Wie senkt KI-gestützte Bestandsoptimierung Altware und Fehlbestände in der Mode?

KI-gestützte Bestandsoptimierung senkt Altware und Fehlbestände, indem sie die Nachfrage auf feiner Ebene (Style, Farbe, Grösse, Standort, Woche) prognostiziert und dann mit Optimierungsregeln entscheidet, wie viel gekauft wird, wo die Ware gehalten wird und wann sie umgelagert oder neu bepreist wird. Das Ziel ist nicht null Restbestand, was viele entgangene Verkäufe bedeuten würde, sondern das profitabelste Gleichgewicht zwischen den Kosten von Überbeständen und den Kosten von Fehlmengen.

Warum ist das Bestandsmanagement in der Mode so schwierig?

Die Mode vereint mehrere schwierige Eigenschaften. Ein grosser Teil jedes Sortiments ist neu, sodass es für den genauen Artikel keine Verkaufshistorie gibt. Die Verkaufssaisons sind kurz, und die Produktionsvorlaufzeiten sind oft länger als das Verkaufsfenster, sodass die meisten Mengen vor dem ersten Verkauf festgelegt werden. Die Nachfrage verteilt sich auf viele Grössen und Farben sowie auf Filialen, Web und Wholesale-Partner, was die Zahl kleiner, verrauschter Prognosen vervielfacht.

Die beiden Fehlerarten haben unterschiedliche Kosten. Überbestände sind sichtbar: Sie enden in Abschriften, Off-Price-Kanälen oder Abschreibungen. Fehlmengen sind weitgehend unsichtbar, denn eine Kundin, die ihre Grösse nicht findet, geht einfach, und kein System erfasst den entgangenen Verkauf. Ein gutes Bestandsmodell muss beides schätzen.

Wie funktioniert KI-gestützte Bestandsoptimierung?

Die meisten Systeme folgen derselben Abfolge von Schritten, unabhängig vom Anbieter oder vom internen Ansatz:

1. Historie bereinigen: Produktcodes angleichen, Einmaleffekte entfernen und Zeiträume markieren, in denen Artikel ausverkauft waren.
2. Nachfrage prognostizieren: die unbeschränkte Nachfrage nach Produkt, Grösse und Standort schätzen, einschliesslich Preis- und Aktionseffekten.
3. Unsicherheit modellieren: eine Bandbreite wahrscheinlicher Ergebnisse statt einer einzelnen Zahl erzeugen, denn Einkaufsentscheidungen hängen vom Risiko ab.
4. Entscheidungen optimieren: Mengen wählen, die die erwartete Marge unter Berücksichtigung der Kosten von Über- und Unterdeckung, der Budgets und der Nebenbedingungen maximieren.
5. In der Saison nachplanen: Prognosen mit den tatsächlichen Verkäufen aktualisieren und Nachschub, Umlagerungen und Preise anpassen.

Der Schritt, der am häufigsten übersprungen wird, ist die Modellierung der Unsicherheit. Eine Einkaufsmenge für ein Basic-T-Shirt, das sich jede Woche verkauft, sollte ganz anders behandelt werden als ein Trendteil mit derselben durchschnittlichen Prognose, aber einer viel grösseren Streuung.

Lesen Sie auch

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

Welche Belege gibt es, dass es funktioniert?

Öffentliche, unabhängig geprüfte Belege sind begrenzt, weil die meisten Ergebnisse von Anbietern gemeldet werden. Zwei gut dokumentierte Fälle stechen hervor. Zara arbeitete mit Wissenschaftlern an einem Modell, das die Warenlieferungen aus seinen Zentrallagern an die Filialen bestimmt. Laut dem 2010 in Interfaces veröffentlichten Beitrag steigerte das System, das Bestandshöhe und Nachfrage ausdrücklich verknüpft, um Nachschubmengen festzulegen, den Umsatz um 3 bis 4 Prozent, mit geschätzten Mehrumsätzen von rund 233 Millionen US-Dollar für 2007 und 353 Millionen für 2008.

Zalando hat veröffentlicht, wie es die Nachfrage für Preisentscheidungen prognostiziert: mit einem Transformer-basierten Modell, das die wöchentliche Nachfrage 26 Wochen im Voraus prognostiziert und seit 2019 in verschiedenen Versionen im Einsatz ist. Die Autoren beschreiben die Preisgestaltung als wichtigen Hebel, um das Risiko von Überbeständen am Saisonende zu verringern, was zeigt, wie eng Bestands- und Abschriftenentscheidungen in der Praxis verknüpft sind.

Andere Marken haben ihre Ziele allgemeiner beschrieben. H&M erklärte 2020 gegenüber Retail Dive, sein 2018 gegründetes KI-Team arbeite daran zu quantifizieren, wie viel von jedem Artikel gekauft werden soll, mit dem Ziel, das richtige Produkt zur richtigen Zeit an den richtigen Ort zu bringen. Levi Strauss erklärte 2021, KI-gestützte Nachfrageprognosen hätten die Genauigkeit verbessert und sollten präzisere Bestandsinvestitionen und weniger Abschriften ermöglichen.

Warum verzerren Fehlbestände die Daten?

Verkäufe sind nicht Nachfrage. Ist eine Grösse ausverkauft, enden die erfassten Verkäufe, obwohl Kunden weiter danach fragen. Ein Modell, das mit rohen Verkaufsdaten trainiert wird, prognostiziert deshalb genau für die Grössen und Filialen zu wenig, die am besten liefen. Eine Studie von Akchen und Caro, die in Manufacturing & Service Operations Management erscheinen soll, untersuchte einen Schuhhändler und stellte fest, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf die nächstgrössere oder nächstkleinere Grösse auswich; der Rest wurde nicht zum Kauf einer benachbarten Grösse. Diese Effekte zu korrigieren, indem Fehlbestandszeiträume markiert und die fehlende Nachfrage geschätzt wird, gehört zu den wertvollsten Leistungen eines Bestandsmodells.

Welche Daten und welche Organisation braucht es?

Die Datenliste ist absehbar: saubere Produktstammdaten, Verkaufs- und Bestandshistorie auf Grössen- und Standortebene, Preis- und Abschriftenhistorie sowie Beschaffungsrestriktionen wie Vorlaufzeiten und Mindestbestellmengen. Wholesale-Marken brauchen zudem Sell-out-Daten der Handelspartner, sonst sehen sie nur, was ausgeliefert, nicht was verkauft wurde.

Die Organisation ist ebenso wichtig. Einkauf, Allokation und Preisgestaltung werden oft von verschiedenen Teams mit unterschiedlichen Zielen verantwortet. Ein Optimierungsmodell, das eine kleinere Erstorder und mehr Nachschub während der Saison vorschlägt, schafft nur dann Wert, wenn Lieferverträge und Lagerprozesse diese Flexibilität zulassen.

Lesen Sie auch

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

Wo liegen die Grenzen?

• Der Prognosefehler für wirklich neue Artikel bleibt hoch; KI verringert ihn, beseitigt ihn aber nicht.
• Die Optimierung setzt Kostenannahmen voraus (Kosten einer Abschrift, Kosten eines entgangenen Verkaufs), die das Unternehmen schätzen und vereinbaren muss.
• Kleine Filialen und Langsamdreher liefern sehr spärliche Daten, weshalb Prognosen auf Filialebene über ähnliche Filialen gebündelt werden müssen.
• Von Anbietern gemeldete Verbesserungszahlen werden selten unabhängig überprüft und hängen stark von der Ausgangslage ab.

Als disziplinierter Entscheidungsprozess statt als Toolkauf verstanden, ist KI-gestützte Bestandsoptimierung eine der praktischsten KI-Anwendungen in der Mode, gerade weil sich ihre Ergebnisse in Bestands- und Margenzahlen zeigen, die das Finanzwesen ohnehin verfolgt.