Wie kann KI bei Einkaufstiefe und Produktionsmengen in der Mode helfen?

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI hilft bei der Festlegung der Einkaufstiefe, indem sie eine Bedarfsprognose in eine Wahrscheinlichkeitsbandbreite übersetzt und die Menge wählt, die die Kosten unverkaufter Ware und die Kosten entgangener Verkäufe am besten ausbalanciert.
2. Die richtige Menge ist selten die durchschnittliche Prognose: Sind die Margen im Verhältnis zu den Kosten von Restbeständen hoch, lohnt es sich, über dem Median einzukaufen. Sind Restbestände teuer, lohnt es sich, darunter zu bleiben.
3. Wird der Einkauf in eine Erstzusage und eine spätere Nachorder oder eine zurückgehaltene Reserve aufgeteilt, können erste Verkaufsdaten die Prognose korrigieren, bevor der gesamte Bestand fest zugesagt ist.
4. Im veröffentlichten Feldexperiment von Zara steigerte ein System, das Prognosen aktualisierte und zurückgehaltene Ware verteilte, den Saisonumsatz um rund 2 Prozent und senkte die unverkauften Einheiten am Saisonende um rund 4 Prozent.
5. Die EU-Ökodesign-Verordnung (EU) 2024/1781 verbietet grossen Unternehmen die Vernichtung unverkaufter Bekleidung, Bekleidungszubehör und Schuhe, was die Kosten eines zu tiefen Einkaufs erhöht.

KI hilft bei der Entscheidung über die Einkaufstiefe, indem sie eine Bedarfsprognose in eine Bandbreite wahrscheinlicher Ergebnisse übersetzt und die Menge wählt, die die Kosten von Restbeständen und die Kosten entgangener Verkäufe am besten ausbalanciert. Das geschieht pro Style, Farbe und Grösse unter Berücksichtigung von Vorlaufzeiten, Mindestbestellmengen und Nachordermöglichkeiten. Die besten Ergebnisse entstehen, wenn KI nicht nur einen einzelnen Einkauf dimensioniert, sondern eine Abfolge: eine Erstzusage, gefolgt von flexiblen Aufstockungen, sobald die tatsächliche Nachfrage sichtbar wird.

Warum ist die Einkaufstiefe in der Mode so schwierig?

Produktionsmengen für saisonale Produkte werden oft Monate vor dem ersten Verkauf fest zugesagt, wenn die Unsicherheit am grössten ist. Zu viel Ware führt zu Abschriften, Lagerkosten und zunehmend auch zu regulatorischem Druck und Reputationsdruck wegen unverkaufter Ware. Zu wenig Ware bedeutet Fehlbestände bei Produkten, die die Kundschaft wollte, was zudem die tatsächliche Nachfrage in den Daten für die nächste Saison verdeckt. Mindestbestellmengen, Stoffzusagen und lange Vorlaufzeiten begrenzen, wie stark sich diese Entscheidungen später noch korrigieren lassen.

Wie entscheidet KI, wie viel produziert werden soll?

Die Kernlogik ist ein klassischer Zielkonflikt der Bestandsplanung. Für jedes Produkt fragt die Planung: Wenn ich eine Einheit mehr einkaufe, ist der erwartete Gewinn aus ihrem Verkauf höher als der erwartete Verlust, falls sie sich nicht zum vollen Preis verkauft? KI verbessert jede Eingangsgrösse dieser Rechnung.

• Nachfrageverteilung: Statt einer einzelnen Zahl prognostiziert das Modell eine Bandbreite, zum Beispiel die Menge, die es mit 50, 70 oder 90 Prozent Wahrscheinlichkeit zu verkaufen erwartet.
• Wirtschaftlichkeit: Marge zum vollen Preis, Erlös bei Abschriften, die Kosten für Lagerung oder Entsorgung von Restbeständen und die Kosten eines Fehlbestands einschliesslich verlorenen Kundenwohlwollens.
• Einschränkungen: Mindestbestellmengen, Stoffverfügbarkeit, Fabrikkapazität und Vorlaufzeiten.
• Optionen: ob eine Nachorder, eine zurückgehaltene Reserve oder ein späterer Produktionslauf möglich ist.

Die Wahl der Prognose ist entscheidend. Forecasting: Principles and Practice hält fest, dass die Minimierung des mittleren absoluten Fehlers Prognosen des Medians liefert, während die Minimierung des quadratischen Fehlers Prognosen des Mittelwerts liefert. Für die Einkaufstiefe ist keines von beiden automatisch richtig: Die Zielmenge hängt von der Wirtschaftlichkeit ab. Kernartikel mit hoher Marge können einen Einkauf über dem Median rechtfertigen, während Trendartikel mit geringer Marge und schwachem Abverkaufswert einen Einkauf darunter rechtfertigen können.

Lesen Sie auch

Wie wird KI in der Supply Chain der Mode eingesetzt?

Warum sollte der Einkauf in Etappen aufgeteilt werden?

Die grösste Einzelverbesserung entsteht oft dadurch, nicht alles auf einmal fest zuzusagen. Erste Verkäufe sind die aussagekräftigsten Daten, die ein neues Produkt erzeugt. Wird ein Teil der Menge offengehalten, als nicht zugeteilter Lagerbestand, als reservierte Stoffposition oder als späterer Produktionsslot, lässt sich die Prognose korrigieren, bevor die volle Investition getätigt wird.

Die 2015 in Operations Research veröffentlichte Arbeit von Zara mit Wissenschaftlern veranschaulicht dieses Prinzip auf der Allokationsstufe. Das Entscheidungsunterstützungssystem wog grössere Erstlieferungen an die Filialen, die frühe entgangene Verkäufe verringern, gegen das Zurückhalten von Ware im Lager ab, um nach Beobachtung der ersten Verkäufe nachzuliefern. In einem kontrollierten Feldexperiment mit 34 Artikeln während der Saison 2012 steigerte es den durchschnittlichen Gesamtumsatz der Saison um rund 2 Prozent und senkte die unverkauften Einheiten am Ende der regulären Saison um rund 4 Prozent.

Welche Daten verbessern Entscheide zur Einkaufstiefe?

1. Eine Verkaufshistorie mehrerer Saisons, bereinigt um Fehlbestände, damit die Nachfrage bei ausverkauften Produkten nicht unterschätzt wird.
2. Konsistente Produktattribute, um neue Artikel vergleichbaren früheren Artikeln zuzuordnen.
3. Grössenverteilungen nach Kanal, Region oder Filialcluster.
4. Frühe Nachfragesignale vor der Produktion, etwa Wholesale-Vororders, Feedback aus dem Showroom oder Interesse vor dem Online-Launch.
5. Lieferantendaten: Mindestmengen, Vorlaufzeiten, Kapazität und die Kosten für die Reservierung von Stoffen oder Produktionsslots.

Die Bereinigung um Fehlbestände ist unerlässlich. Forschende, die mit dem Onlinehändler Rue La La zusammenarbeiteten, schätzten laut Working Knowledge der Harvard Business School zunächst mit maschinellem Lernen die entgangenen Verkäufe ausverkaufter Artikel, bevor sie die Nachfrage nach neuen Produkten prognostizierten. Ohne diesen Schritt lernt ein Modell, dass erfolgreiche Produkte weniger beliebt waren, als sie tatsächlich waren, und empfiehlt erneut einen zu knappen Einkauf.

Für Marken, die über Wholesale verkaufen, sind Vororders von Handelspartnern ein wertvolles frühes Signal, weil sie eintreffen, bevor die Produktion feststeht. Ihr Nutzen hängt davon ab, wie gut der Sell-in in der Vergangenheit den Sell-out vergleichbarer Produkte vorhergesagt hat. Das sollte man messen, bevor man sich darauf verlässt.

Wie verändert die Regulierung die Kosten eines zu tiefen Einkaufs?

In der EU schafft die Verordnung (EU) 2024/1781 über Ökodesign für nachhaltige Produkte einen Rahmen, um die Vernichtung unverkaufter Verbraucherprodukte zu verhindern. Ihre Erwägungsgründe erläutern, dass die Vernichtung unverkaufter Bekleidung, Bekleidungszubehör und Schuhe für Verbraucher verboten ist, dass Kleinst- und Kleinunternehmen ausgenommen sind und dass das Verbot für mittlere Unternehmen sechs Jahre nach Inkrafttreten der Verordnung gilt. Unternehmen, die keine Kleinst- oder Kleinunternehmen sind, müssen zudem die Anzahl und das Gewicht der unverkauften Verbraucherprodukte offenlegen, die sie jedes Jahr entsorgen. Ein zu tiefer Einkauf endet damit nicht mehr mit der Entsorgung: Restbestände müssen verkauft, gespendet, wiederverwendet oder weitergeführt werden, was ihre Kosten in der Einkaufsrechnung erhöht.

Lesen Sie auch

KI für Beschaffungs- und Supply-Chain-Manager in der Mode

Wo liegen die Grenzen von KI bei Produktionsmengen?

• Die Prognoseunsicherheit bei neuen Produkten bleibt hoch. KI verringert das Risiko, beseitigt es aber nicht.
• Lieferanteneinschränkungen geben oft den Ausschlag: Eine Mindestbestellmenge kann eine optimale Menge übersteuern.
• Modelle sind auf genaue Kostenangaben angewiesen, besonders auf die tatsächlichen Kosten von Restbeständen und Fehlbeständen, die viele Unternehmen nicht erfassen.
• Empfehlungen müssen bei strategischen Produkten, Launches und Kollaborationen, bei denen die Historie eine schwache Orientierung bietet, vom Einkauf geprüft werden.

Richtig eingesetzt, verwandelt KI die Einkaufsdiskussion von einer einzelnen Zahl in eine Reihe von Szenarien mit ausdrücklich benannten Risiken. Das macht Zielkonflikte zwischen Marge, Verfügbarkeit und Verschwendung sichtbar, bevor Geld gebunden wird.

Häufige Fragen

Wie entscheiden Modemarken, wie viel sie produzieren?

Marken kombinieren eine Bedarfsprognose mit der Wirtschaftlichkeit des Produkts, Lieferanteneinschränkungen und Vorlaufzeiten. KI-Tools prognostizieren eine Bandbreite wahrscheinlicher Nachfrage und empfehlen die Menge, die die Kosten unverkaufter Ware und entgangener Verkäufe am besten ausbalanciert, wobei der Einkauf oft in eine Erstorder und spätere Nachorders aufgeteilt wird.

Was ist Einkaufstiefe in der Mode?

Die Einkaufstiefe ist die pro Style oder Style-Farbe eingekaufte Menge, im Unterschied zur Einkaufsbreite, also der Zahl unterschiedlicher Styles. Ein tiefer Einkauf passt zu bewährten Verkaufsschlagern mit geringem Restbestandsrisiko, ein knapper Einkauf zu unsicheren oder trendgetriebenen Artikeln, idealerweise mit Nachorderoption.

Kann KI die Überproduktion in der Mode verringern?

KI kann die Überproduktion verringern, indem sie Bedarfsprognosen verbessert, Unsicherheit quantifiziert und einen etappenweisen Einkauf auf Basis erster Verkäufe unterstützt. Veröffentlichte Ergebnisse zeigen inkrementelle Gewinne, etwa rund 4 Prozent weniger unverkaufte Einheiten im Feldexperiment von Zara aus dem Jahr 2012, statt den Überschuss ganz zu beseitigen.

Ist es in der EU verboten, unverkaufte Kleidung zu vernichten?

Die Verordnung (EU) 2024/1781 verbietet die Vernichtung unverkaufter Bekleidung, Bekleidungszubehör und Schuhe für Verbraucher, wobei Kleinst- und Kleinunternehmen ausgenommen sind und mittlere Unternehmen sechs Jahre nach Inkrafttreten erfasst werden. Unternehmen, die keine Kleinst- oder Kleinunternehmen sind, müssen zudem offenlegen, wie viele unverkaufte Produkte sie jedes Jahr entsorgen.

LeitfadenDer umfassende Leitfaden zu KI in der Mode-Supply-Chain und NachhaltigkeitDen ganzen Leitfaden lesen