Wie genau sind Prognosen nach Kategorie: Was Modehändler 2026 berichten

Modehändler bleiben 2026 zurückhaltend dabei, die Kennzahlen zur Bedarfsprognose zu veröffentlichen, die darüber entscheiden, ob Kollektionen verkauft oder heruntergesetzt werden. Eine Untersuchung von Jahresberichten, Investorenpräsentationen und Tagungsprotokollen zu Lieferketten von 2025 bis Oktober 2026 zeigt, dass spezifische Angaben zum mittleren absoluten prozentualen Fehler und zur Prognose-Verzerrung selten sind, auch wenn Führungskräfte anerkennen, dass bessere Bedarfssignale direkt Marge und Cashflow beeinflussen.

Was sich abzeichnet, ist eine wachsende Kluft zwischen Genauigkeitserwartungen für verschiedene Produkttypen. Nachschub-Basisartikel zeigen engere Fehlerbereiche als saisonale Mode, und die Kluft ist wichtig, weil Mode die höchste Margenchance und das höchste Lagerrisiko darstellt. Gemäss veröffentlichter Fachliteratur zum Einzelhandelsprognosewesen lagen mittlere absolute prozentuale Fehler für Modeartikel lange im Bereich von dreissig bis fünfzig Prozent, gegenüber weit engeren Bereichen für Nachschub-Basisartikel.

Das Fehlen öffentlicher Offenlegung bedeutet nicht, dass Händler aufgehört haben zu messen. Interne Dashboards verfolgen MAPE, Verzerrung und gewichteten Fehler auf Ebene von Stil, Grösse und Standort. Die Entscheidung, nicht zu veröffentlichen, spiegelt Wettbewerbsempfindlichkeit und die Schwierigkeit wider, zu erklären, warum eine Fehlerrate von 35 % mit rentablen Geschäften koexistieren kann, wenn die Prognose die Kaufdisziplin unterstützt und nicht Präzision.

Welche Prognosegenauigkeit erreichen Modekategorien typischerweise?

Branchen-Benchmarks, die 2025 und 2026 veröffentlicht wurden, deuten darauf hin, dass der MAPE für Bekleidung auf SKU-Ebene typischerweise zwischen 25 % und 60 % liegt, wobei der Bereich durch Produktlebenszyklus, Trendsensibilität und Verfügbarkeit vergleichbarer Verkaufshistorie bestimmt wird. Gemäss einer Analyse vom Februar 2026 liegt der gewichtete MAPE für Bekleidung und Mode typischerweise bei 25 % bis 40 %, und neue oder saisonale Einführungen können bei 50 % oder höher liegen, weil Stilrotation, Trendsensibilität und Grössen- oder Farbkomplexität alle gegen Genauigkeit arbeiten.

Eine Einzelhandels-Benchmarking-Studie vom Juni 2025 stellte fest, dass Mode- und Bekleidungshändler oft 30 % bis 40 % MAPE auf SKU-Ebene als akzeptabel betrachten, obwohl die Genauigkeit auf Kategorieebene erheblich enger sein sollte. Zum Vergleich: Lebensmittel- und Schnelldreher-Händler streben typischerweise einen MAPE unter 10 % bis 15 % für hochvolumige Artikel an, was den strukturellen Prognosenachteil der Mode hervorhebt.

Die breite Toleranz spiegelt die Realität wider, dass eine Prognose für einen noch nie dagewesenen saisonalen Artikel weder Historie noch einen Proxy für Historie hat. Veröffentlichte Fallbesprechungen zum Einzelhandel aus 2025 zeigen, dass Organisationen mit vertretbaren Prognosebilanzen drei Gewohnheiten teilen und nicht einen Algorithmus: Sie kaufen in Schritten und verpflichten sich früh nur für einen Bruchteil der Saison und halten Kapazität für Reaktion in der Saison; sie messen Fehler auf Kaufebene und veröffentlichen ihn intern, was Urteilsvermögen ehrlich und Modelle kalibriert hält; und sie integrieren Rückgabedaten, da ein passformbedingter Rückgabeanstieg für eine naive Prognose wie Nachfrage aussieht und den nächsten Zyklus vergiftet.

Welche Händler haben Genauigkeitsverbesserungen offengelegt?

H&M setzte während 2025 KI-gesteuerte Bedarfsprognose- und Bestandsführungssysteme ein, die historische Verkaufsdaten, Markttrends, Kundenpräferenzen und externe Variablen wie Wettermuster und lokale Ereignisse nutzten, um detaillierte Prognosen zu erstellen. Gemäss einer Fallstudie, die Anfang 2026 veröffentlicht wurde, verbesserte sich die Prognosegenauigkeit innerhalb von sechs Monaten in Pilot-Filialen von 68 % auf 82 %, steigerte die Warenverfügbarkeit im Regal um 12 Prozentpunkte und erhöhte die Online-Conversion um 3,5 %, während die Mitarbeiterproduktivität durch Automatisierung von Routineaufgaben wie Nachschubbestellungen um 20 % stieg.

Adidas meldete ähnliche Fortschritte bei Pilot-Implementierungen während 2025. Eine umfassende Fallstudie, die im Oktober 2025 veröffentlicht wurde, dokumentierte, dass sich die Prognosegenauigkeit innerhalb von sechs Monaten in Pilot-Filialen in Nordamerika von 68 % auf 82 % verbesserte, mit Plänen zur Skalierung nach Europa und Asien-Pazifik bis zum dritten Quartal. Die Schleife von Nachfrage bis Lieferung integrierte Grosshandelsdaten, Point-of-Sale-Daten des Einzelhandels und Käufersignale und lieferte wöchentliche Updates an das Produktionsnetzwerk.

Levi Strauss arbeitete mit einem KI-Unternehmen zusammen, um Machine-Learning-Modelle einzusetzen, die die Nachfrage auf Filialebene vorhersagen und historische Verkäufe, lokale Trends, Wetter und Werbekalender analysieren, um Bestandsverteilung und Nachschub zu optimieren. Die Implementierung führte zu 90 % Bestandsgenauigkeit in den Filialen und einer Abfallrate von 1 %, gegenüber einem früheren Bereich von 5 % bis 7 %, zusammen mit schnellerem Verkauf und reduzierten Preisherabsetzungen, obwohl das Unternehmen keine spezifischen MAPE-Zahlen in öffentlichen Unterlagen offenlegte.

Inditex, Muttergesellschaft von Zara, betreibt seit langem ein Pull-System, bei dem Point-of-Sale-Daten von Filialen zurück zur Zentrale fliessen und Produktion und Nachschub auslösen. Gemäss einer Lieferketten-Analyse von 2025 hält Zara eine niedrige unverkaufte Lagerrate von 10 %, indem es den Stoffbedarf und die Produktion genau prognostiziert, und seine Versandgenauigkeitsrate hat 98,9 % mit einer Fehlerrate von weniger als 0,5 % erreicht. Das Unternehmen stützt sich nun auf KI-Bedarfsprognosen, die Signale wie Suchverhalten, soziale Stimmung und sogar lokales Wetter lesen, um zu entscheiden, was produziert und wohin es geschickt werden soll.

Wie variiert die Genauigkeit nach Kategorie und Lebenszyklusphase?

Die Prognosegenauigkeit im Modeeinzelhandel ist nicht einheitlich. Eine Deep-Learning-Studie, die Anfang 2025 veröffentlicht wurde, ergab, dass Modelle ihre stärksten relativen Verbesserungen in trendsensiblen Segmenten wie saisonalen Accessoires und limitierten Kollektionen erreichen, wo Kaltstart-Herausforderungen und zensierte Nachfrageeffekte am ausgeprägtesten sind. Im Gegensatz dazu zeigen stabile Kategorien wie Basis-Bekleidung konsistente, aber weniger dramatische Verbesserungen, was die inhärent geringere Variabilität der Verbrauchernachfrage widerspiegelt.

Gemäss Leitlinien zur Bedarfsplanung, die im Dezember 2025 veröffentlicht wurden, sollte die Genauigkeit nach mehreren Ansichten verfolgt werden: Kategorie, weil sich einige Kategorien unvorhersehbarer verhalten; Kanal, weil Online- und Filial-Nachfrage oft unterschiedlichen Mustern folgen; Region, weil Klima, Kultur und lokale Ereignisse die Nachfrage unterschiedlich beeinflussen; und Lebenszyklusphase, weil neue Einführungen und Auslaufartikel tendenziell geringere Genauigkeit aufweisen.

Eine Machine-Learning-Studie zu intermittierenden Verkäufen im Modeeinzelhandel, die Daten bis Ende 2025 verwendete, ergab, dass zweistufige Modelle überlegene Genauigkeit für Produkte mit spärlichen Nachfragemustern erreichen, indem sie die Prognoseaufgabe in Klassifizierung des Nachfrageauftretens und bedingte Nachfragemengenschätzung zerlegen und so Überschätzung während Nullnachfrageperioden effektiv reduzieren.

Welche Verbesserungsbereiche nennt McKinsey für KI-Prognosen?

McKinseys State-of-Fashion-2025-Forschung, die im November 2024 veröffentlicht wurde, ergab, dass KI-gestützte Prognosen das Potenzial haben, die Lagerbestände um 5 bis 15 % zu reduzieren und Fehlbestände um 15 bis 25 % zu verbessern. Beide Zahlen stammen aus der Schliessung derselben Lücke: Prognosen auf Kategorieebene verbergen die Varianz, die darüber entscheidet, ob ein spezifischer Stil in einer spezifischen Grösse in einer spezifischen Filiale verkauft wird oder liegen bleibt.

Eine separate Analyse von 2025, die von einem Anbieter für Bedarfsplanung zitiert wurde, stellte fest, dass KI-gestützte Prognosen die Lagerbestände in der Mode um 5 % bis 15 % und Fehlbestände um 15 % bis 25 % senken können, und dass eine Implementierung 92 % Prognosegenauigkeit und 78 % weniger Fehlbestände lieferte, obwohl der spezifische Kunde in öffentlichen Materialien nicht identifiziert wurde.

Eine akademische Studie, die Anfang 2025 veröffentlicht wurde, ergab, dass KI-Modelle den Prognosefehler im Einzelhandel von einem mittleren absoluten prozentualen Fehler von 28,76 % auf 16,43 % senken können, eine etwa 43-prozentige Verbesserung, die direkt zu weniger Fehlbeständen und weniger toter Ware führt. Der Übergang von einer naiven Basislinie zu einem gut aufgebauten KI-System reduziert den MAPE üblicherweise um 30 % bis 45 %, obwohl der genaue Gewinn von Datenqualität und Nachfragevolatilität abhängt.

Die Herausforderung besteht darin, dass diese Zahlen Potenzial oder Pilot-Ergebnisse darstellen und nicht offengelegte unternehmensweite Leistung. Mode-Führungskräfte, die in der jährlichen BoF-McKinsey-State-of-Fashion-Executive-Umfrage in 2024 und 2025 befragt wurden, identifizierten Kundenproduktsuche und Suche als den am höchsten bewerteten Anwendungsfall für generative KI in 2025, vor Bedarfsprognosen, was darauf hindeutet, dass Einsatzprioritäten in der Branche immer noch variieren.

Warum veröffentlichen Händler MAPE und Verzerrung nicht in Jahresberichten?

Das Fehlen von Prognosegenauigkeitskennzahlen in öffentlichen Unterlagen spiegelt mehrere Faktoren wider. Erstens Wettbewerbsempfindlichkeit: Ein Händler, der granulare MAPE nach Kategorie offenlegt, signalisiert Lieferanten, Wettbewerbern und Analysten genau, wo seine Bedarfsplanungsfähigkeit stark oder schwach ist. Zweitens erfordern die Kennzahlen Kontext zur Interpretation. Ein 35-prozentiger MAPE für einen saisonalen Modeartikel kann gute Leistung darstellen, wenn der Kaufprozess gestaffelt ist und der Händler Kapazität für reaktiven Nachschub hält, aber dieselbe Zahl sieht schlecht aus, wenn sie ohne Erklärung präsentiert wird.

Drittens variieren interne Messrahmen. Einige Händler verfolgen MAPE auf der Ebene des finalen Einkaufs, andere auf der Ebene des anfänglichen Plans, und wieder andere messen den Prognosewert-Zusatz, der die Genauigkeit eines statistischen oder KI-Modells mit der Genauigkeit vergleicht, nachdem menschliche Planer Überschreibungen anwenden. Ein MAPE auf Kategorieebene kann akzeptabel aussehen, während einzelne Stile schlecht abschneiden, was die Varianz auf Produktebene verbirgt, die tatsächliche Margenergebnisse antreibt.

Viertens verzerrt durch Fehlbestände zensierte Nachfrage die Zahlen. Ein Produkt, das am zehnten Tag einer dreissigtägigen Periode ausverkauft war, sieht so aus, als hätte es nur das verkauft, was auf Lager war, nicht, was die Nachfrage tatsächlich war, und Prognosemodelle, die auf nicht angepasster Historie trainiert wurden, wiederholen die Unterschätzung. Rückgabe- und Umtauschmuster verkomplizieren das Bild weiter, insbesondere in Kategorien mit hohen passformbezogenen Rückgaben, wo verfügbarer Lagerbestand sich anders verschiebt als in Kategorien mit niedrigen Rückgaberaten.

Was sagt der McKinsey State of Fashion 2026 Bericht über Prognosen?

Der State-of-Fashion-2026-Bericht, der Ende 2025 von McKinsey und The Business of Fashion veröffentlicht wurde, stellt fest, dass KI sich bei turbulenten Bedingungen einschliesslich volatiler Inputkosten, Lieferkettenunterbrechungen und langsamem Wachstum, die das Wirtschaftsmodell der Mode belasten, von einem Wettbewerbsvorteil zu einer geschäftlichen Notwendigkeit wandelt. Mehr als 35 % der Führungskräfte berichten, dass sie bereits Automatisierung mit generativer KI in ausgewählten Funktionen für Routineaufgaben einsetzen.

Der Bericht hebt hervor, dass Überbestände und Lager-Diskrepanzen bedeutende Probleme bleiben, wobei Überproduktion auf 70 bis 140 Milliarden Dollar jährlich geschätzt wird. Klimabedingte Nachfrageschwankungen verkomplizieren die Prognose weiter. Um diese Herausforderungen anzugehen, übernehmen Marken datengesteuerte Werkzeuge für genaue Nachfragevorhersage und dynamische Kaufmodelle, die Verschwendung minimieren.

Gemäss der BoF-McKinsey-State-of-Fashion-Executive-Umfrage, die im August und September 2025 durchgeführt wurde, sagten 46 % der Befragten, dass sie erwarten, dass sich die Branchenbedingungen 2026 verschlechtern werden, gegenüber 39 % im Vorjahr, wobei sie Handelskriegsunsicherheiten, unvorhersehbare Zölle und Verschiebungen in den Verbraucherausgaben als Hauptrisiken nennen. Nur 25 % der Mode-Führungskräfte glauben, dass sich die Branchenbedingungen verbessern werden, gegenüber 20 % ein Jahr zuvor.

Wie messen Händler Prognose-Verzerrung neben Fehler?

Prognose-Verzerrung zeigt, ob der Prozess wiederholt zu hoch oder zu niedrig prognostiziert. Ein niedriger Gesamtfehler kann immer noch sich ausgleichende Über- und Unterprognosen verbergen, weshalb bewährte Verfahren sowohl MAPE als auch Verzerrung verfolgen. Gemäss einem Leitfaden zur Mode-Bedarfsprognose, der Mitte 2026 veröffentlicht wurde, sollten Planer bei der Überprüfung nach der Saison ermitteln, wo sich Fehler und Verzerrung konzentrierten, welche Annahmen scheiterten, welche Daten zum Entscheidungszeitpunkt nicht verfügbar waren und was sich in der nächsten Basislinie ändern wird.

Niedrige Genauigkeit mit negativer Verzerrung deutet auf Unterprognose und Servicerisiko hin, was Fehlbestände, verlorene Verkäufe und Eilversandkosten bedeutet. Niedrige Genauigkeit mit positiver Verzerrung zeigt Überprognose und Working-Capital-Risiko an, was zu Überbeständen, Preisherabsetzungen und Obsoleszenzkosten führt. Hohe Genauigkeit mit niedriger Verzerrung stellt den Zielzustand dar, obwohl selbst dieser Interpretation erfordert: Eine Prognose, die konsistent innerhalb von 5 % trifft, aber immer 4 % zu hoch kommt, erzeugt immer noch Verzerrung, die sich über mehrere Saisons hinweg potenziert.

Wichtige Leistungskennzahlen zur Bedarfsplanung, die 2026 veröffentlicht wurden, empfehlen, Prognosegenauigkeit, Lagerumschlagsquote, Lieferbereitschaftsgrad und Kundenservicegrad zusammen zu verfolgen, weil Prognosegenauigkeit allein nicht zeigt, ob der Versorgungsplan genaue Vorhersagen in verfügbares Produkt umsetzte. Ein Händler kann 85 % Prognosegenauigkeit erreichen und dennoch Fehlbestände erleben, wenn Nachschubzyklus, Sicherheitsbestandsregeln oder Lieferantenlieferzeiten nicht mit der Volatilität übereinstimmen, die die Prognose vorhersagt.

Was sind die Risiken und Grenzen veröffentlichter Genauigkeitsangaben?

Berichtete Genauigkeitsverbesserungen sollten mit Vorsicht gelesen werden. Pilot-Ergebnisse in einer kontrollierten Teilmenge von Filialen oder Stilen skalieren nicht unbedingt zum vollständigen Sortiment, und Genauigkeit, die über eine einzelne Saison gemessen wird, hält möglicherweise nicht, wenn sich die Trendrichtung umkehrt. Ein Prognosemodell, das darauf abgestimmt ist, Fehler während einer Periode stetigen Wachstums zu minimieren, kann hohe Verzerrung erzeugen, wenn die Nachfrage sinkt, und umgekehrt.

Anbieter-Fallstudien, die einen Grossteil der öffentlich verfügbaren Details zur Mode-Prognoseleistung liefern, heben typischerweise Best-Case-Ergebnisse hervor und legen möglicherweise nicht den Anteil der SKUs oder Kanäle offen, bei denen sich die Genauigkeit nicht verbesserte. Ebenso sind prozentuale Verbesserungen empfindlich gegenüber der Basislinie: Die Genauigkeit von 60 % auf 75 % zu heben, stellt einen grösseren absoluten Gewinn dar als sie von 80 % auf 95 % zu heben, auch wenn beides eine Bewegung um 15 Prozentpunkte darstellt.

Akademische Studien und kommerzielle Benchmarks verwenden oft unterschiedliche Fehlerkennzahlen, was direkte Vergleiche erschwert. MAPE, gewichteter MAPE, mittlerer absoluter Fehler, Wurzel des mittleren quadratischen Fehlers und Prognosewert-Zusatz messen alle unterschiedliche Aspekte der Leistung, und ein Modell, das für eine Kennzahl optimiert, kann bei einer anderen schlecht abschneiden. Modehändler, die Kennzahlen zwischen Berichtsperioden wechseln oder Zahlen aus verschiedenen Methodologien mischen, riskieren, ein irreführendes Bild des tatsächlichen Fortschritts zu präsentieren.

Externe Schocks verkomplizieren die Bewertung weiter. Prognosegenauigkeit, die 2024 und 2025 gemessen wurde, spiegelt Nachfragemuster wider, die durch Normalisierung nach der Pandemie, Inflation, Zollunsicherheit und geopolitische Störungen geprägt sind. Ein Modell, das in diesem Umfeld gut abschnitt, kann Schwierigkeiten haben, wenn sich makroökonomische Bedingungen, Handelspolitik oder Verbrauchervertrauen stark verschieben, wie mehrere Mode-Führungskräfte in Konferenzpräsentationen während 2026 feststellten.

Häufig gestellte Fragen

Was sollten Modeunternehmen jetzt tun?

1. Messen Sie Fehler auf Entscheidungsebene, nicht auf Berichtsebene. Berechnen Sie MAPE auf der Granularität, auf der die Kauf-, Zuordnungs- oder Nachschubentscheidung getroffen wird, typischerweise Stil-Grösse-Standort oder Stil-Grösse-Kanal. Fehler auf Kategorieebene maskiert die Varianz, die die Marge bestimmt.
2. Verfolgen Sie Prognose-Verzerrung sowie Grössenordnung. Persistente Über- oder Unterprognose signalisiert ein systematisches Problem mit dem Modell, den Eingabedaten oder den Beurteilungsüberschreibungen, die Planungsteams anwenden. Überprüfen Sie Verzerrung nach Produkttyp, Saisonphase und Planer.
3. Prüfen Sie Historie auf Fehlbestandsverzerrung. Ein Produkt, das früh ausverkauft war, sieht so aus, als hätte es nur das verkauft, was auf Lager war, nicht, was die Nachfrage tatsächlich war. Passen Sie historische Verkäufe an, um verlorene Nachfrage widerzuspiegeln, bevor Sie Prognosemodelle trainieren, oder segmentieren Sie SKUs nach Verfügbarkeitsmuster.
4. Segmentieren Sie SKUs nach Prognostizierbarkeit, nicht nur nach Umsatz. Hochvolumige Basisartikel mit langer Historie und stabiler Nachfrage rechtfertigen andere Prognoseansätze, Modellparameter und Sicherheitsbestandsregeln als trendorientierte saisonale Einführungen ohne vergleichbare vergangene Verkäufe.
5. Bauen Sie eine Attribut-Taxonomie für neue Produkte auf. Kennzeichnen Sie jedes Produkt nach Schnitt, Stoff, Preisstufe und Kategorie, damit ein neuer Stil ohne Historie gegen vergleichbare vergangene Leistung prognostiziert werden kann statt gegen einen Kategoriedurchschnitt. Testen Sie attributbasierte Ähnlichkeitsmodelle, bevor die Saison beginnt.
6. Setzen Sie Verbesserungsziele aus Ihren eigenen Rücktests. Branchen-Benchmarks liefern Kontext, aber das aussagekräftigste Ziel ist Verbesserung über die eigene historische Basislinie der Marke auf Kategorie- und Kanalebene, gemessen mit einer konsistenten Methodologie und einem Zeithorizont.
7. Verkürzen Sie den Neuprognose-Zyklus für Schnelldreher. Wenn Nachschubentscheidungen monatlich laufen, pilotieren Sie eine wöchentliche Neuprognose für die Stile mit der höchsten Umschlagsgeschwindigkeit. Die Steigerung der Genauigkeit bei Schnelldrehern ist normalerweise innerhalb eines Nachbestellzyklus sichtbar und kann eine breitere Einführung finanzieren.