Was ist die Optimierung der Grössenverteilung, und wie hilft KI, die richtigen Grössen einzukaufen?

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. Eine Grössenverteilung ist die prozentuale Aufteilung einer Einkaufsmenge auf die Grössen; die Optimierung der Grössenverteilung leitet diese Aufteilung aus der Nachfrage statt aus Gewohnheit ab.
2. Rohe Verkaufsdaten sind eine verzerrte Grundlage für Grössenverteilungen, weil Grössen, die früh ausverkauft sind, keine Verkäufe mehr erfassen, während Kunden weiter danach suchen.
3. Eine Studie zu einem Schuhhändler ergab, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf benachbarte Grössen auswich und dass die Berücksichtigung dieses Effekts den Gewinn bei geringer Nachfrage um bis zu 28 Prozent steigern könnte.
4. Grössenverteilungen sollten sich nach Produkttyp, Passform, Preislage und Standort unterscheiden, doch kleine Filialen erzeugen allein selten genug Daten, weshalb Modelle ähnliche Filialen und Produkte bündeln.
5. Weil jede Grösse eine eigene GTIN hat, lassen sich Verkaufs- und Bestandsdaten auf Grössenebene in jedem Kanal erfassen, auch von Wholesale-Partnern, die Sell-out-Berichte teilen.

Die Optimierung der Grössenverteilung ist der Prozess, bei dem entschieden wird, wie eine Einkaufsmenge auf die Grössen aufgeteilt werden soll, auf Basis einer Schätzung der tatsächlichen Nachfrage pro Grösse statt eines festen Verhältnisses, das jede Saison wiederholt wird. KI hilft, indem sie die Grössennachfrage aus Verkaufs- und Bestandshistorie lernt, um ausverkaufte Grössen korrigiert und unterschiedliche Verteilungen für verschiedene Produkte, Passformen und Standorte erstellt.

Was ist eine Grössenverteilung im Modeeinkauf?

Eine Grössenverteilung, manchmal auch Grössenprofil oder Grössenschlüssel genannt, ist der Anteil jeder Grösse an einem Einkauf oder einer Allokation. Ein Damenstrickteil könnte zum Beispiel mit 10 Prozent XS, 25 Prozent S, 30 Prozent M, 25 Prozent L und 10 Prozent XL eingekauft werden (eine beispielhafte Aufteilung, kein Richtwert). Viele Unternehmen nutzen eine Verteilung pro Kategorie, die gelegentlich angepasst wird. Das Problem: Die Grössennachfrage variiert nach Passform, Stoffdehnung, Preislage, Region und Filiale, und eine einzige Verteilung garantiert, dass an manchen Standorten die Kerngrössen ausgehen, während andere Randgrössen in den Ausverkauf mitnehmen.

Warum sind Verkäufe ein schlechter Indikator für die Grössennachfrage?

Verkäufe erfassen die Nachfrage nur, solange Ware verfügbar ist. Ist Grösse M in Woche drei ausverkauft, zeigt das System für den Rest der Saison keine M-Verkäufe, und die Verteilung des nächsten Jahres sieht weniger M vor. Diese Rückkopplungsschleife, oft als zensierte Nachfrage bezeichnet, verschiebt die Verteilungen unbemerkt weg von den bestverkauften Grössen.

Die Forschung beziffert einen Teil dieses Effekts. Akchen und Caro untersuchten in einem Beitrag, der in Manufacturing & Service Operations Management erscheinen soll, Damenstiefel bei einem Schuhhändler und stellten fest, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf benachbarte Grössen auswich, etwa zur Hälfte auf die nächstgrössere und zur Hälfte auf die nächstkleinere Grösse. Die erfassten Verkäufe benachbarter Grössen enthalten also Kunden, die eigentlich eine andere Grösse wollten. Die Autoren fanden, dass eine Grössenplanung ohne Modellierung der Substitution in Umgebungen mit hohem Volumen wie dem E-Commerce nahezu optimal ist, während in Umgebungen mit geringer Nachfrage wie dem saisonalen stationären Handel ein Modell, das die Substitution berücksichtigt, den Gewinn um bis zu 28 Prozent verbessern könnte.

Lesen Sie auch

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren

Wie schätzt KI die richtige Grössenverteilung?

1. Verkäufe und Bestände nach Grösse und Tag erfassen, für jeden Standort, damit das Modell weiss, wann jede Grösse tatsächlich verfügbar war.
2. Die Nachfrage nur für Zeiträume mit Verfügbarkeit schätzen und daraus ableiten, wie hoch die Nachfrage in Zeiträumen gewesen wäre, in denen eine Grösse ausverkauft war.
3. Daten über ähnliche Artikel und Filialen bündeln, weil eine einzelne Filiale mit einem einzelnen Style selten genug Einheiten verkauft, um allein eine verlässliche Verteilung zu schätzen.
4. Nach relevanten Attributen trennen, etwa Passform (slim, regular, oversized), Kategorie, Preisband und Region.
5. Verteilungen in Einkaufs- und Packentscheidungen übersetzen und dabei die Packungsschlüssel und Mindestmengen der Lieferanten einhalten.

Der Schritt der Bündelung verdient Aufmerksamkeit. Eine frühe, auf arXiv veröffentlichte Studie zu einem Modediscounter mit vielen kleinen Filialen argumentierte, dass eine direkte Schätzung der Grössennachfrage aus den Verkäufen jeder Filiale statistisch problematisch sei, weil die Volumen zu klein sind. Die Autoren schlugen ein Mass dafür vor, welche Grössen pro Filiale durchgehend am knappsten und am reichlichsten waren, nutzten es zur Anpassung der Grössenverteilungen in vorkonfektionierten Packs und berichteten in den Testfilialen von einem um fast einen Prozentpunkt höheren Bruttoertrag als in den Kontrollfilialen.

Welche Daten braucht KI für Grössenverteilungen?

Der wesentliche Input sind Verkäufe und Bestände auf Grössenebene für jeden Standort und Kanal. GS1 legt fest, dass jede Produktvariante, also jede Grösse, jede Farbe und jede Kombination, eine eigene GTIN braucht; die Identifikation auf Grössenebene ist damit überall Standard, wo Barcodes gescannt werden. Wholesale-Marken sind hierfür auf ihre Partner angewiesen: Verkaufsberichte des Handels, die in Standardformaten ausgetauscht werden, etwa die von GS1 Austria für die Modebranche profilierte EDIFACT-Nachricht SLSRPT, enthalten Verkaufsmengen nach GTIN, Verkaufsstelle und Zeitraum.

• Verkaufs- und Bestandshistorie auf Grössenebene, idealerweise täglich, nach Standort.
• Einheitliche Grössencodierung über Saisons und Lieferanten hinweg (ein M in einem Passformgrundschnitt sollte im nächsten dasselbe bedeuten).
• Produktattribute, die die Grösse beeinflussen: Passform, Dehnung, Kategorie, Zielkundschaft.
• Retourendaten für Onlinekanäle, da Retouren nach Grösse eher Passformprobleme als Nachfrage offenlegen.

Wo liegen die Grenzen der KI-gestützten Optimierung der Grössenverteilung?

Grössenverteilungen können nur eine feste Einkaufsmenge neu verteilen; eine falsche Gesamtmenge können sie nicht korrigieren. Sie sind zudem durch die Packungsschlüssel der Lieferanten eingeschränkt, die einen Standardmix pro Karton erzwingen können. Sehr kleine Filialen und Nischengrössen bleiben schwer zu prognostizieren, und Bündelungsannahmen können echte lokale Unterschiede verdecken. Schliesslich sind erweiterte Grössenbereiche in der Historie oft unterrepräsentiert, weil sie zu knapp eingekauft wurden; Modelle, die mit dieser Historie trainiert werden, können die Lücke deshalb fortschreiben, sofern Einkäufer nicht bewusst tiefere Grössenläufe testen.

Lesen Sie auch

Das KI-Vokabular, das jeder Einkäufer in der Mode kennen sollte

Wie sollte ein Einkaufsteam beginnen?

Wählen Sie eine Kategorie mit stabilen Passformen und guten Daten, berechnen Sie um Fehlbestände bereinigte Verteilungen parallel zu den aktuellen Schlüsseln und wenden Sie sie auf eine Testgruppe von Filialen oder einen Teil des Einkaufs an. Messen Sie die Verfügbarkeit der Kerngrössen während der Saison und den Anteil der Randgrössen, der am Ende übrig bleibt. Weil sich die Änderung darauf beschränkt, wie eine Menge aufgeteilt wird, gehören Grössenverteilungen zu den risikoärmeren Einstiegspunkten für KI im Einkauf.

Vereinbaren Sie die Erfolgsmassstäbe, bevor der Test beginnt. Eine Verteilung, die die Verfügbarkeit mittlerer Grössen verbessert, aber am Saisonende mehr XL-Ware übrig lässt, kann dennoch der richtige Kompromiss sein, allerdings nur, wenn Einkauf, Allokation und Finanzen im Voraus vereinbart haben, wie entgangene Verkäufe gegen Abschriftenkosten abzuwägen sind.

Häufige Fragen

Was ist eine Grössenverteilung im Handel?

Eine Grössenverteilung ist die prozentuale Aufteilung eines Einkaufs oder einer Allokation auf die Grössen. Sie bestimmt, wie viele Einheiten jeder Grösse bestellt oder an jede Filiale geschickt werden.

Warum gehen Händlern die Kerngrössen aus?

Oft weil Grössenverteilungen auf früheren Verkäufen beruhen, die früh ausverkaufte Grössen zu niedrig ausweisen. Jede Saison erhalten die bestverkauften Grössen einen etwas kleineren Anteil, und die Fehlbestände wiederholen sich.

Wie viele Daten braucht man, um Grössenverteilungen zu optimieren?

Mehr, als eine einzelne Filiale für einen einzelnen Style meist hat. Modelle bündeln Daten über ähnliche Produkte und Standorte und brauchen eine Verkaufs- und Bestandshistorie auf Grössenebene, idealerweise täglich, um Nachfrage von Verfügbarkeit zu trennen.

Unterscheiden sich Grössenverteilungen online und in der Filiale?

Das können sie. Die Forschung deutet darauf hin, dass in Kanälen mit hohem Volumen wie dem E-Commerce eine einfache, auf Grössenebene aggregierte Planung gut funktioniert, während Filialumgebungen mit geringem Volumen stärker davon profitieren, zu modellieren, wie Kunden auf andere Grössen ausweichen.

LeitfadenDer umfassende Leitfaden zu KI in Merchandising und EinkaufDen ganzen Leitfaden lesen