Wie Decathlon KI für Nachfrageprognose und Supply-Planung einsetzt

Decathlon nutzt Machine Learning, um die wöchentliche Nachfrage für Zehntausende Produkte in jeder seiner Versorgungszonen zu prognostizieren, und diese Prognosen steuern den Nachschub und die längerfristige Planung. 2026 beschrieb der Sportartikelhändler den Wechsel von regionsspezifischen Deep-Learning-Modellen zu einem feinabgestimmten Foundation Model für Zeitreihen, Chronos-2. Nach eigenen Angaben sank der Prognosefehler in den ersten beiden produktiven Regionen um 6 bis 15 Prozentpunkte, während das System zugleich günstiger und schneller einzuführen wurde.

Was muss Decathlon prognostizieren?

Laut einem Beitrag im AWS Machine Learning Blog, der zusammen mit dem Demand-Forecasting-Team von Decathlon verfasst und am 28. August 2026 veröffentlicht wurde, verkauft Decathlon Zehntausende Produkte für mehr als 80 Sportarten. Die Prognosen umfassen bis zu 25'000 Produkte pro Versorgungszone, darunter Europa, Indien, China, Südostasien (SEA) und Lateinamerika (LATAM).

Das System erstellt jede Woche Prognosen der wöchentlichen Absatzmengen für zwei Horizonte:

• 12 Wochen für den Nachschub, also die Entscheidung, wie viel Ware bestellt und wo sie platziert wird.
• 52 Wochen für die strategische Planung, etwa Kapazitäts- und Sortimentsentscheidungen.

Die Grössenordnung macht die Aufgabe schwierig. Jedes Produkt in jeder Zone ist eine eigene Zeitreihe, deren Nachfrage von Saisonalität, Promotionen, Preisänderungen und neuen Filialeröffnungen beeinflusst wird. Ein Modell, das für jede Region aufwendig neu trainiert werden muss, wird schnell teuer im Betrieb und lässt sich nur langsam ausweiten.

Am Artefact AI for Industry Summit in Paris im September 2024 sagte Milton Martinez Luaces, Vice President Data for the Value Chain bei Decathlon, dass ein Team von 40 Personen auf mehreren Ebenen an der Nachfrageprognose arbeite, vom E-Commerce bis zu den regionalen Lagern, und dass KI Prognose, Bestandsmanagement und Sortimentsplanung unterstütze.

Wie hat Decathlon die Nachfrage bisher prognostiziert?

Der Beitrag von AWS beschreibt zwei frühere Generationen. Von 2021 bis 2024 nutzte Decathlon Amazon SageMaker DeepAR für die Wochen 1 bis 16 und exponentielle Glättung nach Holt-Winters für die Wochen 17 bis 52, wobei DeepAR wöchentlich neu trainiert wurde. Ab 2024 kam ein Temporal Fusion Transformer mit Kovariaten zum Einsatz. Die Nachteile waren laut dem Beitrag der Aufwand für das wöchentliche Retraining und die schwierige Skalierung auf neue Regionen.

Lesen Sie auch

Wie Uniqlo und Fast Retailing KI und Daten im Ariake-Projekt einsetzen

Was ist Chronos-2, und warum hat Decathlon es eingesetzt?

Chronos-2 ist ein Open-Source-Foundation-Model für Zeitreihen, das Forschende von AWS im Oktober 2025 veröffentlicht haben. Amazon Science beschreibt es als fähig, univariate, multivariate und kovariatengestützte Prognosen ohne aufgabenspezifisches Training zu erstellen, einschliesslich bekannter künftiger Inputs wie geplanter Promotionen. Für einen Händler bedeutet das: Ein einziges vortrainiertes Modell lässt sich an viele Produktzeitreihen anpassen, statt für jede Region separate Modelle zu trainieren.

Decathlon testete es auf eigenen Daten über 101 rollierende Stichtage von Ende 2022 bis Ende 2024, mit rund 39'000 einzelnen Produktzeitreihen. Das Modell erreichte im Zero-Shot-Einsatz mindestens das Niveau der neu trainierten produktiven Baseline oder übertraf sie, und eine alle sechs Monate mit LoRA feinabgestimmte Version wies bei beiden Horizonten den geringsten Fehler auf.

Wie stark hat sich die Prognosegenauigkeit verbessert?

Der Beitrag von AWS berichtet den folgenden gewichteten absoluten prozentualen Fehler (WAPE), wobei ein tieferer Wert besser ist:

Decathlon hat die Genauigkeit auch in betriebswirtschaftliche Grössen übersetzt. Das Unternehmen schätzt, dass jeder WAPE-Punkt beim 12-Wochen-Horizont im Durchschnitt über alle Zonen rund 0,3 eingesparte Tage Lagerbestand, rund 0,3 Punkte Warenverfügbarkeit und rund 0,12 Punkte Umsatz wert ist. Das sind interne Schätzungen und keine geprüften Ergebnisse, sie zeigen aber, wie ein Prognoseteam Modellkennzahlen mit Bestands- und Servicegrad verknüpfen kann.

Zwei Punkte helfen bei der Einordnung der Tabelle. Die Verbesserungen sind beim 12-Wochen-Horizont für den Nachschub am grössten, also dort, wo die Prognosequalität den Bestand in Filialen und Lagern am direktesten beeinflusst. Und die Ausgangsfehler unterscheiden sich je nach Region deutlich: Lateinamerika startete mit einem höheren Fehler als Südostasien, sodass die grössere Reduktion dort teilweise den grösseren Verbesserungsspielraum widerspiegelt. Händler, die diese Zahlen mit ihren eigenen vergleichen, sollten beachten, dass der WAPE stark von Produktmix, Aggregationsebene und dem Anteil langsam drehender Artikel abhängt.

Welche Daten und welche Infrastruktur nutzt das System?

Laut dem Beitrag von AWS werden die Daten in PySpark-Pipelines aufbereitet, die mit Airflow orchestriert werden. Das Fine-Tuning läuft alle sechs Monate auf einer GPU-Instanz, wobei die Modelle pro Zone in einer MLflow-Registry versioniert werden, während die wöchentliche Batch-Inferenz auf einer CPU-Instanz läuft und durch Databricks-Jobs ausgelöst wird. Zu den bekannten Kovariaten in den veröffentlichten Beispielen gehören Preis und Anzahl Filialen, und das Modell liefert probabilistische Prognosen statt einer einzelnen Zahl, mit denen die Planung Sicherheitsbestände festlegen kann.

Was hat sich im Betrieb verändert?

Die operativen Verbesserungen waren ebenso wichtig wie die Genauigkeit. Laut dem Beitrag sank der Aufwand für die Einführung in einer neuen Region von rund sechs Monaten mit drei Personen auf zwei bis drei Monate, das Retraining wechselte von wöchentlich auf alle sechs Monate, und die Inferenz verkürzte sich von 10 bis 15 Minuten einschliesslich Retraining auf 40 bis 75 Sekunden auf einer CPU-Instanz. Die wöchentliche Inferenz kostet rund 0,03 US-Dollar pro Durchlauf. Das Modell ist in SEA und LATAM produktiv; ein vollständiger Rollout über mehrere Zonen ist für 2026 geplant, als Nächstes folgen der Nahe Osten und Afrika.

Lesen Sie auch

Wie Inditex KI und Daten einsetzt: RFID und eine nachfragegesteuerte Supply Chain

Was können andere Mode- und Sporthändler von Decathlon lernen?

Der Beitrag von AWS nennt Lehren, die weit über Sportartikel hinaus gelten:

1. Auf eigenen Daten testen, denn öffentliche Ranglisten gelten nicht unbedingt für die Nachfrage im Handel.
2. Selbst seltenes Fine-Tuning ist besser als der Zero-Shot-Einsatz eines Foundation Models.
3. Mit einem feinabgestimmten Modell beginnen und Kovariaten wie Preis und Anzahl Filialen schrittweise hinzufügen.
4. In dieser Grössenordnung kann CPU-Inferenz ausreichen, was die Betriebskosten tief hält.

Zwei Grenzen bleiben. Neue Produkte ohne Historie sind weiterhin schwierig: Decathlon führt das übergreifende Lernen für Cold-Start-Produkte als künftige Aufgabe auf, und Martinez Luaces bezeichnete den Cold Start als Problem, an dem aktiv gearbeitet werde. Und Vertrauen ist entscheidend: Er sagte, der Blackbox-Charakter von KI erzeuge Widerstand in den Fachbereichen, und Decathlon wolle die Modelle eher zu einer Greybox machen, damit die Planung einen Teil der Begründung hinter den Prognosen nachvollziehen kann.