Wie funktioniert Choice Modelling und wie sagen Händler Produkterfolge voraus?

Was ist ein diskretes Wahlmodell?

Diskrete Wahlmodelle führen Einzelhandelsprognosen durch, indem sie die Wahrscheinlichkeit der Konsumentenwahl modellieren. Die Technik schätzt, welches Produkt ein Kunde auswählen wird, wenn ihm mehrere Optionen präsentiert werden. Choice Modelling ist eine Methode zur Modellierung des Entscheidungsprozesses einer Person in einem bestimmten Kontext und kann vorhersagen, wie Personen in verschiedenen Situationen reagieren werden, beispielsweise was mit der Nachfrage nach Produkt A geschieht, wenn sich der Preis von Produkt B ändert.

Vorhersagen von Kundenentscheidungen unter verschiedenen Marketingumgebungen können durch Wahlmodelle erstellt werden, wobei ein Beispiel die vorhergesagte Kaufwahrscheinlichkeit eines Kunden für ein bestimmtes Produkt in Abhängigkeit von seinem eigenen Preis oder dem Preis eines anderen Produkts ist. Händler nutzen diese Wahrscheinlichkeiten, um Sortiments-, Preis- und Bestandsentscheidungen zu optimieren.

Wie funktioniert die Conjoint-Analyse?

Diskrete Wahlexperimente umfassen mehrere Attribute eines Produkts, wie Preis, Material, Produktionsmethode, Marke, Zertifizierung und soziale Verantwortung. Diskrete Wahlmodellierung bittet Befragte, mehrere Produktprofile gleichzeitig zu berücksichtigen. Forscher analysieren dann, welche Attribute die endgültige Wahl bestimmen.

Random-Parameters-Logit- und Latent-Class-Modelle schätzen durchschnittliche Präferenzen und segmentspezifische Präferenzstrukturen. Die zwei beliebtesten Modelle zur Vorhersage von Wahlverhalten sind das multinomiale Logit- und das multinomiale Probit-Modell. Diese statistischen Methoden sind seit Jahrzehnten Standard in Einzelhandelsoperationen und Umsatzmanagement und liefern notwendige Eingabedaten für Bestands- und Sortimentsoptimierung.

Wo verbessert KI traditionelle Wahlmodelle?

KI-gesteuerte Prognosen reduzieren Lieferkettenfehler um 20% bis 50%, und Nachfragemodelle mit maschinellem Lernen erreichen eine Genauigkeit von etwa 92% gegenüber ungefähr 75% bei traditionellen Methoden. Die Verbesserung ergibt sich aus der Fähigkeit der KI, grössere und komplexere Datensätze zu verarbeiten, die traditionelle statistische Modelle nicht effizient handhaben können.

Techniken des maschinellen Lernens beheben mehrere Einschränkungen der klassischen Wahlmodellierung. Attributbasierte Prognosen und Lookalike-SKU-Modellierung nutzen Farbe, Stoff, Silhouette und Preissegment, um vergleichbare Styles aus früheren Saisons zu identifizieren und eine Nachfragekurve basierend auf Attributähnlichkeit zu erstellen. Dieser Ansatz löst das Kaltstartproblem für neue Produkte, die keine historischen Verkaufsdaten haben.

Im Jahr 2025 setzte Amazon ein neues grundlegendes KI-Prognosemodell ein, das vorhersagt, was Kunden wann und wo wollen, für Hunderte Millionen Produkte täglich, wobei zeitgebundene Signale wie Wetter und Feiertagspläne zur Verkaufshistorie hinzugefügt werden, und berichtete, dass die Prognosen zu einer 10%igen Verbesserung bei langfristigen nationalen Prognosen für Angebotsevents und einer 20%igen Verbesserung bei regionalen Prognosen für Millionen beliebter Artikel führten.

Welche Daten nutzen KI-Prognosemodelle?

KI-Modelle gehen über die Kundenbefragungen und angegebenen Präferenzen hinaus, die traditionelle Conjoint-Studien antreiben. Die meisten Anwendungsfälle benötigen mindestens ein bis zwei Jahre historischer Verkaufsdaten, damit das Modell Saisonalität und Feiertagsmuster lernen kann, und über die Verkaufshistorie hinaus sind nützliche Eingaben Kundenkaufdaten, Bestandsbewegungen und Aktionskalender.

KI-Modelle analysieren Verkaufstrends, Social-Media-Aktivitäten, Wirtschaftsindikatoren und Wettermuster, um Nachfrageschwankungen vorherzusagen. Händler kombinieren ihre proprietären Datensätze mit webgecrawlten öffentlich verfügbaren Daten auf Twitter und dem Google Search Volume Index. Diese Echtzeit-Datenintegration ermöglicht es Modellen, aufkommende Trends Wochen vor ihrem Erscheinen in Verkaufszahlen zu erkennen.

Wie setzen Modehändler KI-Wahlmodelle ein?

75% der Modeführungskräfte priorisieren KI für Nachfrageprognosen, Bestandsoptimierung und Kostenkontrolle. KI-gestützte Prognoseanwendungen haben das Potenzial, Bestände um 5 bis 15 Prozent zu reduzieren und eine 15 bis 25 Prozent Verbesserung bei Lagerfehlbeständen zu erreichen. KI-Prognosen reduzieren verlorene Verkäufe durch Lagerfehlbestände um bis zu 65%, was geborgene Umsätze ohne zusätzliche Marketingausgaben darstellt.

Im Merchandising kann KI Datenkonsolidierung, Prognosen und Promotionsplanung automatisieren, um Kapazitätsgewinne von etwa 40 Prozent freizusetzen. John Lewis investiert im Rahmen seines 800 Millionen Pfund Transformationsprogramms in KI, um seinen Produktkatalog auf KI-Plattformen zu bringen, damit Kunden John Lewis-Produkte beim Chatten mit KI finden können.

Die Anwendung reicht über Nachfragevorhersage hinaus. Nachdem die Prestige-Beauty-Gruppe Orveon Global KI-gestützte Suche, Merchandising und Produktempfehlungen hinzugefügt hatte, berichteten sie von einer sofortigen 10% bis 15% Steigerung des durchschnittlichen Bestellwerts für jede Marke, nachdem die Cross-Selling-Funktionalität live ging. Prinzipien der Wahlmodellierung bilden die Grundlage dieser Empfehlungsmaschinen, indem sie schätzen, welche Produkte ein Kunde als nächstes am wahrscheinlichsten kaufen wird.

Was sind die Einschränkungen von KI-Wahlmodellen?

Etwa 71% der Händler sagen, dass KI-Tools für den Einzelhandel bisher eine begrenzte bis gar keine Wirkung auf ihr Geschäft hatten. Die meisten scheitern an der Umsetzung, nicht an der Analyse. Die Lücke zwischen Pilotprojekten und skalierter Implementierung bleibt branchenweit gross.

Deep-Learning-Modelle werden üblicherweise als Black Box behandelt, daher bleibt die Interpretation schwierig. Merchandiser können oft nicht erklären, warum ein Modell ein bestimmtes Sortiment oder einen Preispunkt empfiehlt, was Vertrauensprobleme schafft, wenn das Modell der Erfahrung widerspricht. Ein Technologiepartner, der spezifische Modelle für Modenachfrageprognosen entwickelt hat, die auf modespezifischen Datenmustern wie Saisonalität, Trendzyklen und Preisreduzierungsdynamiken trainiert wurden, wird eine generische maschinelle Lernplattform, die auf Modedaten angewendet wird, übertreffen.