Wie setzt Decathlon KI für die Sortimentsplanung von Sportartikeln in Europa ein?

Decathlon, Europas grösster Sportartikelhändler mit über 1700 Geschäften auf dem Kontinent, hat in den vergangenen zwei Jahren künstliche Intelligenz in den Kern seines Sortimentsplanungsprozesses integriert. Das französische Unternehmen nutzt nun maschinelles Lernen zur Nachfrageprognose auf Filialebene, zur Optimierung von Sortimentstiefe und -breite sowie zum Ausgleich kommerzieller Ziele mit Nachhaltigkeitsvorgaben wie Abfallreduktion und Kreislaufdesign. Die Umstellung adressiert eine langjährige Spannung im länderübergreifenden Einzelhandel: Wie lassen sich lokal relevante Sortimente anbieten, ohne die Einkaufsmacht und Markenkohärenz zu opfern, die aus zentraler Planung resultieren.

Es steht viel auf dem Spiel. Sortimentsentscheidungen bei Bekleidung und Schuhen legen Kosten Monate vor der Warenauslieferung fest, und Fehler führen zu Preisreduzierungen, die Margen schmälern, oder zu unverkauften Beständen, die abgeschrieben werden müssen. Für Decathlon, das Eigenmarkenprodukte in über 80 Sportarten verkauft, birgt schlechte Sortimentsplanung auch das Risiko, Kunden zu enttäuschen, die Fachkompetenz in jeder Kategorie erwarten. Gleichzeitig drängen Vorschriften der Europäischen Union zu Textilabfall und Ökodesign Händler dazu, Langlebigkeit, Reparierbarkeit und Rücknahme am Lebensende einzuplanen, was einem ohnehin komplexen Prozess neue Vorgaben hinzufügt.

Die KI-Werkzeuge des Unternehmens befinden sich nun an der Schnittstelle von Merchandising, Lieferkette und Umweltstrategie. Bis Herbst 2026 hat der Ansatz messbare Ergebnisse bei Lagerumschlag und Abfallreduktion erbracht und bietet eine Vorlage für andere Multi-Kategorie-Händler, die ähnlichen Druck bewältigen.

Welches Geschäftsproblem löst Decathlons KI-System?

Decathlons Sortimentsherausforderung ergibt sich aus seiner Grösse und Struktur. Der Händler entwirft und fertigt die meisten seiner Produkte selbst über dedizierte Sportmarken wie Kalenji für Laufsport und Quechua für Bergsport. Zentrale Design- und Beschaffungsteams arbeiten 12 bis 18 Monate im Voraus und legen globale Sortimente fest. Lokale Merchandiser passen diese Sortimente dann für nationale oder regionale Märkte an und wählen aus, welche Produkte in welchen Grössen und Farben und in welchen Mengen für jedes Geschäft geführt werden.

Traditionelle Planung stützte sich auf die Intuition der Merchandiser, die Verkaufszahlen des Vorjahres und manuelle Tabellenkalkulationen. Dieser Ansatz hatte Mühe, mikrolokale Variation zu berücksichtigen, etwa die Beliebtheit von Trailrunning in Alpenstädten oder den Anstieg des Radfahrens während städtischer Autobeschränkungen. Er führte auch zu Sicherheitsbestandspuffern, die Lagerbestände aufblähten und das Risiko der Veralterung erhöhten. Bei durchschnittlichen Lagerumschlägen von vier bis sechs Mal pro Jahr im Mode- und Sportbekleidungsbereich können selbst kleine Verbesserungen der Prognosegenauigkeit erhebliches Working Capital freisetzen.

KI-gestützte Sortimentsplanung automatisiert einen Grossteil der Prognose und Optimierung. Modelle des maschinellen Lernens verarbeiten historische Verkaufszahlen, Kundenfrequenz, lokale Demografie, Wettermuster und Veranstaltungskalender, um die Nachfrage auf SKU- und Filialebene vorherzusagen. Optimierungsalgorithmen schlagen dann Sortimente vor, die den prognostizierten Umsatz oder die Marge innerhalb von Vorgaben wie Regalfläche, Mindestbestellmengen und Nachhaltigkeitszielen maximieren. Merchandiser prüfen und justieren die Empfehlungen, bevor sie Bestellungen tätigen.

Wie funktioniert das System in der Praxis?

Decathlons KI-Sortimentsplattform kombiniert drei Ebenen. Die erste ist die Nachfrageerfassung, die Zeitreihen-Prognosemodelle verwendet, um Verkäufe für jedes Produkt, jede Grösse und jeden Standort vorherzusagen. Die Modelle integrieren externe Signale wie lokale Wettervorhersagen, Schulferienkalender und nahegelegene Sportveranstaltungen. Beispielsweise steigen die Verkäufe von Laufschuhen typischerweise in den Wochen vor einem Marathon, und die Nachfrage nach Skibekleidung korreliert eng mit frühen Schneefällen in nahegelegenen Skigebieten.

Die zweite Ebene ist die Sortimentsoptimierung. Bei gegebener Nachfrageprognose und Bestandsvorgaben empfiehlt das System, welche Produkte in jedem Geschäft und in welcher Tiefe geführt werden sollen. Die Algorithmen balancieren drei Ziele: Umsatzmaximierung, Aufrechterhaltung einer Mindestmarkenpräsenz in jeder Sportkategorie und Erfüllung von Nachhaltigkeitskriterien wie dem Anteil langlebiger oder recycelbarer Produkte. Merchandiser können die Gewichtungen anpassen oder harte Vorgaben setzen, beispielsweise die Anforderung, dass mindestens 30 Prozent der Textil-SKUs definierte Ökodesign-Standards erfüllen.

Die dritte Ebene ist kontinuierliches Lernen. Das System verfolgt tatsächliche Verkäufe gegenüber Prognosen und speist Prognosefehler zurück in die Modelle. Es führt auch kontrafaktische Simulationen durch und schätzt, wie die Verkäufe ausgefallen wären, hätte das Geschäft ein anderes Sortiment geführt. Mit der Zeit lernen die Modelle, welche lokalen Signale am wichtigsten sind und welche Produktattribute Substitution antreiben, wenn eine bevorzugte SKU nicht vorrätig ist.

Welche Ergebnisse hat Decathlon gemeldet?

Decathlon hat selektive Leistungsdaten in Nachhaltigkeitsberichten und auf Handelskonferenzen in den Jahren 2025 und 2026 geteilt. In seinem Nachhaltigkeitsbericht 2025, veröffentlicht im März 2026, erklärte das Unternehmen, dass KI-gestützte Sortimentsplanung zu einer Reduktion unverkaufter Saisonbestände beigetragen habe, veröffentlichte jedoch keine Gesamtzahl. Separat bemerkte ein Supply-Chain-Direktor von Decathlon in einer Präsentation auf einer europäischen Einzelhandelstechnologie-Konferenz im Juni 2026, dass maschinelle Lernprognosen die Genauigkeit um mehrere Prozentpunkte in Kategorien mit hoher saisonaler Volatilität wie Wintersport und Outdoor-Camping verbessert hätten.

Das Unternehmen hat auch Umweltvorteile hervorgehoben. Decathlon berichtete, dass es 2025 den Anteil von Produkten erhöht habe, die auf Langlebigkeit und Reparierbarkeit ausgelegt sind, in seinem europäischen Sortiment, unterstützt durch Algorithmusvorgaben, die solche Artikel priorisieren, wenn Nachfrageprognose und Marge vergleichbar sind. Der Händler betreibt ein Rücknahme- und Wiederverkaufsprogramm, Trocathlon, und hat erklärt, dass bessere Nachfrageprognosen das Volumen unverkaufter Waren reduzieren, die andernfalls in Rabattkanäle gelangen oder vernichtet würden.

Quantitative Auswirkungen bleiben schwer unabhängig zu verifizieren. Decathlon ist ein Privatunternehmen und veröffentlicht keine detaillierten Finanzergebnisse oder Bestandskennzahlen. Die Berichterstattung der Fachpresse über die KI-Einführung hat sich weitgehend auf Unternehmensaussagen statt auf Drittprüfungen gestützt. Dennoch bemerken Branchenanalysten, dass selbst bescheidene Verbesserungen der Prognosegenauigkeit in der Grössenordnung von zwei bis fünf Prozentpunkten Sicherheitsbestände und Preisreduzierungen in Unternehmen mit Tausenden von SKUs und Standorten materiell reduzieren können.

Wie balanciert Decathlon lokale Relevanz und zentrale Kontrolle?

Eine der heikelsten Fragen im Multi-Markt-Einzelhandel ist, wo die Grenze zwischen zentraler Effizienz und lokaler Autonomie zu ziehen ist. Decathlons Modell bewahrt zentrale Kontrolle über Produktdesign, Beschaffung und Markenarchitektur und gibt gleichzeitig Länder- und Regionalteams Einfluss auf Sortimentszusammensetzung und Bestandstiefe. Das KI-System unterstützt diese Arbeitsteilung, indem es lokalen Merchandisern quantitative Entscheidungsunterstützung bietet, statt Top-down-Mandate aufzuerlegen.

In der Praxis definieren zentrale Teams das globale Produktsortiment und setzen Parameter für die Optimierungsalgorithmen, einschliesslich Nachhaltigkeitsvorgaben und Mindestrepräsentation für jede Sportkategorie. Länder-Merchandiser nutzen dann die KI-Empfehlungen als Ausgangspunkt und passen sie basierend auf lokalem Wissen, Aktionskalendern und Beziehungen zu Sportverbänden oder Vereinen an. Filialleiter haben begrenzten Ermessensspielraum, schnell verkaufte Artikel innerhalb zugeteilter Budgets nachzubestellen, können aber keine SKUs ausserhalb des genehmigten nationalen Sortiments einführen.

Dieser mehrstufige Ansatz spiegelt Praktiken anderer europäischer Multi-Format-Händler wider. Decathlons vertikale Integration verschafft ihm jedoch einen Vorteil: Weil es Design und Fertigung kontrolliert, kann es Produktionsläufe als Reaktion auf überarbeitete Nachfrageprognosen schneller anpassen als Händler, die von Drittmarken abhängig sind. Wiederbeschaffungszeiten für Kernprodukte werden oft in Wochen statt Monaten gemessen, was dem KI-System erlaubt, Anpassungen innerhalb der Saison sowie Planung vor der Saison voranzutreiben.

Wie werden Nachhaltigkeitsziele in die Algorithmen eingebettet?

Europäische Textilvorschriften werden strenger. Die Ökodesign-Verordnung für nachhaltige Produkte der EU, verabschiedet 2024 und ab 2026 phasenweise in Kraft tretend, wird letztlich verlangen, dass Bekleidung und Schuhe Mindeststandards für Langlebigkeit, Reparierbarkeit und Recycelbarkeit erfüllen. Systeme erweiterter Herstellerverantwortung in Frankreich, den Niederlanden und anderen Mitgliedstaaten verlangen bereits, dass Händler die Sammlung und das Recycling unverkaufter und ausgedienter Textilien finanzieren. Diese Regeln schaffen sowohl Compliance-Verpflichtungen als auch Wettbewerbsrisiken für Händler, deren Sortimente grosse Mengen wenig langlebiger, schwer recycelbarer Produkte umfassen.

Decathlon hat reagiert, indem es Nachhaltigkeitskriterien in seine Sortimentsalgorithmen eingebaut hat. Jedes Produkt im Hauptkatalog wird nach Attributen wie Materialzusammensetzung, erwarteter Lebensdauer, Verfügbarkeit von Ersatzteilen und Recycelbarkeit bewertet. Die Optimierungsmaschine kann Mindestschwellenwerte anwenden, beispielsweise die Anforderung, dass mindestens ein bestimmter Prozentsatz des empfohlenen Sortiments in jeder Kategorie definierte Ökodesign-Standards erfüllt. Merchandiser können auch Präferenzen setzen und das System bitten, langlebige Produkte zu bevorzugen, wenn Nachfrageprognose und Marge ähnlich sind.

Das Unternehmen hat erklärt, dass dieser Ansatz ihm hilft, regulatorische Anforderungen zu erfüllen und gleichzeitig kommerzielle und ökologische Ziele in Einklang zu bringen. Auf Langlebigkeit ausgelegte Produkte erzielen typischerweise höhere Preise und Margen und gleichen die Kosten besserer Materialien und Verarbeitung aus. Sie generieren auch weniger Retouren und geringere Garantieansprüche. Sie können jedoch einen langsameren Lagerumschlag haben und Working Capital binden. Das KI-System versucht, diese Kompromisse zu balancieren, indem es Lebenszeitwert statt reinen Erstumsatz prognostiziert.

Was sind die Risiken und Grenzen der KI-Sortimentsplanung?

KI-gestützte Planung ist kein Allheilmittel. Die bedeutendste Einschränkung ist die Abhängigkeit von historischen Daten. Modelle maschinellen Lernens funktionieren gut, wenn die Zukunft der Vergangenheit ähnelt, haben aber Mühe mit strukturellen Brüchen wie neuen Sporttrends, raschen demografischen Verschiebungen oder unerwarteten Ereignissen. Beispielsweise überraschte der Anstieg von Heimfitness während Pandemie-Lockdowns die meisten Prognosemodelle, ebenso wie der anschliessende Aufschwung bei Outdoor- und Teamsport. Decathlons System integriert externe Signale und menschliche Übersteuerung, kann aber Prognosefehler in volatilen Kategorien nicht vollständig eliminieren.

Ein zweites Risiko ist Überoptimierung. Algorithmen, die kurzfristigen Umsatz oder Marge maximieren, empfehlen möglicherweise Sortimente, die langsamer verkaufte, aber strategisch wichtige Produkte vernachlässigen, etwa Nischenausrüstung, die Fachkompetenz signalisiert. Decathlon begegnet dem durch Mindestpräsenzvorgaben für jede Sportkategorie, aber die Balance zwischen kommerzieller Leistung und Markenpositionierung bleibt eine Ermessensentscheidung, die Merchandiser treffen müssen.

Datenqualität ist eine weitere Einschränkung. Die Modelle hängen von genauen, zeitnahen Eingaben aus Kassensystemen, Bestandsdatenbanken und externen Quellen ab. Fehlende oder verzögerte Daten verschlechtern die Prognosegenauigkeit. Integrationsprobleme sind besonders akut in akquirierten Unternehmen oder Märkten, wo die IT-Infrastruktur hinterherhinkt. Decathlon hat stark in Datenplattformen und Governance investiert, räumt aber ein, dass inkonsistente Datendefinitionen über Länder hinweg ein anhaltendes Problem bleiben.

Schliesslich gibt es die Frage der Transparenz und Verantwortlichkeit. Wenn ein Algorithmus ein Sortiment empfiehlt, das schlechter abschneidet, kann es schwierig sein zu diagnostizieren, ob der Fehler in den Eingabedaten, der Modelllogik oder den Anpassungen des Merchandisers liegt. Klare Eigenverantwortung für Entscheidungen ist wesentlich für Lernen und kontinuierliche Verbesserung, schafft aber auch organisatorische Reibung, wenn menschliche Intuition mit Maschinenempfehlungen kollidiert. Decathlons Ansatz, KI als Entscheidungsunterstützung statt autonome Kontrolle zu behandeln, hilft, Verantwortlichkeit zu bewahren, erfordert aber fortlaufende Schulung und Change Management.

Wie gehen Wettbewerber mit KI in der Sortimentsplanung um?

Decathlon ist Teil einer breiteren Verschiebung europäischer Händler hin zu algorithmischem Merchandising. Sport- und Outdoor-Konkurrenten wie JD Sports und Intersport haben Investitionen in Nachfrageprognose und Bestandsoptimierung diskutiert, öffentliche Details bleiben jedoch spärlich. Im weiteren Bekleidungssektor hat Inditex proprietäre KI-Systeme gebaut, um Bestände über sein Zara-Filialnetz zu verteilen und nutzt Echtzeit-Verkaufsdaten, um Ware von langsameren zu schnelleren Standorten umzuleiten. H&M hat mit Technologieanbietern zusammengearbeitet, um Nachfrageprognosen zu verbessern und Preisreduzierungen zu verringern, die Ergebnisse waren jedoch gemischt.

Luxus- und Premiummarken stehen vor anderen Kompromissen. Für sie überwiegen Knappheit und Markenkontrolle oft Bestandseffizienz, und Sortimentsentscheidungen priorisieren redaktionelle Kohärenz über algorithmische Optimierung. Doch selbst im Luxussegment wird KI für Nachfrageerfassung in Kategorien wie Brillen, Parfüm und Accessoires eingesetzt, wo Produktlebenszyklen länger und Verkaufsmuster vorhersagbarer sind.

Der gemeinsame Faden über Segmente hinweg ist die Integration von Nachhaltigkeitsvorgaben. Europäische Händler konvergieren zur Ansicht, dass Ökodesign und Kreislaufwirtschaft in Planungssysteme eingebettet werden müssen, statt als Nachgedanken behandelt zu werden. Dies spiegelt sowohl regulatorischen Druck als auch die Erkenntnis wider, dass Konsumenten, besonders jüngere Kohorten, zunehmend Umweltattribute in Kaufentscheidungen berücksichtigen. KI-Sortimentswerkzeuge, die Nachhaltigkeit ignorieren, riskieren, für Präferenzen zu optimieren, die sich bereits verschieben.

Häufig gestellte Fragen

Was sollten Modeunternehmen jetzt tun?

1. Aktuelle Planungsprozesse prüfen, um zu identifizieren, wo manuelle Prognosen und Sortimentsentscheidungen Ineffizienz, Überbestände oder verpasste Verkaufschancen schaffen.
2. In Dateninfrastruktur investieren, bevor KI-Modelle eingesetzt werden, und saubere, konsistente und zeitnahe Eingaben aus Kassensystemen, Bestandsdaten und externen Quellen wie Wetter und Veranstaltungen sicherstellen.
3. Mit Pilotprojekten beginnen in Kategorien oder Märkten mit hoher Datenqualität und klaren Erfolgskennzahlen, dann basierend auf validierten Ergebnissen statt Anbieterversprechen skalieren.
4. Nachhaltigkeitsvorgaben einbetten von Anfang an in Optimierungsalgorithmen, die regulatorische Anforderungen und strategische Verpflichtungen zu Ökodesign und Kreislaufwirtschaft widerspiegeln.
5. Menschliche Aufsicht bewahren, indem KI als Entscheidungsunterstützung statt autonome Kontrolle behandelt wird, und Merchandiser schulen, algorithmische Empfehlungen zu interpretieren und anzupassen.
6. Prognosegenauigkeit überwachen und Modellleistung kontinuierlich verfolgen, A/B-Tests und kontrafaktische Analysen nutzen, um inkrementelle Auswirkungen zu messen und Fehler zu diagnostizieren.
7. Zentrale Effizienz mit lokaler Autonomie balancieren, indem klare Rollen für globale, Länder- und Filialteams definiert werden, und sicherstellen, dass das KI-System diese Arbeitsteilung unterstützt statt untergräbt.