Wie hat Torfs den Umsatz um 50% durch KI-gesteuerte Lagerumverteilung gesteigert

Der belgische Schuhhändler Torfs hat laut Unternehmensangaben eine Umsatzsteigerung von 50 Prozent für Lagerbestände gemeldet, die mithilfe künstlicher Intelligenz zwischen Filialen umverteilt wurden. Das Ergebnis stammt von einem KI-gesteuerten Zuteilungssystem, das Nachfragesignale auf Filialebene analysiert und Lagerbestände mehrmals pro Woche verschiebt, wodurch Schuhe, die an einem Standort stagnierten, an einem anderen zu schnellen Verkaufsschlagern werden. Für eine Branche, die mit Überbeständen und steigendem Preisreduzierungsdruck zu kämpfen hat, zeigt der Fall, wie granulare, algorithmusgesteuerte Verteilung Umsätze aus vorhandenen Beständen freisetzen kann, ohne zusätzliche Einkäufe.

Die Steigerung ist bedeutsam, weil Schuhsortimente notorisch komplex sind. Ein einzelnes Modell kann in acht bis zwölf Grössen geführt werden, und die Verbraucherpräferenzen variieren stark nach Region, Filialformat und Demografie. Traditionelle Zuteilung basiert auf historischen Durchschnittswerten und manueller Nachschubsteuerung, was oft dazu führt, dass beliebte Grössen in Filialen mit hoher Nachfrage nicht vorrätig sind, während sie anderswo verstauben. KI-Systeme versprechen, diese Diskrepanz zu lösen, indem sie Echtzeit-Verkaufsgeschwindigkeit, lokales Kundenverhalten und Transferkosten verarbeiten, um Bewegungen zu empfehlen, die den Abverkauf maximieren.

Torfs, eine familiengeführte Kette mit mehr als 80 Filialen in Belgien und Luxemburg, begann 2023 mit der Pilotierung der KI-Zuteilung und skalierte das System 2024 über das gesamte Netzwerk. Der Händler verteilt nun mehrmals pro Woche Lagerbestände um, wobei Algorithmen verwendet werden, die Filialleistung, Lagerbestände und Logistikkosten berücksichtigen. Das Unternehmen hat weder den gesamten Umsatzeffekt noch den Return on Investment offengelegt, aber der Umsatzgewinn von 50 Prozent bei umverteilten Artikeln deutet auf bedeutendes Potenzial für Händler hin, die bereit sind, in Dateninfrastruktur und Change Management zu investieren.

Was genau hat Torfs mit KI-Zuteilung gemacht

Torfs implementierte ein KI-gestütztes Lagerzuteilungssystem, das Verkaufsdaten auf Filial- und SKU-Ebene analysiert, um Lagerbestände zu identifizieren, die an einem Standort unterdurchschnittlich abschneiden, aber anderswo wahrscheinlich schneller verkauft werden. Das System generiert mehrmals pro Woche Umverteilungsempfehlungen und veranlasst den Händler, Schuhe zwischen Filialen basierend auf prognostizierter Nachfrage zu verschieben, anstatt zu warten, bis Bestände Preisreduzierungsschwellen erreichen. Laut Branchenberichten begann das Unternehmen 2023 mit dem Test der Technologie und weitete sie 2024 auf das gesamte Netzwerk aus.

Der Algorithmus berücksichtigt mehrere Variablen, darunter die aktuelle Verkaufsgeschwindigkeit für jedes Modell und jede Grösse in jeder Filiale, lokale Kundenpräferenzen, aktuelle Lagerbestände und die Kosten für die Übertragung von Lagerbeständen zwischen Standorten. Wenn das Modell eine Diskrepanz erkennt, beispielsweise eine beliebte Grösse, die unverkauft in einer Filiale mit geringem Kundenverkehr liegt, während eine stark frequentierte Filiale nicht vorrätig ist, empfiehlt es einen Transfer. Torfs-Mitarbeiter prüfen die Empfehlungen und führen die Bewegungen aus, wobei in der Regel das bestehende Logistiknetzwerk des Händlers genutzt wird.

Die gemeldete Umsatzsteigerung von 50 Prozent bezieht sich speziell auf die Artikel, die umverteilt wurden, nicht auf den gesamten Unternehmensumsatz. Mit anderen Worten: Schuhe, die von einer Filiale zur anderen verschoben wurden, verkauften sich nach dem Transfer um 50 Prozent mehr als sie sich verkauft hätten, wenn sie am ursprünglichen Standort geblieben wären, basierend auf der internen Analyse des Unternehmens. Torfs hat weder eine kontrollierte Studie veröffentlicht noch die Basisverkaufsrate offengelegt, sodass die Zahl die eigene Zuschreibung des Händlers und keine unabhängige Messung darstellt.

Wie oft verteilt das System Lagerbestände um

Torfs verteilt Lagerbestände mehrmals pro Woche um, eine deutliche Abweichung von den traditionellen monatlichen oder saisonalen Nachschubzyklen, die viele Schuhhändler verwenden. Die hohe Frequenz ermöglicht es dem System, schnell auf aufkommende Trends, lokale Ereignisse und Veränderungen im Kundenverhalten zu reagieren. Wenn beispielsweise ein bestimmtes Sneaker-Modell in städtischen Filialen schnell, in vorstädtischen Standorten jedoch langsam verkauft wird, kann der Algorithmus innerhalb von Tagen Transfers empfehlen, anstatt wochenlang auf eine manuelle Überprüfung zu warten.

Häufige Umverteilung erfordert robuste Logistik und saubere Daten. Torfs muss Lagerbestände in Echtzeit über alle Filialen hinweg verfolgen, Verkaufstransaktionen sofort verarbeiten und ein Vertriebssystem betreiben, das kleine, häufige Sendungen bewältigen kann. Die relativ konzentrierte Geografie des Händlers in Belgien und Luxemburg macht dies operativ machbar, da die Transferzeiten zwischen Filialen kurz und die Transportkosten relativ niedrig sind. Händler, die über grössere Gebiete oder in Märkten mit fragmentierter Logistikinfrastruktur tätig sind, könnten höhere Umverteilungsfrequenzen schwieriger finden.

Welche Auswirkungen hat KI-Zuteilung auf Abverkaufsraten

Höhere Abverkaufsraten sind das Kernversprechen von KI-Zuteilungssystemen. Durch die Verschiebung von Lagerbeständen zu Filialen, wo die Nachfrage am stärksten ist, können Händler mehr Einheiten zum vollen Preis verkaufen und das Volumen an Beständen reduzieren, die schliesslich Preisreduzierung erfordern. Torfs hat weder seine Gesamtverbesserung der Abverkaufsrate noch die Reduzierung von Preisreduzierungen offengelegt, aber die Umsatzsteigerung von 50 Prozent für umverteilte Artikel impliziert, dass ein bedeutender Anteil der Lagerbestände zuvor falsch zugeordnet war. Wenn selbst 10 bis 20 Prozent der Bestände zu leistungsstärkeren Standorten umgeleitet werden können, kann der kumulative Effekt auf die Marge erheblich sein.

Verbesserungen der Abverkaufsrate hängen von der Genauigkeit der Nachfrageprognose und der Ausführungsgeschwindigkeit ab. Ein Algorithmus, der korrekt vorhersagt, welche Filiale eine bestimmte Grösse und ein bestimmtes Modell verkaufen wird, kann erhebliche Gewinne generieren, aber Fehler können kostspielig sein. Die Verschiebung von Lagerbeständen zum falschen Standort verursacht Transferkosten, bindet Bestände während des Transports und kann die ursprüngliche Filiale unterversorgt lassen, wenn die Nachfrage plötzlich steigt. Torfs mindert dieses Risiko durch häufige Umverteilung, sodass Fehler in nachfolgenden Zyklen korrigiert werden können, und durch die Konzentration auf Modelle und Grössen mit klaren Nachfragesignalen statt auf langsam bewegliche Ausreisser.

Branchendaten zu KI-Zuteilungsergebnissen bleiben spärlich. Die meisten Händler behandeln ihre Algorithmen und Ergebnisse als proprietär, und nur wenige veröffentlichen kontrollierte Studien. Die Offenlegung einer Steigerung von 50 Prozent durch Torfs ist ungewöhnlich transparent, aber der Zahl fehlt Kontext zur Basisleistung, zum Anteil der umverteilten Lagerbestände oder zur Nettowirkung nach Berücksichtigung von Transferkosten und Fehlzuteilungen. Entscheidungsträger, die KI-Zuteilung bewerten, sollten daher Pilotdaten anfordern, klare Erfolgskriterien festlegen und KI-Empfehlungen mit bestehenden manuellen Prozessen vergleichen, bevor sie sich zu einer vollständigen Implementierung verpflichten.

Welche Algorithmustypen werden für Lagerumverteilung verwendet

KI-Zuteilungssysteme basieren typischerweise auf maschinellen Lernmodellen, die Nachfrage auf granularer Ebene prognostizieren, oft unter Verwendung von Regression, Zeitreihenanalyse oder neuronalen Netzwerken. Die Modelle nehmen historische Verkaufsdaten, Lagerpositionen, Preisgestaltung, Werbeaktivitäten, Wetter, lokale Ereignisse und andere Variablen auf, um vorherzusagen, wie viele Einheiten jeder SKU in jeder Filiale über einen definierten Zeitraum verkauft werden. Das System vergleicht dann prognostizierte Nachfrage mit aktuellen Lagerbeständen und empfiehlt Transfers, um Angebot und Nachfrage über das Netzwerk hinweg auszugleichen.

Einige Plattformen verwenden verstärkendes Lernen, bei dem der Algorithmus iterativ verschiedene Zuteilungsstrategien testet und aus den Ergebnissen lernt. Dieser Ansatz kann sich an veränderte Bedingungen anpassen, ohne manuelles Neutraining, erfordert aber erhebliches Transaktionsvolumen, um zuverlässiges Feedback zu generieren. Andere Systeme kombinieren prädiktive Modelle mit Optimierungsalgorithmen, die die kostengünstigste Menge von Transfers berechnen, wobei Versandkosten, Bearbeitungszeit und Filialkapazitätsbeschränkungen berücksichtigt werden.

Torfs hat weder den spezifischen Algorithmus noch den Technologieanbieter hinter seinem System offengelegt. Der Händler könnte die Lösung intern entwickelt haben, mit einem spezialisierten Lieferkettenssoftware-Anbieter zusammengearbeitet haben oder mit einer Beratungsfirma zusammengearbeitet haben, um ein massgeschneidertes Modell zu erstellen. Unabhängig von den technischen Details hängt der Erfolg jedes Zuteilungssystems mehr von Datenqualität, organisatorischer Disziplin und Change Management ab als von der Wahl des Algorithmus. Händler mit fragmentierten Lagerdaten, inkonsistenter SKU-Kodierung oder silotierten IT-Systemen werden Schwierigkeiten haben, bedeutende Ergebnisse zu erzielen, selbst mit ausgeklügelten Modellen.

Welchen Return on Investment können Händler erwarten

Der Return on Investment für KI-Zuteilung hängt von mehreren Faktoren ab, darunter die Kosten der Technologie, das aktuelle Niveau der Lagerineffizienz, die Margenstruktur des Händlers und die Betriebskosten für die Verschiebung von Beständen. Torfs hat keine ROI-Zahlen veröffentlicht, aber eine Umsatzsteigerung von 50 Prozent bei umverteilten Lagerbeständen deutet darauf hin, dass das System Wert liefert, vorausgesetzt Transferkosten und Technologieausgaben sind ein kleiner Bruchteil des zusätzlichen Umsatzes. Für Händler mit hohen Margen und niedrigen Transferkosten kann die Amortisationszeit weniger als ein Jahr betragen. Für diejenigen, die mit knappen Margen oder in Geografien mit teurer Logistik arbeiten, ist die Geschäftsgrundlage marginaler.

Die Kosten umfassen Softwarelizenzierung oder -entwicklung, Dateninfrastruktur, Integration mit bestehenden ERP- und Lagerverwaltungssystemen, Mitarbeiterschulung und laufende Betriebskosten wie zusätzliche Sendungen und Bearbeitung. Zu den Vorteilen gehören höhere Vollpreisverkäufe, geringere Preisreduzierungen, reduzierter Bedarf an Räumungsbeständen und möglicherweise geringere Gesamtlagerbestände, wenn der Händler dieselbe Nachfrage mit besser verteiltem Lagerbestand bedienen kann. Einige Händler melden auch verbesserte Kundenzufriedenheit, da beliebte Artikel eher am richtigen Standort vorrätig sind.

Ein Bericht von McKinsey aus dem Jahr 2025 über Einzelhandels-Lieferkettentechnologie schätzte, dass KI-gesteuerte Zuteilung und Nachschubsteuerung die Bruttomarge für Modehändler mit komplexen Sortimenten und Multi-Channel-Vertrieb um 100 bis 200 Basispunkte verbessern könnte. Die Beratungsfirma stellte fest, dass die Vorteile am höchsten sind für Kategorien mit kurzen Verkaufssaisons, hoher SKU-Proliferation und erheblicher regionaler Variation der Nachfrage, was alles auf Schuhe zutrifft. McKinsey warnte jedoch auch, dass die Realisierung dieser Gewinne disziplinierte Ausführung, saubere Daten und die Bereitschaft erfordert, manuelle Entscheidungsfindung zu überschreiben, was auf organisatorischen Widerstand stossen kann.

Was sind die Risiken und Grenzen der KI-Zuteilung

KI-Zuteilungssysteme bergen mehrere Risiken. Prognosefehler können zu kostspieligen Fehlzuteilungen führen, wobei Lagerbestände zu Filialen verschoben werden, wo sie nicht verkauft werden, und Standorte mit hoher Nachfrage unterversorgt bleiben. Dieses Risiko ist besonders akut für neue Modelle mit begrenzter Verkaufshistorie, saisonale Artikel mit kurzen Verkaufsfenstern und SKUs, die von plötzlichen externen Ereignissen wie Wetter oder viralen Social-Media-Trends betroffen sind. Mit historischen Daten trainierte Algorithmen können auch vergangene Verzerrungen perpetuieren, wie etwa die Unterversorgung bestimmter Filialformate oder Regionen, es sei denn, sie sind explizit darauf ausgelegt, neue Zuteilungsstrategien zu testen.

Operative Komplexität ist eine weitere Herausforderung. Häufige Umverteilungen erfordern zuverlässige Logistik, Echtzeit-Lagertransparenz und Koordination zwischen Filialpersonal, Vertriebszentren und dem IT-Team. In der Praxis haben viele Händler mit Datenqualitätsproblemen zu kämpfen, wie ungenauen Lagerbestandszählungen, verzögerten Transaktionsaktualisierungen oder inkonsistenter SKU-Kodierung über Kanäle hinweg. Wenn die Daten, die den Algorithmus speisen, unzuverlässig sind, werden die Empfehlungen fehlerhaft sein und das Vertrauen in das System wird schwinden. Händler müssen in Prozessdisziplin und Technologieinfrastruktur investieren, bevor sie KI-Zuteilung im grossen Massstab einsetzen.

Es besteht auch ein Risiko der Überoptimierung. Ein Algorithmus, der kurzfristige Verkäufe maximiert, könnte empfehlen, alle Bestände mit hoher Nachfrage zu einigen wenigen Flaggschiff-Filialen umzuverteilen, wodurch kleinere Standorte dauerhaft unterversorgt bleiben und die Markenpräsenz in bestimmten Märkten erodiert. Dies kann langfristige Kundenbeziehungen schädigen und die Fähigkeit des Händlers einschränken, verschiedene Segmente zu bedienen. Um dies zu vermeiden, sollten Zuteilungssysteme Leitplanken wie Mindestservicelevels für alle Filialen, Beschränkungen des Anteils der Lagerbestände, der in einem einzelnen Zyklus verschoben werden kann, und regelmässige Überprüfungen der strategischen Implikationen der Algorithmusempfehlungen umfassen.

Schliesslich stellt der Fall Torfs die interne Bewertung eines einzelnen Händlers dar und keine peer-reviewte Studie oder unabhängige Prüfung. Die Umsatzsteigerung von 50 Prozent ist eine Unternehmensbehauptung, und die Methodik zur Berechnung der Zahl wurde nicht offengelegt. Es ist unklar, ob der Vergleich Saisonalität, Werbeaktivitäten oder andere störende Faktoren berücksichtigt und ob das Ergebnis über mehrere Saisons hinweg nachhaltig ist. Entscheidungsträger sollten Anbieter-Fallstudien und selbst gemeldete Kennzahlen mit angemessener Skepsis behandeln und auf Pilotprogramme mit rigoroser Messung bestehen, bevor sie sich zu grossen Investitionen verpflichten.

Wie unterscheiden sich Schuhe von Bekleidung für KI-Zuteilung

Schuhe stellen im Vergleich zu Bekleidung besondere Herausforderungen und Chancen für KI-Zuteilung dar. Schuhe werden in diskreten Grössen mit begrenzter Flexibilität verkauft, im Gegensatz zu Kleidung, bei der ein Kunde möglicherweise eine leicht andere Passform akzeptiert. Eine Filiale, die nur Grösse 38 und 42 eines beliebten Sneakers führt, kann Kunden, die Grösse 40 benötigen, nicht bedienen, was ein binäres vorrätig oder nicht vorrätig Ergebnis schafft. Dies macht die Zuteilung auf Grössenebene entscheidend und schafft einen grösseren potenziellen Nutzen durch die Verschiebung von Lagerbeständen, um lokale Nachfragemuster zu erfüllen.

Schuhsortimente sind auch fragmentierter. Ein einzelnes Modell kann in acht bis vierzehn Grössen angeboten werden, und jede Grösse stellt eine separate SKU mit unabhängiger Nachfrage dar. Die Multiplikation von Modellen mit Farben und Grössen kann Tausende von SKUs generieren, selbst für eine fokussierte Kollektion. Diese Proliferation macht manuelle Zuteilung unpraktisch und erhöht den Wert algorithmischer Entscheidungsfindung. Sie erhöht jedoch auch die Datenlast, da das System die Nachfrage für jede SKU in jeder Filiale prognostizieren muss, was erhebliche Transaktionshistorie und ausgeklügelte Modelle erfordert.

Andererseits haben Schuhe für bestimmte Kategorien ein weniger ausgeprägtes Moderisiko als Bekleidung. Klassische Sneaker-Modelle, Arbeitsstiefel und formelle Schuhe können über mehrere Saisons verkauft werden, was Algorithmen mehr historische Daten zum Trainieren bietet und die Einsätze einer Fehlzuteilung reduziert. Trendige oder saisonale Modelle verhalten sich dagegen eher wie Modebekleidung, mit kurzen Lebenszyklen und begrenzter Verkaufshistorie. Händler, die sowohl stabile als auch volatile Kategorien bedienen, benötigen möglicherweise unterschiedliche Zuteilungsstrategien für jede, mit konservativeren Regeln für neue oder riskante Artikel.

Häufig gestellte Fragen

Was sollten Modeunternehmen jetzt tun

1. Überprüfen Sie Ihre Lagerdatenqualität, bevor Sie in KI-Zuteilung investieren. Stellen Sie sicher, dass SKU-Codes, Lagerbestandszählungen und Verkaufstransaktionen über alle Filialen und Kanäle hinweg genau und in Echtzeit aktualisiert sind.
2. Führen Sie ein kontrolliertes Pilotprogramm in einer Teilmenge von Filialen oder für eine begrenzte Produktkategorie durch. Messen Sie Verkäufe, Abverkaufsrate und Margenauswirkung gegen eine Kontrollgruppe unter Verwendung Ihres bestehenden Zuteilungsprozesses.
3. Kartieren Sie Ihre Logistikfähigkeiten, um zu bestimmen, wie häufig Sie Lagerbestände umverteilen können. Bewerten Sie Transferkosten, Vorlaufzeiten und Bearbeitungskapazität, um realistische Umverteilungsintervalle festzulegen.
4. Definieren Sie klare Erfolgskennzahlen über Umsatzsteigerung hinaus, einschliesslich Vollpreis-Abverkaufsrate, Preisreduzierungsrate, Bruttomarge, Lagerumschlag und Kundenzufriedenheit. Verfolgen Sie diese Kennzahlen vor und nach der KI-Implementierung.
5. Etablieren Sie Governance und Leitplanken für den Algorithmus, wie Mindestlagerbestände pro Filiale, Grenzen für den Anteil der Lagerbestände, der in einem Zyklus verschoben werden kann, und manuelle Überschreibungsprotokolle für strategische Entscheidungen.
6. Investieren Sie in Change Management, um sicherzustellen, dass Filialpersonal, Einkäufer und Zuteilungsteams das System verstehen, den Empfehlungen vertrauen und Feedback geben. Widerstand gegen algorithmische Entscheidungsfindung ist eine häufige Barriere für ROI.
7. Überprüfen Sie Ergebnisse jede Saison und verfeinern Sie das Modell basierend auf Prognosegenauigkeit, operativen Herausforderungen und Geschäftsergebnissen. KI-Zuteilung ist keine einmalige Implementierung, sondern ein fortlaufender Prozess des Lernens und der Verbesserung.