Was ist Filial-Clustering, und wie verbessert KI es?

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. Filial-Clustering fasst Verkaufsstellen mit ähnlichen Nachfragemustern zusammen, sodass Sortiment, Grössenverteilung und Bestandstiefe pro Gruppe geplant werden können statt für jede Filiale einzeln oder für die ganze Kette einheitlich.
2. Maschinelles Lernen bildet Filialcluster anhand dessen, was die Kundschaft tatsächlich kauft, etwa des Umsatzmix nach Kategorie, Preislage, Farbe und Grösse, und nicht nur anhand von Filialgrösse oder Region.
3. Algorithmen wie k-means verlangen, dass Planerinnen und Planer die Zahl der Cluster festlegen. Das unternehmerische Urteil bleibt damit Teil der Methode.
4. Eine Studie aus dem Jahr 2019 an der Universität Porto mit zwei Modehändlern ergab, dass die Gewichtung der Filialattribute die Clusterergebnisse verändert, und empfahl eine kleine Zahl von Clustern, etwa drei bis sechs.
5. Cluster müssen regelmässig überprüft und an den Verkaufsergebnissen getestet werden, weil sich Kundennachfrage und Filialnetze im Lauf der Zeit verändern.

Filial-Clustering bedeutet, Filialen mit ähnlicher Nachfrage so zu gruppieren, dass jede Gruppe ein Sortiment, einen Grössenmix und eine Bestandstiefe erhält, die zu ihrer Kundschaft passen. KI verbessert das Verfahren, indem sie anhand detaillierten Verkaufsverhaltens clustert, etwa des Mix aus Kategorien, Preispunkten, Farben und Grössen, den jede Filiale verkauft, statt sich nur auf Grösse, Region oder Umsatz zu stützen. Das Ergebnis ist eine überschaubare Zahl von Filialprofilen, die zwischen einem einheitlichen Sortiment für alle und einem eigenen Plan für jede Verkaufsstelle liegen.

Warum clustern Modehändler ihre Filialen?

Eine Kette mit Hunderten von Verkaufsstellen kann nicht jede Filiale einzeln planen, doch ein einheitliches nationales Sortiment übersieht offensichtliche Unterschiede: Ein Flagship-Store in der Stadt verkauft anders als ein Outlet, eine Filiale an der Küste anders als eine in den Alpen. Clustering schafft eine Zwischenebene. Planerinnen und Planer erstellen Sortimente, Grössenverteilungen und Allokationsregeln pro Cluster und passen sie wo nötig für einzelne Filialen an.

Die Forschung zur Sortimentsoptimierung zeigt, warum die lokale Passung wichtig ist. Fisher und Vaidyanathan entwickelten 2014 in Management Science eine Methode, um festzulegen, welche Produkte jede Filiale führen sollte, wobei die Zahl unterschiedlicher Filialsortimente begrenzt wurde und Kundinnen und Kunden berücksichtigt wurden, die ausweichen, wenn ihre erste Wahl fehlt. Die umgesetzten Empfehlungen steigerten den Umsatz bei Reifen um 5,8 Prozent und bei Autopflegeprodukten um 3,6 Prozent, den beiden Kategorien, in denen sie in die Praxis überführt wurden. Die Studie stammte nicht aus der Mode, doch das Prinzip einer begrenzten Zahl massgeschneiderter Sortimente ist dasselbe, dem auch das Clustering dient.

Wie bildet KI Filialcluster?

Ausgangspunkt ist in der Regel ein Profil pro Filiale, das durch viele Variablen beschrieben wird. Clustering-Algorithmen gruppieren dann Filialen, deren Profile nahe beieinanderliegen. Eine verbreitete Methode ist k-means, die, wie die Dokumentation von scikit-learn festhält, eine im Voraus festgelegte Clusterzahl verlangt und annimmt, dass Cluster einigermassen kompakt und gleichmässig geformt sind. Diese Annahmen erfüllen reale Filialnetze nicht immer. Andere Verfahren kommen mit unregelmässigen Formen zurecht oder gewichten Variablen anders.

Lesen Sie auch

Wie H&M KI einsetzt: Nachfrage, Allokation und digitale Zwillinge

Was zeigt die Forschung zum Filial-Clustering in der Mode?

Eine Masterarbeit aus dem Jahr 2019 an der Ingenieurfakultät der Universität Porto, durchgeführt mit einem auf Handelstechnologie spezialisierten Beratungsunternehmen, testete das Clustering für zwei Modehändler: eine internationale Kette mit Präsenz in 32 Ländern und einen Händler, der nur in einem Land tätig ist. Sie verglich statistische Methoden und Methoden des maschinellen Lernens zur Gewichtung von Filialattributen und clusterte die Filialen anschliessend mit k-means- und Neural-Gas-Algorithmen.

• Beim internationalen Händler war der Vertriebskanal das wichtigste Attribut, gefolgt vom Land.
• Unterschiedliche Gewichtungsmethoden ergaben unterschiedliche Cluster, und eine Methode gewichtete Attribute mit vielen Ausprägungen, etwa das Land, kaum.
• Ein Clustering anhand der Verkäufe auf detaillierterer Produktebene ergab bessere Cluster als auf grober Ebene.
• Beim Händler mit nur einem Land war die Clusterqualität schwach, wobei die Region das relevanteste Attribut war.
• Der Autor empfahl eine kleine Zahl von Clustern, etwa drei bis sechs, merkte aber an, dass Händler, die stärker differenzieren wollen, möglicherweise mehr brauchen.

Die Lehre für die Praxis: Clustering reagiert empfindlich auf Designentscheide. Welche Variablen einbezogen werden, wie sie gewichtet werden und auf welcher Produktebene die Verkäufe aggregiert werden, kann das Ergebnis ebenso stark verändern wie der Algorithmus.

Wie viele Filialcluster sollte ein Händler haben?

Eine einheitliche Antwort gibt es nicht. Zu wenige Cluster verdecken echte Unterschiede, zu viele schaffen genau die Komplexität wieder, die das Clustering beseitigen sollte, und zerlegen das Sortiment in Mengen, die zu klein für einen effizienten Einkauf sind. Statistische Masse wie der Silhouetten-Index und der Calinski-Harabasz-Index, die beide in der Porto-Studie verwendet wurden, helfen zu vergleichen, wie gut alternative Clustersets voneinander abgegrenzt sind. Die endgültige Zahl ist ein unternehmerischer Entscheid, der lokale Passung gegen die Komplexität von Einkauf und Allokation abwägt.

Onlinedaten fügen eine weitere Dimension hinzu. Verkäufe aus E-Commerce-Bestellungen, die an Postleitzahlen rund um eine Filiale geliefert werden, können Nachfrage sichtbar machen, die die Filiale selbst nie erfasst hat, etwa nach Grössen oder Farben, die sie nicht geführt hat. Wo Datenschutzvorschriften und die Einwilligung der Kundschaft es erlauben, ergibt die Kombination von Filial- und Onlinenachfrage nach Einzugsgebiet ein vollständigeres Bild der lokalen Vorlieben als die Filialverkäufe allein.

Wie werden Filialcluster in der Modeplanung eingesetzt?

1. Sortiment: festlegen, welche Styles und Farben jeder Cluster führt.
2. Grössenverteilungen: die Grössenaufteilung bestimmen, die an die Filialen jedes Clusters geht.
3. Tiefe und Allokation: die Erstmengen pro Filiale festlegen und entscheiden, wie viel für den Nachschub zurückgehalten wird.
4. Timing: saisonale Kategorien je nach Klimacluster früher oder später lancieren.
5. Abschriften: den Zeitpunkt des Abverkaufs auf Cluster mit unterschiedlichen Abverkaufsmustern abstimmen.

Bei der Allokation trifft das Clustering auf das Tagesgeschäft. Die 2015 in Operations Research veröffentlichte Forschung von Zara mit Wissenschaftlern zeigte den Wert der Verknüpfung von Prognosen auf Filialebene mit der Entscheidung, wie viel zunächst geliefert und wie viel zurückgehalten wird: In einem Feldexperiment mit 34 Artikeln stieg der Saisonumsatz um rund 2 Prozent, und die unverkauften Einheiten am Saisonende sanken um rund 4 Prozent.

Lesen Sie auch

Open-to-Buy erklärt: wie Modehändler ihren Einkauf budgetieren

Wo liegen die Grenzen des KI-gestützten Filial-Clusterings?

Cluster werden aus vergangenen Verkäufen gebildet, und diese spiegeln vergangene Sortimente wider. Hat eine Filiale nie Petite-Grössen oder eine Premiumlinie erhalten, zeigt ihre Historie keine Nachfrage danach, und das Modell schreibt die Lücke womöglich fort. Cluster altern zudem: Neue Filialen, Umbauten und Veränderungen in der lokalen Kundschaft verschieben die Profile. Händler sollten ihre Cluster mindestens jede Saison überprüfen, Änderungen an einer Auswahl von Filialen testen und clusterbasierte Pläne mit dem tatsächlichen Abverkauf vergleichen, statt sich allein auf die statistische Güte zu verlassen.

Häufige Fragen

Was ist Filial-Clustering im Handel?

Filial-Clustering ist die Gruppierung von Filialen mit ähnlicher Kundennachfrage und ähnlichen Merkmalen, damit Sortimente, Grössenmix und Bestandstiefe pro Gruppe geplant werden können. Es liegt zwischen der Planung jeder einzelnen Filiale und der Behandlung der ganzen Kette als Einheit.

Welcher Algorithmus wird für das Filial-Clustering verwendet?

K-means ist der häufigste Ausgangspunkt, verlangt aber, dass die Zahl der Cluster im Voraus festgelegt wird, und setzt kompakte, gleichmässig geformte Cluster voraus. Auch hierarchisches Clustering, Neural Gas und andere Methoden kommen zum Einsatz, oft kombiniert mit Verfahren zur Gewichtung von Filialattributen.

Wie oft sollten Filialcluster aktualisiert werden?

Cluster sollten mindestens einmal pro Saison überprüft werden und immer dann, wenn sich das Filialnetz deutlich verändert. Kundennachfrage, Filialformate und lokaler Wettbewerb verschieben sich im Lauf der Zeit, sodass Cluster auf Basis älterer Verkaufsdaten allmählich an Genauigkeit verlieren.

Welche Daten braucht KI für das Filial-Clustering?

Die wichtigste Eingangsgrösse ist eine detaillierte Verkaufshistorie pro Filiale, aufgeschlüsselt nach Kategorie, Preislage, Farbe und Grösse. Filialattribute wie Fläche, Format und Standort liefern Kontext, und Kunden- oder Klimadaten können die Cluster verbessern, wo sie verfügbar und zulässig sind.

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