KI für Merchandiser und Planer: ein Praxisleitfaden
Wie KI in der Mode die Warenwirtschaftsplanung, Prognose, Allokation, Nachversorgung und Preisreduzierungen unterstützt, welche Daten sie braucht, was Planer weiterhin entscheiden und wie der Einstieg gelingt.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Für Merchandiser und Planer ist KI am nützlichsten bei Nachfrageprognose, Allokation und Nachversorgung, Markdown- und Preisoptimierung sowie bei der Erklärung von Abweichungen zwischen Plan und Ist.
- Die meiste Planungs-KI ist prädiktives maschinelles Lernen auf Basis von Verkaufs-, Bestands- und Produktattributdaten, keine generative KI, auch wenn Sprachmodelle zunehmend als Schnittstelle dazu dienen.
- Ein Projekt des Fraunhofer IWU mit einem deutschen Textilhersteller zeigte 2026, dass eine Prognose mit neuronalen Netzen 82,7 Prozent der Absatzschwankungen erklären konnte, während die Planer sie weiterhin prüfen und anpassen konnten.
- Im Januar 2024 kündigte Marks and Spencer eine integrierte Planungsplattform für Clothing and Home an, die Finanzplanung, Sortiment, Prognose, Allokation, Nachversorgung und Preisreduzierungen abdeckt und über drei Jahre eingeführt werden soll.
- Planer bleiben verantwortlich für Ziele, für Abwägungen zwischen Marge und Verfügbarkeit und dafür, Prognosen zu übersteuern, wenn sie etwas wissen, was die Daten nicht wissen.
KI hilft Merchandisern und Planern, indem sie schnellere, feiner aufgelöste Prognosen erstellt und Entscheidungen zu Allokation, Nachversorgung und Preisreduzierungen vorschlägt, deren Berechnung von Hand Tage dauern würde. Die Rolle des Planers verschiebt sich vom Erstellen von Zahlen hin zum Setzen von Zielen, zum Prüfen von Modellergebnissen und zum Abwägen, und die Qualität des Ergebnisses hängt weit mehr von sauberen Daten ab als vom Algorithmus.
Was machen Merchandiser und Planer konkret mit KI?
Die Warenplanung in der Mode übersetzt Strategie in Zahlen: Umsatz-, Margen- und Bestandspläne nach Kategorie und Kanal, Open-to-Buy-Budgets, Anzahl der Optionen, Grössen- und Farbtiefe sowie Entscheidungen während der Saison zu Allokation, Nachversorgung und Preisreduzierungen. Die Arbeit ist stark quantitativ und wiederkehrend und eignet sich daher besonders für Prognosemodelle. Sprachmodelle ergänzen eine zweite Ebene: Sie können Abweichungen verständlich erklären, Fragen zu einem Plan beantworten und Kommentare für Trading-Meetings entwerfen.
Händler führen diese Schritte zusammen. Im Januar 2024 kündigte Marks and Spencer laut Just Style an, das Geschäft mit Clothing and Home auf eine integrierte Planungsplattform zu überführen, die Merchandise Financial Planning, Sortimentsplanung, Prognose, Allokation, Nachversorgung, Promotions- und Markdown-Optimierung sowie die Zusammenarbeit mit Lieferanten abdeckt und über drei Jahre eingeführt wird.
Wo hilft KI heute in der Warenplanung?
| Aufgabe | Was KI leistet | Benötigte Daten | Reifegrad |
|---|---|---|---|
| Nachfrageprognose | Prognostiziert Verkäufe nach Style, Grösse und Standort aus Historie, Saisonalität und Einflussfaktoren | Verkaufs- und Bestandshistorie, Preise, Promotions, Kalender | Etabliert |
| Allokation und Nachversorgung | Schlägt Erstverteilung und Nachlieferungen je Filiale oder Kanal vor | Filialcluster, Abverkauf, Bestandspositionen, Lieferzeiten | Etabliert |
| Markdown- und Preisoptimierung | Empfiehlt Zeitpunkt und Tiefe von Preisreduzierungen, um Bestand mit bestmöglicher Marge abzubauen | Preishistorie, Elastizität, Bestand und Abverkauf | Etabliert |
| Open-to-Buy-Überwachung | Aktualisiert das Restbudget bei Änderungen von Verkäufen und Aufträgen und meldet Risiken | Geplante Verkäufe, Preisreduzierungen, Bestand, offene Aufträge | Im Kommen |
| Erklärung von Abweichungen | Erklärt Unterschiede zwischen Plan und Ist in natürlicher Sprache | Plan- und Istdaten, Produkt- und Filialattribute | Im Kommen |
| Prognose für neue Produkte | Schätzt die Nachfrage für Styles ohne Historie anhand ähnlicher Artikel und Attribute | Umfangreiche Produktattribute, Bilder, vergleichbare Verkäufe | Im Kommen |
| Autonome Agenten zur Umplanung | Passt Pläne und Aufträge automatisch innerhalb von Regeln an | Integrierte Planungsdaten und Freigaberegeln | Experimentell |
Welche Ergebnisse können Planer realistisch erwarten?
Veröffentlichte Ergebnisse sind rar und stammen oft von Anbietern, daher sollten Planer vorsichtig sein. Ein unabhängiges Beispiel: Im Juni 2026 berichtete das Fraunhofer IWU über ein KI-Prognosetool, das für den deutschen Textilhersteller frottana (Marke MÖVE) entwickelt wurde. Mit neuronalen Netzen auf vier Jahren Verkaufshistorie erklärte das Modell 82,7 Prozent der Absatzschwankungen und wich im Durchschnitt um etwa 9 Prozent von den tatsächlichen Monatsverkäufen ab. Fraunhofer betonte, dass Mitarbeitende die Prognosen prüfen, anpassen und mit eigener Expertise anreichern können.
Die Lehre daraus: Brauchbare Genauigkeit ist auch mit begrenzter Historie möglich, aber nur, wenn die Daten konsistent sind und die Planer eingebunden bleiben. Der Nutzen zeigt sich meist in weniger Zeitaufwand für manuelle Berechnungen, früheren Warnungen und weniger extremen Fehlern, nicht in einer perfekten Prognose.
Welche Daten brauchen Planungsmodelle?
- Saubere Verkaufs- und Bestandshistorie auf Ebene von SKU, Grösse und Standort, mit gekennzeichneten Ausverkäufen, damit entgangene Nachfrage nicht als geringe Nachfrage gelesen wird.
- Produktattribute, die über Saisons hinweg einheitlich sind, damit neue Styles mit vergleichbaren früheren Styles verknüpft werden können.
- Preis- und Promotionshistorie, einschliesslich Zeitpunkt und Tiefe der Preisreduzierungen.
- Plandaten: Ziele, Budgets und Open-to-Buy, das der Leitfaden von Shopify als geplante Verkäufe plus geplante Preisreduzierungen plus geplanter Endbestand der Periode minus geplanter Anfangsbestand definiert.
- Lieferrestriktionen: Lieferzeiten, Mindestbestellmengen und Liefertreue.
Gartner berichtete im Februar 2025, dass 63 Prozent der Unternehmen entweder keine geeigneten Datenmanagement-Praktiken für KI haben oder nicht wissen, ob sie welche haben. In der Planung sind die typischen Lücken uneinheitliche Attribute, fehlende Kennzeichnung von Ausverkäufen und getrennte Systeme für Wholesale, Retail und E-Commerce.
Was bleibt im Merchandising menschlich?
Planer setzen die Ziele, auf die die Modelle optimieren, und diese Ziele beinhalten Abwägungen: Verfügbarkeit gegen Abschriftenrisiko, Neuheit gegen bewährte Bestseller, Marge gegen Marktanteil. Zudem wissen Modelle nichts von der Filialeröffnung eines Wettbewerbers, einer verspäteten Lieferung, einer Marketingoffensive oder einem Richtungswechsel der Marke, solange es ihnen niemand sagt. Planer sollten den Übersteuerungsprozess verantworten, festhalten, warum sie eine Empfehlung geändert haben, und Übersteuerungen nach der Saison auswerten, um zu sehen, ob Mensch oder Modell richtig lag.
Planer sind zudem Übersetzer zwischen dem Modell und dem übrigen Unternehmen. Trading-Teams, Einkäufer und Finanzabteilung müssen verstehen, warum sich eine Empfehlung geändert hat. Planer, die die wichtigsten Treiber einer Prognose verständlich erklären können, schaffen das Vertrauen, von dem die Akzeptanz abhängt.
Welche Kompetenzen sollten Merchandiser und Planer aufbauen?
- Prognosefehlermasse und Konfidenzbereiche verstehen, nicht nur Punktprognosen.
- Geschäftsregeln und Restriktionen festlegen und testen, die Modelle einhalten müssen.
- KI-Assistenten nutzen, um Daten abzufragen und Trading-Kommentare zu entwerfen, und jede Zahl prüfen.
- Kontrollierte Tests durchführen, zum Beispiel KI-gestützte Allokation in einigen Filialen und den üblichen Prozess in anderen.
- Eng mit Daten- und IT-Teams an Attributqualität und Datendefinitionen arbeiten.
Wie kann ein Planungsteam in 30 Tagen starten, und welche Risiken gibt es?
Die Hauptrisiken sind Scheingenauigkeit, Modelle, die aus verzerrter Historie lernen (Ausverkäufe, frühere Fehler), Blackbox-Empfehlungen, die Planer den Trading-Teams nicht erklären können, und ein Integrationsaufwand, der grösser ist als erwartet. Auch Zusammenfassungen von Sprachmodellen können Zahlen falsch wiedergeben. Wer mit einer Entscheidung, einer Kontrollgruppe und transparenten Übersteuerungsregeln beginnt, hält diese Risiken beherrschbar.
Häufige Fragen
Wie wird KI in der Warenplanung eingesetzt?
KI wird eingesetzt, um Nachfrage zu prognostizieren, Ware zu verteilen und nachzuversorgen, Preisreduzierungen und Preise zu optimieren, Open-to-Buy zu überwachen und Abweichungen zu erklären. Meist handelt es sich um prädiktives maschinelles Lernen auf Verkaufs-, Bestands- und Produktdaten; Sprachmodelle dienen zunehmend als Schnittstelle für Fragen und Kommentare.
Wird KI Warenplaner ersetzen?
KI automatisiert einen grossen Teil der Berechnungen in der Planung, doch Planer setzen weiterhin Ziele, treffen Abwägungen und bringen Wissen ein, das nicht in den Daten steckt. Die Rolle verschiebt sich hin zur Überwachung von Modellen, zum Management von Ausnahmen und zur Zusammenarbeit mit Datenteams.
Welche Daten braucht KI-gestützte Nachfrageprognose in der Mode?
Mindestens eine konsistente Verkaufs- und Bestandshistorie nach SKU und Standort, Informationen zu Ausverkäufen, Preis- und Promotionshistorie und verlässliche Produktattribute. Bei neuen Styles zählen Attribute und vergleichbare frühere Artikel am meisten. Fehlende oder uneinheitliche Daten sind der häufigste Grund, warum Prognoseprojekte enttäuschen.
Wie misst man, ob KI-gestützte Planung funktioniert?
Vergleichen Sie KI-gestützte Entscheidungen mit einer Kontrollgruppe oder mit rückwirkenden Tests auf vergangenen Saisons. Nützliche Kennzahlen sind Prognosefehler, Abverkaufsquote, Verfügbarkeit, Markdown-Quote und eingesparte Zeit. Stimmen Sie die Kennzahlen vor Beginn des Piloten mit der Finanzabteilung ab.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
