KI-Bedarfsprognose in der Mode: wie sie funktioniert und wo sie scheitert
Maschinelles Lernen kann Modeprognosen für Carry-over-Linien und Replenishment verbessern, doch neue Modelle, kurze Saisons und Trendwechsel bleiben schwierig. Was Führungskräfte erwarten sollten und was nicht.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- KI-Prognosemodelle lernen aus historischen Verkäufen und externen Signalen und sind nur so gut wie die Historie, auf der sie trainiert werden.
- Prognosen für Carry-over- und Never-out-of-Stock-Artikel sind in der Regel weit verlässlicher als Prognosen für neue Saisonmodelle.
- Erfasste Verkäufe unterschätzen die tatsächliche Nachfrage, wenn Artikel ausverkauft sind, deshalb müssen Ausverkäufe vor dem Training eines Modells korrigiert werden.
- Eine Prognose ist eine Bandbreite, keine Zahl, und Planungsentscheidungen sollten um diese Unsicherheit herum aufgebaut werden.
- Pre-Order-Daten von Wholesale-Accounts gehören zu den stärksten frühen Nachfragesignalen, die eine Modemarke hat.
Jede Modemarke legt sich auf die Produktion fest, bevor sie weiss, was sich verkaufen wird. Stoffe werden Monate im Voraus gebucht, Fabrikkapazitäten reserviert, und die Mengen werden aus einer Mischung von Historie, Pre-Orders und Bauchgefühl festgelegt. KI-Bedarfsprognosen versprechen, diese Wette besser zu informieren. Das gelingt, allerdings innerhalb von Grenzen, die man vor einer Investition verstehen sollte.
Wie funktioniert KI-Bedarfsprognose?
Im Kern lernt ein Prognosemodell Zusammenhänge zwischen vergangener Nachfrage und den Faktoren, die sie beeinflusst haben, und überträgt diese Zusammenhänge auf die Zukunft. Klassische statistische Verfahren betrachten vor allem die eigene Historie und Saisonalität eines Produkts. Modelle des maschinellen Lernens können viel mehr Einflussgrössen zugleich kombinieren und Erkenntnisse über ähnliche Produkte hinweg teilen, was nützlich ist, wenn einzelne Modelle nur kurz im Markt sind.
Typische Einflussgrössen sind:
- Historische Verkäufe nach Modell, Farbe, Grösse, Kanal und Standort
- Produktattribute wie Warengruppe, Preislage, Stoff, Passform und Farbfamilie
- Kalendereffekte: Saisonstart, Feiertage, Aktionen und Reduzierungsphasen
- Wholesale-Pre-Orders und frühe Re-Orders von Handelspartnern
- Warenverfügbarkeit, damit Phasen mit Ausverkäufen korrigiert werden können
- Externe Signale, wo relevant, etwa Wetter oder Webtraffic
Das Ergebnis sollte eine Verteilung sein, zum Beispiel eine wahrscheinlichste Menge mit tiefer und hoher Bandbreite, statt einer einzelnen Zahl. Planer, die nur den zentralen Wert sehen, neigen dazu, ihn für sicher zu halten.
Wo funktioniert sie gut?
| Produkttyp | Typische Schwierigkeit | Warum |
|---|---|---|
| Never-out-of-Stock-Basics | Geringer | Lange, stabile Historie auf Ebene von Modell, Farbe und Grösse |
| Carry-over-Modelle in neuen Farben | Mittel | Modellhistorie vorhanden, die Nachfrage nach der Farbe muss abgeleitet werden |
| Neue Modelle in etablierten Warengruppen | Hoch | Beruht auf der Ähnlichkeit mit früheren Produkten |
| Trendgetriebene oder modisch gewagte Teile | Sehr hoch | Kaum vergleichbare Historie, die Nachfrage kann sich rasch verschieben |
| Grössenverteilungen innerhalb eines Modells | Mittel | Stabil auf Warengruppenebene, verrauscht bei einzelnen Artikeln |
Der praktische Idealbereich ist Replenishment und die Zuteilung auf Grössenebene für Produkte mit Historie. Hier verarbeiten Modelle viele Artikel gleichzeitig und reagieren schneller auf jüngste Verkäufe als die manuelle Planung. Die Prognose von Grössenverteilungen auf Ebene von Warengruppe und Filiale ist ein weiterer Bereich, in dem gebündelte Daten nützliche Ergebnisse liefern.
Wo scheitert KI-Prognose?
Die Fehler sind vorhersehbar, was sie beherrschbar macht, wenn man sie anerkennt.
- Zensierte Nachfrage. Ist ein Produkt ausverkauft, zeigen die erfassten Verkäufe, was verfügbar war, nicht was Kunden wollten. Ein Modell, das auf rohen Verkaufsdaten trainiert wird, lernt, Bestseller zu unterschätzen.
- Kaltstart. Neue Modelle haben keine Historie. Das Modell stützt sich auf ähnliche Produkte, und was als «ähnlich» gilt, hängt davon ab, wie gut die Attribute erfasst sind.
- Strukturbrüche. Ein neuer Vertriebspartner, eine Preisänderung oder ein verändertes Konsumentenverhalten machen die Vergangenheit weniger repräsentativ für die Zukunft.
- Aktionen und Reduzierungen. Sind Rabattphasen in den Daten nicht gekennzeichnet, verwechselt das Modell preisgetriebene mit grundlegender Nachfrage.
- Kleine Zahlen. Auf Ebene von Filiale, Modell und Grösse sind die Mengen oft so klein, dass Zufallsschwankungen jedes Muster überlagern.
Warum sind Wholesale-Daten ein starkes Prognosesignal?
Wholesale-Marken haben einen Vorteil, der reinen Händlern fehlt: Einkäufer legen sich auf Mengen fest, bevor die Saison beginnt. Pre-Orders sind ein früher, realer Ausdruck der Nachfrage von Profis, die ihre Kundschaft kennen. Kombiniert man Pre-Order-Daten mit der historischen Umwandlung von Pre-Order in endgültige Nachfrage (Re-Orders, Stornierungen, Sell-through in den Partnergeschäften), erhalten Prognostiker ein Signal Monate bevor die Verkäufe an Endkunden beginnen.
Der Vorbehalt: Pre-Orders spiegeln die Erwartungen der Einkäufer, und diese können kollektiv falsch sein. Das Re-Order-Verhalten in den ersten Wochen der Saison ist oft die verlässlichere Bestätigung, weshalb ein schneller Zugang zu Re-Order- und Abverkaufsdaten ebenso wichtig ist wie das Modell selbst.
Wie sollten Führungskräfte ein Prognosewerkzeug bewerten?
- Verlangen Sie einen Backtest mit Ihren eigenen Daten: Das Werkzeug prognostiziert eine vergangene Saison, ohne deren Ergebnisse zu kennen, und Sie vergleichen mit den Ist-Werten.
- Messen Sie die Genauigkeit für Carry-over- und neue Modelle getrennt, denn ein gemischter Wert verbirgt, wo das Modell Mühe hat.
- Prüfen Sie, ob Prognosen mit Bandbreiten geliefert werden und ob Planer die wichtigsten Treiber hinter einer Zahl sehen können.
- Vergleichen Sie mit Ihrer heutigen Methode, nicht mit Perfektion. Die Frage ist, ob das Werkzeug den heutigen Planungsprozess schlägt.
- Vereinbaren Sie, wie Planer Prognosen übersteuern können, und verfolgen Sie, ob die Übersteuerungen die Ergebnisse verbessern oder verschlechtern.
Die Genauigkeit muss zudem nach kommerzieller Wirkung gewichtet werden. Ein Prognosefehler bei einem volumenstarken Basisartikel kostet mehr als derselbe Fehler bei einem Nischenmodell, daher sollte die Bewertung den gefährdeten Wert abbilden, nicht nur den durchschnittlichen Fehler über alle Artikel.
Welche Rolle bleibt den Planern?
KI verschiebt die Arbeit der Planer vom Erstellen von Zahlen zum Steuern von Ausnahmen. Das Modell übernimmt den Grossteil der stabilen Artikel; die Planer konzentrieren sich auf neue Launches, strategische Wetten, Beschaffungsengpässe und qualitative Informationen, die nie in den Daten auftauchen, etwa den Strategiewechsel eines wichtigen Accounts oder die aggressive Preispolitik eines Wettbewerbers.
Marken, die am meisten aus KI-Prognosen herausholen, sind sich über diese Arbeitsteilung im Klaren. Sie lassen das Modell tun, was es gut kann, halten Menschen für die endgültige Festlegung verantwortlich und überprüfen die Prognosegenauigkeit jede Saison als festes Managementthema.
Häufige Fragen
Kann KI die Nachfrage für völlig neue Modelle prognostizieren?
Nur näherungsweise. Modelle schätzen die Nachfrage für neue Modelle, indem sie sie anhand von Attributen mit ähnlichen früheren Produkten vergleichen, was gut strukturierte Produktdaten erfordert. Die Unsicherheit bleibt hoch, deshalb sollten Planer diese Prognosen als Ausgangspunkt betrachten und frühe Pre-Order- und Re-Order-Signale zur Anpassung nutzen.
Was ist zensierte Nachfrage, und warum ist sie wichtig?
Zensierte Nachfrage entsteht, wenn ein Produkt ausverkauft ist und die erfassten Verkäufe daher tiefer liegen als das, was Kunden gekauft hätten. Wird das nicht korrigiert, unterschätzen Modelle systematisch die beliebtesten Artikel und wiederholen Ausverkäufe Saison für Saison.
Woran erkennen wir, ob eine KI-Prognose besser ist als unser heutiger Prozess?
Führen Sie einen Backtest über eine oder mehrere vergangene Saisons durch und vergleichen Sie die Prognosen des Modells mit den ursprünglichen Zahlen Ihrer Planer und den tatsächlichen Ergebnissen. Bewerten Sie Carry-over- und neue Modelle getrennt und gewichten Sie die Fehler nach kommerziellem Wert.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
QUELLEN
- Hyndman & Athanasopoulos, Forecasting: Principles and Practice (3rd ed.): Distributional forecasts and prediction intervals
- MIT DSpace: Analytics for an Online Retailer: Demand Forecasting and Price Optimization (Ferreira, Lee, Simchi-Levi)
- London Business School: Inventory management of a fast-fashion retail network (Caro, Gallien)
