Was ist Nachfrageprognose (Demand Forecasting) in der Mode?
Die Vorhersage künftiger Produktverkäufe anhand historischer Daten, Trends und anderer Signale, zunehmend mit maschinellem Lernen.
Kurz erklärt
Nachfrageprognose ist die Vorhersage künftiger Produktverkäufe anhand historischer Daten, Trends und weiterer Signale, zunehmend mithilfe von Machine Learning. In der Mode steuern Prognosen, wie viel produziert wird, wohin Ware verteilt wird und wann nachgeliefert wird. Sie sind jedoch schwierig, weil viele Produkte in jeder Saison neu sind.
Wie funktioniert das in der Praxis?
Prognosen werden auf verschiedenen Ebenen und zu verschiedenen Zeitpunkten erstellt. Vor einer Saison schätzen Planer die Nachfrage nach Kategorie und Preisband, um Budgets festzulegen. Für einzelne neue Styles lernen Modelle oft von ähnlichen früheren Artikeln mit vergleichbaren Merkmalen, Preisen und Farben. Während der Saison wird der frühe Sell-through genutzt, um Prognosen zu aktualisieren und über Re-Orders zu entscheiden.
Bei Never-out-of-Stock-Artikeln ist die Prognose stabiler und steuert die automatische Nachlieferung auf SKU- und Filialebene. Als Eingangsdaten dienen etwa Verkaufshistorie, Preise, Aktionen, Wetter, Kalenderereignisse und Warenverfügbarkeit.
Warum ist das wichtig?
Die Mode verbindet lange Vorlaufzeiten mit kurzen Verkaufsperioden, weshalb Prognosefehler teuer sind. Bessere Prognosen helfen:
- Überproduktion und Markdowns zu reduzieren
- Fehlbestände bei Bestsellern zu vermeiden
- Ware den Filialen und Kanälen zuzuteilen, in denen sie sich verkauft
- Produktionskapazitäten und Einkauf früher zu planen
Weniger Überproduktion unterstützt zudem Nachhaltigkeitsziele.
Wie nutzt KI das?
Machine-Learning-Modelle können weit mehr Signale verarbeiten als klassische Methoden und Muster nach Filiale, Grösse oder Kundengruppe erkennen. Sie können entgangene Verkäufe bei Fehlbeständen berücksichtigen und die Nachfrage für Produkte ohne Historie schätzen. Die besten Ergebnisse entstehen meist, wenn Planer die Modellergebnisse mit ihrem eigenen Marktwissen verbinden, statt ihnen blind zu folgen.
Typische Fehler
- Modelle mit Verkaufsdaten trainieren, in denen Fehlbestände verborgen sind
- Uneinheitliche Produktmerkmale, sodass ähnliche Artikel nicht zugeordnet werden können
- Nur auf Gesamtebene prognostizieren und Details zu Grössen und Filialen übersehen
- Teams, die Prognosen ignorieren, denen sie nicht vertrauen oder die sie nicht verstehen
Häufige Fragen
Warum ist Nachfrageprognose in der Mode so schwierig?
Viele Produkte sind in jeder Saison neu und haben keine Verkaufshistorie, Trends ändern sich schnell, und die Nachfrage verteilt sich auf viele Grössen und Farben. Zudem erzwingen die Vorlaufzeiten frühe Entscheidungen.
Wie verbessert KI die Nachfrageprognose in der Mode?
KI-Modelle können mehr Daten nutzen, etwa Merkmale, Wetter und frühe Verkäufe, von ähnlichen Produkten lernen und Prognosen bei neuen Verkäufen rasch aktualisieren. Das verbessert Einkaufs- und Allokationsentscheidungen.
