie sowohl mit Merchandising-Benutzern als auch mit IT-Teams, um die vollständige Erfahrung zu verstehen.