Datenstrategie für KI in der Mode: was zuerst bereinigt werden muss
Die meisten KI-Projekte in der Mode scheitern an den Daten, nicht an den Algorithmen. Welche Daten am wichtigsten sind, was zuerst bereinigt werden sollte und wie Produkt-, Bestands- und Verkaufsdaten KI-fähig werden.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Für die meisten Modeunternehmen haben strukturierte Produktstammdaten bei KI die erste Datenpriorität: einheitliche Kennungen, Attribute, Materialzusammensetzungen und Bilder für jeden Style, jede Farbe und jede Grösse.
- Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten beruhen, und stellte fest, dass 63 Prozent der Organisationen die richtigen Datenpraktiken fehlen oder sie unsicher sind, ob sie darüber verfügen.
- Präzise Bestandsdaten sind die zweite Priorität, denn Empfehlungen und Assistenten, die nicht verfügbare Produkte vorschlagen, schaden dem Vertrauen; Ask Ralph von Ralph Lauren etwa empfiehlt Artikel auf Basis des aktuellen Bestands.
- Sell-out-Daten von Handelspartnern sind für Marken mit Wholesale-Vertrieb oft die wertvollste und zugleich am wenigsten verfügbare Datenquelle.
- Der Digitale Produktpass der EU für Textilien, dessen delegierter Rechtsakt im vierten Quartal 2027 verabschiedet werden soll, wird Marken belohnen, die ihre Produkt- und Lieferantendaten bereits strukturiert haben.
Das Erste, was in einer Datenstrategie für KI in der Mode bereinigt werden muss, sind die Produktstammdaten: einheitliche Kennungen, Attribute, Materialzusammensetzungen und Bilder für jeden Style, jede Farbe und jede Grösse. Danach folgen präzise Bestandsdaten, eine saubere Verkaufshistorie und, bei Marken mit Wholesale-Vertrieb, Sell-out-Daten von Handelspartnern. Wer diese vier Bereiche in Ordnung bringt, erschliesst die meisten KI-Anwendungsfälle, die für Modeunternehmen relevant sind.
Warum sind Daten der Engpass für KI in der Mode?
KI-Modelle lernen aus Daten und handeln auf Basis von Daten. Sind die Daten unvollständig, inkonsistent oder veraltet, sind es auch die Ergebnisse des Modells, oft mit voller Überzeugung vorgetragen. Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten beruhen. In einer Umfrage vom Juli 2024 unter 1203 Verantwortlichen für Datenmanagement stellte Gartner fest, dass 63 Prozent der Organisationen die richtigen Datenmanagement-Praktiken für KI fehlten oder sie unsicher waren, ob sie darüber verfügen.
Die Mode bringt eigene Komplikationen mit. Ein einzelner Style kann Dutzende Farb- und Grössenvarianten erzeugen. Attribute wie Passform, Ausschnitt oder Anlass werden oft als Freitext oder gar nicht erfasst. Die Daten liegen in getrennten Systemen für Design, Planung, ERP, E-Commerce, Wholesale und Filialen, jeweils mit eigenen Namenskonventionen. Und kurze Produktlebenszyklen bedeuten, dass die Historie jedes einzelnen Artikels dünn ist.
Welche Daten braucht ein Modeunternehmen für KI?
| Datendomäne | Was sie umfasst | Ermöglichte Anwendungsfälle | Häufige Probleme |
|---|---|---|---|
| Produktstammdaten | Kennungen, Hierarchie, Attribute, Zusammensetzung, Pflege, Grössentabellen, Bilder | Produktcontent, Suche, Empfehlungen, Prognosen für neue Artikel, Compliance | Attribute als Freitext, fehlende Varianten, uneinheitliche Bezeichnungen |
| Bestandsdaten | Bestand nach Standort und Kanal, unterwegs, reserviert | Empfehlungen, Allokation, Assistenten, Verfügbarkeitszusagen | Verzögerungen, Phantombestände, Kanäle separat gezählt |
| Verkaufs- und Auftragshistorie | Transaktionen nach Grösse, Standort, Kanal, Preis und Aktion | Prognosen, Grössenverteilungen, Abschriften, Re-Order-Vorschläge | Entgangene Verkäufe nicht erfasst, Retouren nicht verknüpft |
| Sell-out-Daten von Partnern | Verkäufe und Bestände des Handels nach Produkt und Filiale | Wholesale-Re-Orders, Sortimentsberatung, Demand Sensing | Nicht geteilt, unregelmässig, in inkompatiblen Formaten |
| Kundendaten | Profile, Verhalten, Einwilligungsnachweise | Personalisierung, Kundenservice, Clienteling | Lücken bei Einwilligungen, Dubletten, Datenschutzauflagen |
| Lieferanten- und Herkunftsdaten | Fabriken, Materialien, Zertifikate | Compliance, Produktpässe, Risikoüberwachung | In Dokumenten statt in Systemen abgelegt |
Was sollte ein Modeunternehmen zuerst bereinigen?
Die Reihenfolge hängt von den gewählten Anwendungsfällen ab, doch die meisten Modeunternehmen profitieren von folgender Abfolge.
- Produktkennungen und Hierarchie: Jede Variante braucht eine eindeutige, stabile Kennung und einen einheitlichen Platz in der Kategoriestruktur, und zwar über alle Systeme hinweg.
- Attribute: Definieren Sie pro Kategorie eine kontrollierte Liste von Attributen (zum Beispiel Passform, Länge, Material, Muster, Anlass) und pflegen Sie sie einheitlich. KI kann hier helfen, indem sie Attribute aus Bildern und Beschreibungen extrahiert, mit Prüfung durch Menschen.
- Bestandsgenauigkeit: Sorgen Sie für zeitnahe und kanalübergreifend vergleichbare Bestandsdaten, damit kundennahe KI nichts empfiehlt, was nicht geliefert werden kann.
- Qualität der Verkaufshistorie: Verknüpfen Sie Retouren mit Verkäufen, kennzeichnen Sie Fehlbestände, damit null Verkäufe nicht als null Nachfrage gelesen werden, und erfassen Sie Aktionen und Preisänderungen.
- Partnerdaten: Vereinbaren Sie mit wichtigen Handelspartnern, welche Sell-out- und Bestandsdaten wie oft und in welchem Format geteilt werden.
Der Wert von Bestandsdaten zeigt sich deutlich bei kundennahen Tools. Ralph Lauren lancierte im September 2025 in seiner US-App den KI-Stylisten Ask Ralph, der auf der Azure-OpenAI-Plattform von Microsoft basiert; laut FashionUnited empfiehlt er Outfits auf Basis des aktuellen Bestands. Diese Designentscheidung funktioniert nur mit verlässlichen Bestandsdaten.
Wie werden Daten KI-fähig?
Gartner empfiehlt fünf Schritte, um Daten für KI bereit zu machen: Datenquellen auf konkrete KI-Anwendungsfälle ausrichten, die Governance-Anforderungen für KI ermitteln, Metadaten von passiv zu aktiv weiterentwickeln, Datenpipelines für Modelltraining und Produktivbetrieb vorbereiten sowie Daten durch Tests und Monitoring absichern und verbessern. Der gemeinsame Nenner: Die Bereitschaft wird pro Anwendungsfall definiert. Daten, die für einen Monatsbericht genügen, können für ein Modell, das täglich Allokationsentscheidungen trifft, unzureichend sein.
Sprachmodelle können auch bei der Bereinigung selbst helfen. Die Analyse von McKinsey zu generativer KI in der Mode nennt das Generieren personalisierter Produktbeschreibungen; die umgekehrte Richtung, also das Extrahieren strukturierter Attribute aus bestehenden Beschreibungen und Bildern, ist ebenso nützlich, um Lücken in den Produktdaten zu schliessen. In beiden Fällen sollte ein Mensch Stichproben prüfen, denn Fehler bei Zusammensetzung oder Pflegeangaben haben rechtliche Folgen und Folgen für den Kundenservice.
Wer sollte in einem Modeunternehmen für die Datenqualität verantwortlich sein?
Datenqualität scheitert, wenn sie allen gehört. Jede Kerndomäne sollte eine fachlich verantwortliche Person haben, etwa Produktdaten beim Produkt- oder Merchandising-Team und Bestandsdaten im Operations-Bereich, unterstützt von Data Stewards, die die Standards im Alltag pflegen. Die IT stellt Systeme und Pipelines bereit, doch was ein korrektes Attribut oder eine gültige Grössentabelle ist, definiert der Fachbereich.
- Benennen Sie für jede Datendomäne eine verantwortliche Person und geben Sie ihr die Befugnis, Standards festzulegen.
- Beheben Sie Fehler im Quellsystem statt in nachgelagerten Berichten.
- Messen Sie Vollständigkeit und Genauigkeit der priorisierten Attribute und veröffentlichen Sie die Werte monatlich.
- Verankern Sie die Qualität der Datenerfassung in den Prozessen von Design-, Beschaffungs- und Produktteams.
Wie verändert die Regulierung die Datenprioritäten in der Mode?
Die EU-Regulierung macht Produktdaten zu einer Compliance-Pflicht. Die Europäische Kommission plant, den delegierten Rechtsakt für Textilien unter der Ökodesign-Verordnung für nachhaltige Produkte im vierten Quartal 2027 zu verabschieden. Er wird den Digitalen Produktpass definieren, der Produktidentifikation, Faserzusammensetzung, Pflege- und Reparaturhinweise, Informationen zum Lebensende, Herkunftsangaben und die beteiligten Wirtschaftsakteure umfassen kann, zugänglich über einen Datenträger wie einen QR-Code.
Die Daten für den Produktpass überschneiden sich stark mit den Daten, die KI braucht. Marken, die ihre Produkt- und Lieferantendaten jetzt strukturieren, werden sowohl Compliance- als auch KI-Projekte leichter umsetzen, während jene, die abwarten, dieselbe Arbeit unter Termindruck erledigen müssen. Eine Datenstrategie, die auf wenigen klaren Anwendungsfällen und Verantwortlichen aufbaut, ist der praktischste Weg, sich auf beides vorzubereiten.
Häufige Fragen
Welche Daten braucht man für KI in der Mode?
Die meisten KI-Anwendungsfälle in der Mode benötigen strukturierte Produktstammdaten, präzise Bestandsdaten, eine saubere Verkaufs- und Auftragshistorie sowie Kundendaten mit ordnungsgemässer Einwilligung. Marken mit Wholesale-Vertrieb profitieren zudem von Sell-out-Daten, die Handelspartner teilen. Für Compliance-Anwendungsfälle sind Lieferanten- und Herkunftsdaten wichtig.
Was sind KI-fähige Daten?
KI-fähige Daten sind Daten, die sich für einen bestimmten KI-Anwendungsfall eignen: repräsentativ, einheitlich strukturiert, gut dokumentiert und laufend überwacht. Gartner betont, dass die Bereitschaft pro Anwendungsfall definiert wird. Daten, die für das Reporting taugen, sind für ein Modell, das täglich Entscheidungen trifft, womöglich nicht gut genug.
Warum sind Produktdaten für KI in der Mode so wichtig?
Produktdaten speisen fast jeden Anwendungsfall: Contenterstellung, Suche, Empfehlungen, Prognosen für neue Artikel und Compliance. Fehlen Attribute oder sind sie inkonsistent, können Modelle Produkte weder vergleichen noch korrekt beschreiben. Die Bereinigung der Produktdaten bringt oft für mehrere KI-Projekte gleichzeitig Vorteile.
Wie hängt der Digitale Produktpass mit KI zusammen?
Der Digitale Produktpass für Textilien wird strukturierte Produkt- und Lieferkettendaten verlangen, etwa Angaben zu Faserzusammensetzung, Pflege und Herkunft. Dieselben Daten verbessern KI-Anwendungsfälle wie Produktcontent und Suche. Die Europäische Kommission plant, den delegierten Rechtsakt für Textilien im vierten Quartal 2027 zu verabschieden.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
