Wie passt man Sortimente unter Berücksichtigung von Budget- und Platzbeschränkungen an?

Händler stehen vor einem grundlegenden Beschränkungsproblem: Hunderte oder Tausende von Produkten konkurrieren um begrenzten Regalplatz, Verkaufsfläche und Betriebskapital. Moderne Sortimentsplanungstools verwenden lineare Programmierung und Constraint-Solver, um die Produktkombination zu finden, die den Gewinn oder Umsatz maximiert und gleichzeitig harte Limits bei Platz, Budget, Mindestlagerbeständen und Kategoriebreite respektiert. Die Mathematik, die diesen Systemen zugrunde liegt, hat ihre Wurzeln in der vor Jahrzehnten entwickelten Unternehmensforschung, aber Softwareimplementierungen haben sich im Modeeinzelhandel erst in den letzten drei Jahren beschleunigt, da Rechenleistung, Datenqualität und Integration sich verbessert haben.

Was ist beschränkte Optimierung in der Sortimentsplanung im Einzelhandel?

Auf der Ebene der Verkaufsabteilung, wo Rentabilität und Produktstrategie zusammentreffen, besteht die Herausforderung darin, begrenzten Regalplatz so zuzuteilen, dass die Erträge maximiert werden und gleichzeitig Beschränkungen auf Kategorie- und Organisationsebene respektiert werden. Händler zielen darauf ab, den Umsatz unter verschiedenen Einschränkungen zu maximieren, wie etwa begrenztem Einkaufsbudget, begrenztem Platz für die Präsentation der Produkte und einer Mindestanzahl von Lieferanten, und entwickeln ein integriertes mathematisches Modell zur Optimierung der integrierten Sortimentsplanung, Raumzuteilung und Bestandskontrolle.

Das Ziel besteht darin, die Liste und Menge der Artikel zu erhalten, die für eine bestimmte Phase im Geschäft geführt werden sollen, sodass der Gesamtumsatz maximiert wird und die Geschäftsbedingungen erfüllt sind. Diese Einschränkungen umfassen typischerweise die Gesamtanzahl unterschiedlicher Artikel pro Geschäft, das Budget auf Unterklassenebene sowie die Mindest- und Höchstanzahl unterschiedlicher Artikel auf Unterklassenebene.

Wie wird das Rucksackproblem auf die Warenplanung angewendet?

Das Problem der Optimierung der von einem Händler zum Verkauf angebotenen Produkte ist eine Verallgemeinerung dessen, was allgemein als Rucksackproblem bezeichnet wird. Dieses fragt, welche wertvollste Kombination von Gegenständen in einem Rucksack verstaut werden kann, ohne ihn zu zerbrechen, bei einer Menge von Gegenständen, von denen jeder zwei Werte hat, und einer Beschränkung für einen der Werte. Das Rucksackproblem und seine Varianten haben sich als nützliche Abstraktionen für die Modellierung ressourcenbeschränkter Zuteilungsprobleme erwiesen, einschliesslich jener im Einzelhandel.

Die Optimierung des multiplen Rucksackproblems stellt erhebliche Herausforderungen bei der Ressourcenzuteilung im Einzelhandel dar, insbesondere für Produktbündelungsszenarien mit dualen Beschränkungen. Bewertungen vergleichen sieben unterschiedliche Algorithmen: dynamische Basisprogrammierung, Numba-beschleunigte dynamische Programmierung, Parallelverarbeitung, paralleles Rollen, genetischer Algorithmus, Greedy-Algorithmus und Branch-and-Bound. Für ressourcenbeschränkte Umgebungen bietet Branch-and-Bound eine Auslastung von 90 Prozent mit minimalem Rechenaufwand, und statistische Analysen bestätigen die überlegene Leistung paralleler Varianten im Vergleich zu Basisimplementierungen.

Welche mathematischen Techniken lösen Sortimentsoptimierungsprobleme?

In den Jahren 2025 und 2026 veröffentlichte Forschung beschreibt mehrere Lösungsansätze. OPTIMUS, ein Framework für Raumoptimierung im Einzelhandel auf Unternehmensebene auf Abteilungsebene, formuliert die Sortimentskonstruktion als lineares binäres Rucksackproblem und löst es mittels dynamischer Programmierung, um deterministische, reproduzierbare Sortimente unter Kapazitätsbeschränkungen zu erzeugen. Diese Ausgaben fliessen in ein gemischt-ganzzahliges Optimierungsmodell auf Regalebene, das Platz über Planogramme hinweg zuteilt und dabei operative Beschränkungen durchsetzt.

Akademische Arbeiten zur Sortimentsoptimierung unter allgemeinen linearen Beschränkungen, bei denen das Wahlverhalten der Kunden vom gepaarten kombinatorischen Logit-Modell bestimmt wird, entwickeln vier exakte Lösungsansätze, um das Problem mit beliebigen linearen Beschränkungen optimal zu lösen. Ein szenariobasiertes mehrstufiges stochastisches lineares Programmierungsmodell wird für die integrierte Vertriebsplanung vorgeschlagen, das die Nachfrageelastizität als Funktion von Promotionen und Sortimentsgrösse einbezieht.

Die Sortimentsoptimierung wird als ganzzahlige lineare Programmierung formuliert mit dem Ziel, den Gewinn unter Nebenbedingungen zu maximieren. Der GAMS-BARON-Solver wird verwendet, um das vorgeschlagene Modell in kleinem und mittlerem Massstab zu lösen. Da das Problem jedoch NP-schwer ist, werden ein evolutionärer genetischer Algorithmus und ein effizienter lokaler Suchalgorithmus zur Schwingungsdämpfungsoptimierung vorgeschlagen.

Welche Beschränkungen sind im Mode-Merchandising am wichtigsten?

Modehändler stehen vor mehreren Kategorien von Beschränkungen. Händler arbeiten unter zunehmendem Druck, die Rentabilität innerhalb begrenzter Ladenflächen zu maximieren. Da die Kundennachfrage nach Produktvielfalt wächst, verschärft sich die Spannung zwischen begrenztem physischem Raum und dem Bedarf nach breiten Sortimenten. Das Hauptziel des Systems besteht darin, die aus dem Verkauf erzielte Handelsspanne zu erhöhen und dabei Beschränkungen in Bezug auf Warenressourcen und Regalfläche zu berücksichtigen.

• Platzbeschränkungen: Physische Regalmeter, Fixture-Kapazität, Lagerraumgrösse und Verkaufsfläche setzen harte Grenzen für die Anzahl von Präsentationen und Lagerartikeln.
• Budgetbeschränkungen: Open-to-Buy-Zuweisungen, Betriebskapitallimits und Lieferantenzahlungsbedingungen beschränken den gesamten Kostenwert, der eingekauft werden kann.
• Kardinalitätsbeschränkungen: Mindest- und Höchstproduktanzahlen pro Kategorie, Lieferantenvielfaltanforderungen und Präsentationsstandards bestimmen die Sortimentsbreite.
• Servicelevel-Beschränkungen: Mindestlagerverfügbarkeitsraten, Verfügbarkeitsziele und Wiederauffüllungshäufigkeitsverpflichtungen gewährleisten die Kundenzufriedenheit.

Eine Optimierungsmethode für Waren basiert auf mathematischer Modellierung und der Berechnung des konsolidierten Rentabilitätsverhältnisses, gewährleistet die notwendige Genauigkeit und ermöglicht das Sortimentsmanagement innerhalb von Zeit- und Kostengrenzen, ohne erhebliche Investitionen in Ausrüstung und Aktualisierung der Mitarbeiterqualifikationen.

Wie bewältigen Solver grossmassstäbliche Einzelhandelsprobleme?

Viele bestehende Formulierungen sind nichtlinear und rechenintensiv, was praktische Herausforderungen für die Implementierung in grossmassstäblichen Einzelhandelsumgebungen mit sich bringt. Es ist derzeit kein Polynomialzeit-Algorithmus bekannt, um diese Problemklasse exakt zu lösen, sodass man sich häufig auf Näherungen verlässt. Derzeit bekannte Näherungsansätze, wie das Zulassen von Bruchzuteilungen, funktionieren tendenziell nicht gut mit sehr grossen Datensätzen und sind normalerweise nicht nützlich, um Antworten in Echtzeit zu erhalten.

Praktische Implementierungen zerlegen grosse Probleme in handhabbare Teilprobleme. Der Solver für das Multiple-Choice-Rucksackproblem kann in einem Betriebsmodus eine optimale Lösung für das Problem finden, aus jeder Auswahlmenge eine Präsentation unter einer globalen Platzbeschränkung auszuwählen, eine optimale Präsentation aus jeder der Auswahlmengen zu wählen, um innerhalb der Gesamtbreite der Regale zu passen. Der Regalkapazitätscontroller liefert Parameter wie die Anzahl der Regale, die Breite jedes Regals und andere relevante Parameter an den Regalteiler, der die Lösung in regalspezifische Komponenten unter Verwendung des Solvers für das multiple Rucksackproblem aufteilt.

Der globale Markt für Sortimentsoptimierung wurde im Jahr 2025 auf 4,8 Milliarden Dollar bewertet und wird voraussichtlich bis 2034 12,3 Milliarden Dollar erreichen. Das Softwarekomponentensegment erzielte im Jahr 2025 einen Umsatz von 3,0 Milliarden Dollar. Softwarelösungen umfassen zentrale Nachfrageprognosesysteme, Bestandsoptimierungsalgorithmen, Produktempfehlungsplattformen und integrierte Dashboards. Softwareplattformen auf Unternehmensebene von Anbietern wie Oracle, SAP und Blue Yonder bieten umfassende Sortimentsplanungsfunktionen, die in breitere Supply-Chain- und Einzelhandelsmanagementsysteme integriert sind.

Wie sieht die jüngste Einführung in der Branche aus?

Generative KI könnte das Merchandising erheblich beschleunigen, mit Anwendungen, die von der Automatisierung der Sortimentsauswahl über die Erkennung von Mikrotrends durch Social Listening bis hin zur Übersetzung in umsetzbare Anleitungen für Lagerbestände reichen. Der Bericht verweist auf einen erneuten Vorstoss zur Vereinfachung von Sortimenten, am besten exemplifiziert durch die Wende von Adidas in den letzten Jahren, und zur Reduzierung des im Lager gebundenen Betriebskapitals. Unternehmen beginnen, diszipliniertere Ansätze bei der Prognose und Produktentwicklung zu verfolgen, unterstützt durch digitale Tools, die ihnen helfen zu verstehen, wie und wo Wert verloren geht.

Die Forschungsergebnisse sind auf den Bekleidungseinzelhandel anwendbar. Das praktische Ergebnis ist die Maximierung der Kapitalrendite für pro Tag verkaufte Waren, und die Vorteile und Wirksamkeit des Algorithmus wurden auf der Grundlage realer Daten nach der Implementierung berechnet. Zu den wichtigsten Trends im Prognosezeitraum gehören nachfrageprognosegesteuerte Sortimentsoptimierung, Lückenerkennung auf Geschäftsebene mithilfe von Echtzeit-Verkaufssignalen, lokalisierte Sortimentsplanung für Mikromärkte, automatisierte Planogramm- und Regalflächenempfehlungen sowie Bestandszuteilungsoptimierung mit Beschränkungsmodellen.

Trotz der verfügbaren mathematischen Raffinesse bleiben praktische Barrieren bestehen. Eine McKinsey-Umfrage ergab, dass 71 Prozent der Händler sagen, dass KI-Merchandising-Tools bisher eine begrenzte bis keine Wirkung hatten, und die Lücke lässt sich auf die Qualität der Verkaufshistorie und die Konsistenz der Attribute zurückführen, nicht auf die Algorithmen. Der Implementierungserfolg hängt von sauberen Daten, konsistenten Produktattributen und der Integration mit bestehenden Enterprise-Resource-Planning- und Point-of-Sale-Systemen ab, nicht nur von der Algorithmenwahl.