Wie führt man eine Sortimentsprüfung mit KI-Unterstützung durch

Im Merchandising kann KI die Datenkonsolidierung, Prognosen und Werbeplanung automatisieren und Kapazitätsgewinne von etwa 40 Prozent ermöglichen, so eine McKinsey-Analyse vom Januar 2026. Aber welche Schritte in einer typischen Sortimentsprüfung kann KI tatsächlich beschleunigen und welche erfordern weiterhin das Urteilsvermögen eines Category Managers oder Einkäufers? Dieser Leitfaden bildet den Prozess ab und stützt sich auf aktuelle Praxisfälle und Branchendaten.

Welche Daten kann KI vor der Sortimentsprüfung analysieren

KI-gestützte Retail-Analytics-Plattformen konsolidieren nun Daten aus Kassensystemen, Werbekalendern, Wetter-Feeds und Social-Media-Signalen in einer einzigen Ansicht. Moderne Plattformen nutzen Machine-Learning-Modelle, die mit zwei oder mehr Jahren historischer Verkaufsdaten, Werbekalendern, Saisonalität und externen Faktoren wie Wetter, lokalen Ereignissen und Wirtschaftsindikatoren trainiert wurden. KI bereinigt Verkaufsdaten, um die Auswirkungen von Lagerbeständen zu entfernen, und ermittelt die tatsächliche Nachfrage, wodurch eine der hartnäckigsten Verzerrungen in der Einzelhandelsprognose behoben wird.

Modehändler, die KI-Nachfrageprognosen implementiert haben, berichten von Reduzierungen der Prognosefehler um 30 bis 50 Prozent im Vergleich zu traditionellen Methoden. Für einen Einzelhändler mit 20 Millionen Euro jährlichen Lagerkäufen bedeutet eine 35-prozentige Reduzierung des Prognosefehlers direkt Millionen an reduzierten Überbeständen, reduzierten Abschriften und reduzierten Lagerausfällen. Bei Zara steuert die KI-gestützte Nachfrageprognose nun 85 Prozent der anfänglichen Produktionszuteilungsentscheidungen, so Berichte vom Januar 2026.

Welche Prognoseaufgaben können Plattformen automatisieren

KI verfeinert die Sortimentsplanung, indem sie prädiktive Analysen mit produktspezifischen Erkenntnissen kombiniert. Sie hilft bei der Prognose der Nachfrage nach Stil, Farbe und Region, hebt leistungsschwache SKUs hervor und identifiziert Sortimentslücken, erstellt automatisch dynamische Filialcluster und optimiert Grössenkurven, um die tatsächliche Nachfrage widerzuspiegeln. Diese Fähigkeiten helfen Planern, Sortimente zu entwerfen, die der Kundennachfrage entsprechen und Überkäufe oder verpasste Gelegenheiten minimieren.

Trendprognose ist ein weiterer Bereich, in dem KI messbare Geschwindigkeitsgewinne nachgewiesen hat. Zara nutzt KI-Trenderkennungstools, die Social Media, Laufstegshows und Streetstyle analysieren, um aufkommende Modetrends drei bis vier Wochen schneller zu identifizieren als traditionelle Methoden, so eine Aktualisierung vom März 2026. Zaras hauseigene KI-Plattform identifiziert aufkommende Trends drei bis vier Wochen schneller als traditionelle Methoden, optimiert das Sortiment, um der lokalen Nachfrage besser zu entsprechen, und ermöglicht eine präzisere Zuteilung und Nachfüllung, was zu höherer Verfügbarkeit, Verkauf zum vollen Preis und letztendlich zu höheren Umsätzen führt.

Wie unterstützt KI das Sortimentsprüfungstreffen

Während der Prüfung selbst liefert KI Empfehlungen, anstatt autonome Entscheidungen zu treffen. Die Entscheidungsfindung muss nicht mehr statischen wöchentlichen Zyklen folgen, da KI-Agenten kontinuierlich Sortimente anpassen, Preise optimieren, Werbeaktionen verfeinern und umfassende Echtzeit-Einblicke liefern können. Target nutzt KI, um seine Merchandising-Autorität wieder aufzubauen. Target Chief Operating Officer Michael Fiddelke beschrieb, wie Einkäufer nun sofort auf Trend-Einblicke zugreifen können. Durch die Nutzung von KI zur Erfassung von Farbe, Material, Stil und Produktdetails und die Anwendung von Verbraucherforschung und Markenprinzipien können sie einzigartige und trendige Produkte schneller als je zuvor an Kunden liefern.

Die Rolle des Einkäufers verlagert sich vom Aufbau des Plans zur Bearbeitung dessen, was das Modell vorschlägt. Im Jahr 2026 ersetzt KI den analytischen Kern des Einkaufs, einschliesslich Prognosen, Sortimentsplanung und Produktentdeckung, aber nicht die gesamte Rolle. Menschliche Einkäufer behalten Verhandlung, Geschmacksentscheidung und Verantwortlichkeit für Entscheidungen. Das realistische Ergebnis ist ein Hybrid: Ein Modell schlägt das Sortiment vor und ein Mensch bearbeitet es.

Wo ist menschliches Urteilsvermögen weiterhin am wichtigsten

71 Prozent der Einkäufer in einer neuen McKinsey-Umfrage sagen, dass KI-Merchandising-Tools bisher nur begrenzte bis keine Auswirkungen auf ihr Geschäft hatten. Die Herausforderung liegt oft weniger in der Technologie als vielmehr darin, wie sie integriert und genutzt wird, so die McKinsey Global Merchant Survey vom Dezember 2025. Diese Lücke spiegelt die Distanz zwischen algorithmischem Vorschlag und kommerzieller Umsetzung wider.

Einkäufer bleiben weiterhin für drei kritische Aufgaben verantwortlich, die KI noch nicht autonom ausführen kann:

• Verhandlung von Konditionen mit Lieferanten und Marken, wo Beziehungskontext und strategische Hebelwirkung wichtig sind
• Anwendung von Marken- und ästhetischem Urteilsvermögen, um sicherzustellen, dass Produktauswahlen mit der Identität des Einzelhändlers und den Kundenerwartungen übereinstimmen
• Übernahme der Verantwortung für die endgültige Sortimentsentscheidung, einschliesslich Ausnahmen und Risiken, die ausserhalb der Trainingsdaten des Modells liegen

Ein Walmart-Sprecher sagte gegenüber Modern Retail, dass es bei der Kategorieplanung und dem Merchandising persönlich, lokal und menschlich zugeht. Die Anwendung von KI dient wirklich dazu, Kunden und Mitarbeiter besser zu bedienen, damit sie mehr Zeit für die menschlichen Aspekte ihres täglichen Lebens aufwenden können, anstatt für taktische, manuelle Arbeit.

Welche Anbieter stellen KI-gesteuerte Sortimentsanalysen bereit

Der Markt für KI-gesteuerte Sortimentsplanungssoftware umfasst sowohl etablierte Unternehmensplattformen als auch neuere Spezialtools. Oracle Retail Analytics, Teil des Oracle Retail Insights Cloud Service, ist für grosse Einzelhandelsketten konzipiert, die vorgefertigte Einzelhandelskennzahlen benötigen, ohne ein Datenmodell von Grund auf neu erstellen zu müssen. Es wird mit 200 oder mehr einzelhandelsspezifischen Kennzahlen geliefert, die Verkaufsrate, Lagerbestand, Marge und Werbeauftrieb abdecken, und ist mit Oracle Retail AI Foundation für Nachfrageprognosen, Abschriftenoptimierung und Lagerzuteilung gekoppelt.

Blue Yonder ist eine der etabliertesten KI-gesteuerten Einzelhandelsplanungsplattformen mit umfassenden Fähigkeiten in den Bereichen Nachfrageprognose, Nachfüllung, Lieferkettenplanung und Personalmanagement. Blue Yonders Luminate-Plattform nutzt maschinelles Lernen, um Nachfrageprognosen auf SKU- und Filialebene zu erstellen und externe Signale wie Wetter, Werbeaktionen, lokale Ereignisse und Wirtschaftsindikatoren neben der internen Verkaufshistorie zu integrieren. Nextail ist eine KI-native Merchandising-Plattform, die speziell für Mode- und Bekleidungshändler entwickelt wurde und sich auf Lageroptimierung, Zuteilung und Nachfüllung über Filialnetzwerke und E-Commerce konzentriert. Nextails maschinelle Lernmodelle berücksichtigen die besondere Komplexität des Modeeinzelhandels, einschliesslich kurzer Produktlebenszyklen, hoher SKU-Proliferation, Grössen- und Farbfragmentierung und der Interaktion zwischen Online- und physischem Lagerbestand, um die Bestandsverteilung zu optimieren und sowohl Überbestände als auch entgangene Verkäufe zu minimieren.

Plattformen von RELEX Solutions, Impact Analytics und o9 Solutions erscheinen ebenfalls in aktuellen Branchenbewertungen, wobei jede unterschiedliche Stärken in den Bereichen Nachfragesensing, Szenarioplanung oder Integration über den Planungszyklus hinweg bietet.

Welche Implementierungsmuster verfolgen Einzelhändler

Erfolgreiche Implementierungen folgen in der Regel einem stufenweisen Ansatz. Einzelhändler, die umfassende Systeme implementiert haben, berichteten von einer durchschnittlichen Reduzierung der Lagerausfälle um 32 Prozent und einer Verringerung der Überbestandskosten um 28 Prozent innerhalb des ersten Jahres der Implementierung, so Fallstudien, die in einer Analyse vom Januar 2025 zitiert wurden. Das Muster beginnt typischerweise mit der Nachfrageprognose und erstreckt sich dann auf die Sortimentsoptimierung und Zuteilung.

Nur 24 Prozent der Einkäufer in der McKinsey-Umfrage sagen, dass ihre Organisationen derzeit eine moderate bis umfassende KI-Weiterbildung anbieten. Aber sie werden auch den Fokus auf die Grundlagen wiederherstellen: Strategie gestalten und das Sortiment aufbauen, anstatt Berichte zu erstellen und auf Probleme zu reagieren. Schulung ist eine häufige Implementierungslücke, zusammen mit Datenqualität und Integrationsproblemen.

Die fortschrittlichsten Einzelhändler testen KI-gesteuerte Szenariosimulation, bevor sie sich auf eine Sortimentsänderung festlegen. Targets KI-Ansatz erstreckt sich auf das Vortesten von Sortimenten mit synthetischen Zielgruppen, KI-gesteuerten Modellen, die echte Verbraucherpopulationen simulieren, so kürzliche Bemerkungen von Targets Chief Operating Officer. Dies ermöglicht es Einkäufern, mehrere Optionen zu bewerten, bevor der Einkauf festgelegt wird.