Wie funktionieren KI-gestützte Allokation und Replenishment über Filialen und Kanäle?

KI-gestützte Allokation und Replenishment funktionieren, indem sie die Nachfrage für jede Produktvariante an jedem Standort prognostizieren und dann berechnen, wie viel Ware geschickt werden soll, damit die erwarteten Verkäufe innerhalb des verfügbaren Bestands und der logistischen Nebenbedingungen maximiert werden. Die Allokation übernimmt die erste Verteilung einer Lieferung; das Replenishment wiederholt die Berechnung, sobald Verkäufe eingehen, und lenkt die Ware dorthin, wo sie sich verkauft.

Was ist der Unterschied zwischen Allokation und Replenishment?

Beide Entscheidungen nutzen ähnliche Modelle, verfügen aber über unterschiedliche Informationen. Die Erstallokation erfolgt vor oder zum Launch, wenn es für das Produkt kaum oder keine Verkaufshistorie gibt; das Modell stützt sich deshalb auf Filialprofile, ähnliche frühere Produkte und die geplante Nachfrage. Das Replenishment erfolgt während der Saison und kann tatsächliche Verkäufe nutzen, was die Prognosen genauer macht, aber weniger Ware zum Disponieren übrig lässt.

Wie entscheidet ein KI-Allokationsmodell über Mengen?

Regelbasierte Allokation nutzt typischerweise Filialklassen (A-, B-, C-Filialen) und feste Verhältnisse. KI-basierte Allokation ersetzt feste Verhältnisse durch eine Prognose für jede Filiale, jedes Produkt und jede Grösse und löst dann ein Optimierungsproblem. Ein typischer Ablauf:

1. Die Nachfrage für jede Variante an jedem Standort für den kommenden Zeitraum schätzen, mit einer Unsicherheitsbandbreite.
2. Das Präsentationsminimum festlegen: den Bestand, den eine Filiale braucht, um ein Produkt glaubwürdig zu zeigen, oft ein vollständiger Grössenlauf.
3. Die erwarteten zusätzlichen Verkäufe einer weiteren Einheit an jedem Standort vergleichen und Einheiten dort zuteilen, wo sie am meisten bringen.
4. Nebenbedingungen einhalten: verfügbarer Bestand, Packungsgrössen, Filialkapazität und Liefertage.
5. Bei hoher Unsicherheit eine Reserve im Lager zurückhalten, damit die Ware den ersten Verkäufen folgen kann.

Das am besten dokumentierte öffentliche Beispiel ist Zara. Wissenschaftler entwickelten gemeinsam mit dem Unternehmen ein Modell, das jede Lieferung aus den Zentrallagern an die Filialen bestimmt und dabei den Zusammenhang zwischen Bestandshöhe und Nachfrage ausdrücklich modelliert. Laut dem Beitrag in Interfaces (2010) steigerte der Prozess den Umsatz um 3 bis 4 Prozent, mit geschätzten Mehrumsätzen von rund 233 Millionen US-Dollar im Jahr 2007 und 353 Millionen im Jahr 2008. Die Lehre: Wie viel Ware in einer Filiale präsentiert wird, beeinflusst, wie viel sich dort verkauft, und das Modell muss dies abbilden.

Lesen Sie auch

Wie funktionieren KI-gestützte Re-Order-Prognosen und automatisches Replenishment für Händler?

Warum sind Daten auf Variantenebene wichtig?

Allokationsentscheidungen werden pro Grösse und Farbe getroffen, nicht pro Style. GS1, die Standardisierungsorganisation für Barcodes, legt fest, dass jede Produktvariante (jede Grösse, jede Farbe und jede Kombination) eine eigene GTIN braucht. Damit ist eine Allokation auf Variantenebene überall technisch möglich, wo ein Barcode gescannt wird. Die praktische Lücke besteht darin, dass viele Unternehmen noch auf Style-Ebene planen oder von Partnerfilialen und Marktplätzen keine Verkäufe und Bestände auf Variantenebene erhalten.

Fehlbestände verzerren die Daten zusätzlich. Eine Studie von Akchen und Caro zu einem Schuhhändler ergab, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf benachbarte Grössen auswichen. Rohe Verkaufsdaten überzeichnen deshalb die Nachfrage nach benachbarten Grössen und unterzeichnen sie für die ausverkauften Grössen. Replenishment-Modelle müssen Zeiträume mit null oder geringem Bestand markieren, damit sie eine ausverkaufte Grösse nicht als unbeliebte interpretieren.

Wie geht KI mit Omnichannel-Beständen um?

Greifen Filialen, E-Commerce und Wholesale auf gemeinsame Bestände zu, wird die Allokation zur Frage, welcher Kanal die nächste Einheit erhält. Die Online-Nachfrage hat meist ein höheres Volumen und ist leichter zu prognostizieren, während sich die Filialnachfrage auf viele Standorte verteilt. Manche Händler erfüllen Onlinebestellungen aus Filialbeständen, was eine weitere Option schafft. Ein KI-Modell kann die erwartete Marge jeder Verwendung vergleichen, aber nur, wenn alle Kanäle Verkäufe und Bestände nahezu in Echtzeit melden.

Signale nahezu in Echtzeit sind die Domäne des Demand Sensing. DHL beschreibt Demand Sensing als kurzfristige Prognose auf Basis von Echtzeitdaten wie Kassenaktivität, Lieferungen, Aktionen, Wetter und Social-Media-Trends, die täglich oder sogar stündlich aktualisiert wird. Für das Replenishment helfen schnellere Signale vor allem bei der Umverteilung von Ware zwischen Standorten während der Saison.

Was braucht ein Unternehmen für die Umsetzung?

• Präzise Bestände nach Standort und Variante, idealerweise mit regelmässigen Inventuren oder Nachverfolgung auf Artikelebene.
• Verkaufshistorie nach Standort und Variante, einschliesslich Web und, wo möglich, Sell-out der Partner.
• Filialmerkmale: Grösse, Klima, Kundenprofil, Fläche und Kapazität der Warenträger.
• Logistikregeln: Liefertage, Packungsgrössen, Vorlaufzeiten und Umlagerungskosten.
• Governance: klare Regeln, wann Disponenten das Modell übersteuern dürfen und wie Übersteuerungen überprüft werden.

Grosse Händler integrieren die Allokation in breitere Planungsprogramme. Marks & Spencer etwa kündigte im Januar 2024 eine durchgängige Planungsplattform für Bekleidung und Home an, deren Umfang neben Finanz- und Sortimentsplanung auch Prognose, Allokation und Nachschub umfasst.

Lesen Sie auch

KI-Bedarfsprognose in der Mode: wie sie funktioniert und wo sie scheitert

Wo liegen die Grenzen?

KI-gestützte Allokation ist am stärksten bei Produkten mit stetiger Nachfrage und vielen Standorten. Schwierig wird es bei sehr geringen Volumen pro Filiale, wo ein einzelner Verkauf das Bild verändert, und bei einmaligen Ereignissen, die das Modell nie gesehen hat. Umlagerungen zwischen Filialen kosten Geld und Personalzeit, sodass Modelle, die ständige Bewegungen empfehlen, auf dem Papier gut aussehen und im Betrieb scheitern können. Der Massstab ist nicht eine perfekte Allokation, sondern weniger Fehlbestände bei Kerngrössen und weniger Ungleichgewicht zwischen Standorten am Saisonende, gemessen an einer klaren Ausgangsbasis.

Ein sinnvoller Rollout beginnt mit dem Replenishment von Durchläufern in einer Auswahl von Filialen, wo die Historie am reichhaltigsten ist und sich Ergebnisse innerhalb weniger Wochen mit einer Kontrollgruppe vergleichen lassen. Die Erstallokation neuer Produkte, die von vergleichbaren Artikeln und Filialprofilen abhängt, ist in der Regel der zweite Schritt, sobald sich die Datengrundlagen bewährt haben.