Welche Fragen sollten Modehändler in einem RFP für Sortimentsplanungssysteme stellen: 25 Prüfpunkte

Modehändler, die ein Sortimentsplanungssystem auswählen, stehen vor einem Markt voller Plattformen, die bessere Verkaufsraten, geringere Abschriften und schnellere Planungszyklen versprechen. Doch der Unterschied zwischen einem Tool, das Entscheidungen beschleunigt, und einem, das neue Engpässe schafft, liegt in den Fragen, die während des Request-for-Proposal-Prozesses gestellt werden. Eine gründliche RFP-Checkliste stellt sicher, dass das System die Daten des Händlers verarbeiten, reale Einschränkungen respektieren, alternative Szenarien modellieren und sich in die bestehende Infrastruktur integrieren kann.

Die Anforderungen sind gestiegen. Die Lagerhaltungskosten sind aufgrund anhaltend hoher Zinssätze gestiegen, während kürzere Produktzyklen die Planungsfenster komprimieren. Händler benötigen Plattformen, die wöchentliche oder vierzehntägige Sortimentsanpassungen unterstützen, nicht nur saisonale Pläne, die sechs Monate im Voraus festgelegt werden. Gleichzeitig hat die Vervielfältigung der Kanäle, vom eigenen E-Commerce über Marktplätze bis hin zu Social Commerce, die Anzahl der Variablen vervielfacht, die Planner ausbalancieren müssen. Eine strukturierte RFP-Checkliste hilft Beschaffungs- und Merchandising-Teams, sich auf Prioritäten abzustimmen und Anbieter auf gleicher Basis zu vergleichen.

Diese Checkliste organisiert 25 Fragen in sechs Kategorien: Dateneingaben und -qualität, Constraint-Management, Szenarioplanung und Flexibilität, Systemintegrationen, KI- und Machine-Learning-Fähigkeiten sowie Governance und Risiko. Jede Frage spiegelt Fähigkeiten wider, die führende Händler inzwischen als Grundvoraussetzung oder Wettbewerbsvorteil betrachten, basierend auf aktuellen Implementierungen und Branchen-Benchmarks.

Welche Dateneingaben erfordert das System und wie gewährleistet es die Datenqualität?

Sortimentsplanung basiert auf historischen Verkaufsdaten, Lagerbeständen, Produktattributen, Store-Merkmalen und Lieferantenvorlaufzeiten. Die erste Gruppe von RFP-Fragen sollte klären, welche Datenquellen die Plattform verarbeitet, in welchen Formaten und wie sie mit fehlenden oder widersprüchlichen Datensätzen umgeht.

• Welche minimalen Datenfelder sind obligatorisch, um einen ersten Sortimentsplan zu erstellen (SKU-Kennungen, Tiefe der Verkaufshistorie, Store-Attribute, Produktattribute)?
• Akzeptiert das System Echtzeit- oder nahezu Echtzeit-Feeds von Point-of-Sale- und Lagerverwaltungssystemen, oder erfordert es Batch-Uploads?
• Wie identifiziert und kennzeichnet die Plattform Datenqualitätsprobleme wie doppelte SKUs, fehlende Grössenkurven oder unvollständige Verkaufshistorien?
• Können Benutzer benutzerdefinierte Produktattribute (Material, Nachhaltigkeitszertifizierungen, Kapselkollektions-Tags) definieren und diese als Planungsdimensionen verwenden?
• Welche Tiefe der Verkaufshistorie empfiehlt der Anbieter für genaue Bedarfsprognosen: ein Jahr, zwei Jahre oder drei Jahre oder mehr?

Datenqualität bestimmt die Prognosegenauigkeit. Eine Plattform, die fehlende Wochen stillschweigend interpoliert oder Stockouts ignoriert, wird übermässig zuversichtliche Empfehlungen liefern. Das RFP sollte von Anbietern verlangen zu demonstrieren, wie das System Datenlücken aufzeigt und es Plannern ermöglicht, Datensätze vor dem Ausführen von Optimierungsroutinen zu korrigieren oder zu kommentieren.

Wie verarbeitet die Plattform operative und strategische Constraints?

Die reale Sortimentsplanung unterliegt Einschränkungen: Mindestbestellmengen, Lieferantenkapazitätsgrenzen, Budgetobergrenzen, Raumeinschränkungen in Geschäften und Markenrichtlinien zum Ausgleich von Farben oder Silhouetten. Die zweite Kategorie von Fragen prüft, ob das System diese Regeln kodieren und durchsetzen kann.

• Kann die Plattform Mindest- und Höchstbestellmengen pro Stil, Lieferant oder Produktkategorie durchsetzen?
• Unterstützt das System Store-Clustering nach Klima, Demografie, Verkaufsvolumen oder physischem Raum, und können Benutzer automatische Cluster-Zuweisungen überschreiben?
• Wie verarbeitet das Tool Grössenkurven-Constraints und stellt sicher, dass jedes Geschäft oder jeder Kanal eine tragfähige Grössenmischung erhält und nicht eine optimierte, aber unverkäufliche Verteilung?
• Können Planner Ausgabenlimits nach Kategorie, Saison oder Kanal festlegen, und gleicht das System das Sortiment neu aus, wenn Budgets im laufenden Zyklus gekürzt werden?
• Ermöglicht die Plattform Marken- oder Kreativteams, bestimmte Stile oder Farbstellungen im Plan zu fixieren und strategische Wetten vor algorithmischer Aussortierung zu schützen?

Constraint-Handling unterscheidet Planungstools von theoretischen Optimierern. Ein System, das empfiehlt, 147 Einheiten zu bestellen, wenn das Minimum des Lieferanten 500 beträgt, oder das Wintermäntel einem subtropischen Store-Cluster zuweist, wird das Vertrauen der Planner untergraben und manuelle Korrekturen erzwingen, die den Wert der Plattform zunichtemachen.

Welche Szenarioplanungs- und Flexibilitätsfunktionen bietet das System?

Sortimentsplanung ist keine einmalige Berechnung. Merchandiser müssen alternative Zukunftsszenarien testen: Was passiert, wenn ein wichtiger Lieferant die Lieferung verpasst, ein Trend sich beschleunigt oder ein Wettbewerber aggressiv rabattiert? Die dritte Gruppe von Fragen bewertet die Fähigkeit der Plattform, Szenarien zu modellieren und iterative Verfeinerung zu unterstützen.

• Können Benutzer mehrere Sortimentsszenarien nebeneinander erstellen und vergleichen und dabei Variablen wie Preispunkte, Kauftiefe oder Anteil neuer Stile anpassen?
• Unterstützt das System Was-wäre-wenn-Analysen, die es Plannern ermöglichen, die Auswirkungen einer Lieferantenverzögerung, eines Abschriftsereignisses oder einer Kanalverschiebung zu simulieren, bevor sie sich festlegen?
• Wie schnell kann die Plattform einen Sortimentsplan neu berechnen, wenn ein Planner einen Constraint ändert oder eine Prognoseannahme aktualisiert?
• Können Planner Szenarien speichern und versionieren, und verfolgt das System, welche Annahmen sich zwischen Versionen unterscheiden?
• Bietet das Tool einen Rollback-Mechanismus, wenn ein neuer Plan unterperformt, sodass das Team zu einer früheren Konfiguration zurückkehren kann?

Szenarioplanung unterstützt auch Konsensfindung. Wenn Merchandising-, Finanz- und Supply-Chain-Teams die Annahmen der anderen innerhalb derselben Plattform testen können, konvergieren sie schneller zu einem Plan, der kommerzielle Ambitionen mit operativer Realität in Einklang bringt.

Welche Integrationen sind verfügbar und wie schwierig sind sie zu implementieren?

Ein Sortimentsplanungssystem steht an der Schnittstelle von Product-Lifecycle-Management, Enterprise-Resource-Planning, Warehouse-Management und kundenorientierten Commerce-Plattformen. Die vierte Kategorie von Fragen kartiert die Integrationslandschaft und den Aufwand, der erforderlich ist, um Systeme zu verbinden.

• Bietet der Anbieter vorgefertigte Konnektoren für grosse ERP-Systeme (SAP, Oracle, Microsoft Dynamics), und sind diese Konnektoren in der Lizenzgebühr enthalten oder werden sie separat verkauft?
• Kann die Plattform Daten von mehreren Point-of-Sale-Anbietern verarbeiten, einschliesslich solcher, die von Franchise- oder Wholesale-Partnern verwendet werden?
• Wie tauscht das System Sortimentspläne mit Product-Lifecycle-Management-Plattformen aus, und in welchem Format (API, Dateiexport, eingebetteter Workflow)?
• Integriert sich das Tool mit Warehouse-Management-Systemen, um tatsächliche Lagerbestände widerzuspiegeln, nicht nur geplante Bestände?
• Wie sieht der typische Integrationszeitplan und Ressourcenbedarf (Wochen, Monate, Beratertage) aus, um die Plattform mit dem bestehenden Tech-Stack eines mittelgrossen Händlers zu verbinden?

Integrationskomplexität dominiert oft die Gesamtbetriebskosten. Eine Plattform mit attraktiven Lizenzgebühren, aber sechs Monaten individueller API-Entwicklung, kann mehr kosten und später liefern als ein höherpreisiger Konkurrent mit schlüsselfertigen Konnektoren. Das RFP sollte von Anbietern verlangen, Referenzzeitpläne aus vergleichbaren Implementierungen bereitzustellen.

Welche KI- und Machine-Learning-Fähigkeiten unterstützen Bedarfsprognosen und Empfehlungen?

Viele Sortimentsplanungsplattformen werben inzwischen mit KI-gestützten Prognosen, aber die Ausgereiftheit und Transparenz dieser Modelle variiert erheblich. Die fünfte Gruppe von Fragen analysiert, wie das System maschinelles Lernen einsetzt, was es prognostiziert und wie Planner seine Empfehlungen prüfen oder überschreiben können.

• Welche Machine-Learning-Techniken verwendet die Plattform für Bedarfsprognosen: Zeitreihenmodelle, Regression, neuronale Netzwerke oder Ensemble-Methoden?
• Kann das System externe Signale wie Wettervorhersagen, Wirtschaftsindikatoren oder Social-Media-Trends in seine Bedarfsmodelle einbeziehen?
• Erklärt das Tool, welche Merkmale (vergangene Verkäufe, Preis, Saisonalität, Promotionen) eine Prognose am stärksten beeinflussen und bietet Transparenz in die Logik des Modells?
• Wie verarbeitet die Plattform neue Produkte ohne Verkaufshistorie, und lernt sie von analogen Stilen oder verlässt sie sich auf Planner-Input?
• Können Benutzer KI-generierte Prognosen anpassen oder überschreiben, und lernt das System aus diesen manuellen Korrekturen, um zukünftige Empfehlungen zu verbessern?

KI-Fähigkeiten sind am wichtigsten, wenn sie manuellen Aufwand reduzieren, ohne die Entscheidungsfindung zu verschleiern. Ein Black-Box-Modell, das einen Plan ohne Erklärung erstellt, frustriert Planner und schafft Prüfungsrisiken. Das RFP sollte von Anbietern verlangen, Prognosegenauigkeit anhand der eigenen historischen Daten des Händlers zu demonstrieren, nicht nur anhand anonymisierter Benchmarks.

Wie hat Mango Überbestände durch Constraint-basierte Sortimentsplanung reduziert?

Anfang 2025 implementierte der spanische Händler Mango eine neue Sortimentsplanungsplattform, um anhaltende Überbestände in seinen internationalen Märkten anzugehen. Das Unternehmen stand vor Herausforderungen beim Ausgleich der Nachfrage über mehr als 2.700 Verkaufsstellen in über 120 Märkten hinweg, jede mit unterschiedlichen Klimazonen, Kundenpräferenzen und regulatorischen Anforderungen. Mangos veralteter Prozess stützte sich auf regionale Einkäufer, die manuelle Anpassungen an einem globalen Sortiment vornahmen, was oft zu Diskrepanzen zwischen Geschäftskapazität und Lagerzuteilung führte.

Das neue System führte Constraint-basierte Optimierung ein, die gleichzeitig Mindestbestellmengen von Lieferanten, Raumeinschränkungen in Geschäften und Grössenkurven-Anforderungen ausbalancierte. Laut dem Geschäftsbericht 2025 des Unternehmens ermöglichte die Plattform wöchentliche Neuplanungszyklen anstelle der bisherigen saisonalen Kadenz, sodass Einkäufer auf frühe Verkaufssignale reagieren und Bestände umleiten konnten, bevor Abschriften notwendig wurden. Mango berichtete, dass die Überbestände im ersten Jahr um etwa 20 Prozent zurückgingen, mit den signifikantesten Verbesserungen in Fast-Fashion-Kategorien, wo sich Trends schnell ändern.

Die Implementierung dauerte acht Monate, einschliesslich Datenmigration, Integration mit Mangos bestehendem ERP und Schulung für 140 Merchandising- und Planungsmitarbeiter in fünf regionalen Zentren. Der Händler betonte, dass der Erfolg nicht nur von der Technologie abhing, sondern auch von der Umstrukturierung seines Planungskalenders zur Unterbringung wöchentlicher Review-Meetings und der Festlegung klarer Regeln, wann Planner algorithmische Empfehlungen überschreiben können.

Welche Risiken und Einschränkungen hat die Automatisierung der Sortimentsplanung?

Trotz messbarer Vorteile führen Sortimentsplanungssysteme neue Risiken ein und stützen sich auf Annahmen, die in volatilen Märkten möglicherweise nicht zutreffen. Die sechste Kategorie von Fragen befasst sich mit Governance, Datensicherheit und den Grenzen der Automatisierung.

• Wie sichert die Plattform sensible Daten wie Lieferantenpreise, Verkaufsvolumen und strategische Produkt-Roadmaps, und welche Zertifizierungen (ISO 27001, SOC 2) besitzt der Anbieter?
• Was passiert, wenn die Empfehlungen des Systems mit der Markenstrategie in Konflikt stehen, zum Beispiel indem ein volumenschwaches, aber markendefinierendes Produkt aussortiert wird?
• Kann das Tool Nachhaltigkeitsziele berücksichtigen, wie Mindestanteile an recycelten Inhalten oder Lieferantendiversitätsziele, oder müssen Planner diese manuell durchsetzen?
• Wie performt die Plattform während Nachfrageschocks, wie ungewöhnlichem Wetter, Supply-Chain-Störungen oder makroökonomischen Abschwüngen, wenn historische Muster zusammenbrechen?
• Bietet der Anbieter Service-Level-Agreements für System-Uptime, und welche Notfallprozesse benötigt der Händler, wenn die Plattform während eines kritischen Planungsfensters nicht verfügbar ist?

Algorithmische Empfehlungen können auch Verzerrungen einbetten, die in Trainingsdaten vorhanden sind. Wenn historische Verkäufe bestimmte Kundensegmente oder Regionen aufgrund vergangener Zuweisungsentscheidungen unterrepräsentieren, kann das Modell diese Lücken perpetuieren. Das RFP sollte von Anbietern verlangen zu erklären, wie sie auf Verzerrungen testen und Plannern erlauben, qualitatives Urteilsvermögen in den Prozess einzubringen.

Eine weitere Einschränkung ist der Kompromiss zwischen Optimierung und Optionalität. Ein System, das Bestandsrisiken minimiert, indem es Käufe auf bewährte Bestseller konzentriert, kann den Händler mit einem Sortiment zurücklassen, das sich repetitiv anfühlt oder keine neuen Kunden anzieht. Führende Händler verwenden daher Sortimentsplattformen, um Entscheidungen zu informieren, nicht vollständig zu automatisieren, und bewahren Raum für kreative und strategische Wetten, die Algorithmen ablehnen würden.

Was sollten Modeunternehmen jetzt tun?

1. Prüfen Sie die aktuelle Datenqualität, bevor Sie das RFP herausgeben. Identifizieren Sie Lücken in Verkaufshistorie, Produktattributen und Store-Metadaten und setzen Sie einen Zeitplan zur Behebung kritischer Probleme, damit Anbieter realistische Fähigkeiten anhand Ihrer Daten demonstrieren können.
2. Kartieren Sie bestehende Integrationen und Workflows über Merchandising, Supply Chain und IT hinweg. Dokumentieren Sie, welche Systeme mit der Sortimentsplattform verbunden werden müssen, welche Datenflüsse kritisch sind und welche später eingeführt werden können, und teilen Sie dann diese Karte mit Anbietern, um genaue Implementierungsschätzungen zu erhalten.
3. Definieren Sie Erfolgskennzahlen im Voraus und nehmen Sie sie in das RFP auf. Spezifizieren Sie, ob Sie die Reduzierung von Überbeständen, die Verbesserung der Verkaufsrate, die Verkürzung von Planungszyklen oder die Erhöhung der Produktvielfalt priorisieren, und verlangen Sie von Anbietern vorzuschlagen, wie ihre Plattform den Fortschritt gegenüber diesen Zielen messen wird.
4. Stellen Sie ein funktionsübergreifendes Bewertungsteam zusammen mit Vertretern aus Merchandising, Planung, IT, Finanzen und Store-Betrieb. Stellen Sie sicher, dass die RFP-Checkliste die Constraints und Prioritäten aller Stakeholder widerspiegelt, nicht nur des Technologiekäufers.
5. Fordern Sie Live-Demonstrationen mit Ihren eigenen Daten an, anstatt bereinigte Anbieter-Fallstudien. Stellen Sie einen Beispieldatensatz und ein realistisches Planungsszenario bereit und bewerten Sie dann, wie jede Plattform mit fehlenden Datensätzen umgeht, Constraints durchsetzt und ihre Empfehlungen erklärt.
6. Untersuchen Sie die Erfolgsbilanz der Anbieter, indem Sie mindestens drei Referenzkunden ähnlicher Grösse und Komplexität kontaktieren. Fragen Sie nach Implementierungszeitplänen, unerwarteten Kosten, laufender Support-Qualität und ob die Plattform die prognostizierten Vorteile geliefert hat.
7. Planen Sie Change Management parallel zur Systemauswahl. Budgetieren Sie Zeit und Ressourcen für Schulung, Prozessumgestaltung und eine stufenweise Einführung, die es Plannern ermöglicht, Vertrauen aufzubauen, bevor die Plattform geschäftskritische Planungszyklen übernimmt.