Das KI-Vokabular, das jeder Einkäufer in der Mode kennen sollte
Lieferanten, Marken und interne Teams sprechen zunehmend von Modellen, Agenten und Embeddings. Ein praktisches Glossar für Einkäufer in der Mode, mit der Bedeutung jedes Begriffs für Einkaufsentscheidungen.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Einkäufer müssen nicht verstehen, wie KI-Modelle gebaut werden, wohl aber, was das Ergebnis eines Werkzeugs bedeutet und wie verlässlich es ist.
- Begriffe wie Prognose, Konfidenzintervall und Backtest beschreiben, wie sicher eine Vorhersage ist, und das ist wichtiger als die Vorhersage selbst.
- Begriffe der generativen KI wie Halluzination und Prompt erklären, warum von KI geschriebene Inhalte geprüft werden müssen, bevor man sich darauf verlässt.
- Wer das Vokabular kennt, kann Marken und internen Teams, die KI-basierte Empfehlungen präsentieren, bessere Fragen stellen.
- Die nützlichste Frage zu jedem KI-Ergebnis bleibt: Auf welchen Daten beruht es, und wie hat es sich in der Vergangenheit bewährt?
Der Vertreter einer Marke präsentiert einen Vorschlag, der «von unserer Empfehlungs-Engine optimiert» wurde. Das Planungsteam teilt eine Prognose «mit einem Konfidenzintervall von achtzig Prozent». Ein neues Werkzeug verspricht «agentisches Replenishment». Von Einkäufern wird heute erwartet, solche Aussagen im Arbeitsalltag zu beurteilen. Sie müssen keine Data Scientists werden, doch ein solides Grundvokabular macht es leichter einzuschätzen, was ein KI-gestützter Vorschlag wirklich aussagt und wo man nachhaken sollte.
Welche KI-Grundbegriffe sollten Einkäufer verstehen?
- Künstliche Intelligenz (KI): ein Oberbegriff für Systeme, die Aufgaben erledigen, die normalerweise menschliches Urteilsvermögen erfordern, etwa Muster erkennen, Ergebnisse vorhersagen oder Texte erzeugen.
- Maschinelles Lernen: KI, die Muster aus historischen Daten lernt, statt von Hand geschriebenen Regeln zu folgen. Die meisten Prognose- und Empfehlungswerkzeuge nutzen es.
- Modell: das Ergebnis des Trainings, ein System, das Eingaben wie vergangene Verkäufe verarbeitet und Ergebnisse wie eine Prognose liefert.
- Trainingsdaten: die historischen Daten, aus denen ein Modell gelernt hat. Ihre Qualität und Relevanz bestimmen den Nutzen des Modells.
- Algorithmus: die Methode, mit der ein Modell trainiert oder eine Berechnung durchgeführt wird. Oft locker im Sinne des Modells selbst verwendet.
Welche Begriffe beschreiben Vorhersagen und ihre Verlässlichkeit?
| Begriff | Bedeutung | Frage, die man stellen sollte |
|---|---|---|
| Prognose | Eine Schätzung der künftigen Nachfrage oder Verkäufe | Ist das eine einzelne Zahl oder eine Bandbreite? |
| Konfidenzintervall | Die Bandbreite, in der der tatsächliche Wert mit einer angegebenen Wahrscheinlichkeit erwartet wird; bei Prognosen lautet der fachlich korrekte Begriff Prognoseintervall | Wie breit ist die Bandbreite für dieses Modell? |
| Backtest | Test eines Modells an einem vergangenen Zeitraum, den es nicht kannte | Wie hat es in der letzten Saison abgeschnitten? |
| Genauigkeitskennzahl | Ein Mass für den Prognosefehler, oft in Prozent ausgedrückt | Wird die Genauigkeit für neue und Carry-over-Modelle getrennt ausgewiesen? |
| Bias | Eine systematische Neigung zur Über- oder Unterschätzung | Überschätzt das Modell bestimmte Warengruppen regelmässig? |
| Kaltstart | Vorhersagen für Produkte oder Accounts ohne Historie | Wie geht es mit neuen Modellen um? |
Diese Begriffe sind wichtig, weil die Verlässlichkeit einer Vorhersage oft mehr zählt als die Vorhersage selbst. Eine Empfehlung, eine bestimmte Menge zu ordern, bedeutet wenig, solange man nicht weiss, wie gross die Unsicherheit ist.
Welche Begriffe betreffen Empfehlungen und Personalisierung?
- Empfehlungs-Engine: ein System, das Produkte oder Mengen auf Basis von Mustern in Daten vorschlägt, etwa danach, was ähnliche Händler gekauft haben.
- Collaborative Filtering: Empfehlungen, die auf dem Verhalten ähnlicher Kunden oder Accounts beruhen.
- Segmentierung oder Clustering: das Gruppieren von Filialen oder Accounts mit ähnlichen Merkmalen oder Einkaufsmustern.
- Next Best Action: ein Vorschlag für den wertvollsten nächsten Schritt, etwa eine Re-Order oder ein Nachfassen.
- Elastizität: wie stark die Nachfrage auf eine Preisänderung reagiert, zentral für Entscheidungen über Reduzierungen.
Welche Begriffe der generativen KI fallen am häufigsten?
- Generative KI: KI, die neue Inhalte wie Texte, Bilder oder Zusammenfassungen erzeugt.
- Large Language Model (LLM): ein auf grossen Textmengen trainiertes Modell, das schreiben, zusammenfassen und Fragen beantworten kann.
- Prompt: die Anweisung an ein generatives Modell. Die Qualität des Ergebnisses hängt stark davon ab.
- Halluzination: ein selbstbewusst formuliertes, aber falsches Ergebnis, etwa ein erfundenes Material oder Merkmal. Der Hauptgrund, warum von KI geschriebene Inhalte geprüft werden müssen.
- Embedding: eine numerische Darstellung von Text oder Bildern, mit der sich ähnliche Elemente finden lassen, genutzt etwa in der visuellen Suche.
- KI-Agent: ein System, das ein Ziel über mehrere Schritte verfolgt und Werkzeuge nutzen kann, etwa um Bestände zu prüfen und einen Orderentwurf vorzubereiten.
Welche Begriffe betreffen Governance und Vertrauen?
- Erklärbarkeit: die Fähigkeit zu zeigen, warum ein Modell ein bestimmtes Ergebnis geliefert hat, etwa die wichtigsten Faktoren hinter einer Empfehlung.
- Human in the Loop: ein Prozess, in dem eine Person KI-Ergebnisse prüft oder freigibt, bevor sie wirksam werden.
- Data Drift: eine Veränderung der zugrunde liegenden Muster, etwa im Konsumentenverhalten, die ein Modell mit der Zeit ungenauer macht.
- Übersteuerung: eine manuelle Änderung einer KI-Empfehlung, idealerweise mit Begründung festgehalten, damit ihr Ergebnis ausgewertet werden kann.
Wie sollten Einkäufer dieses Vokabular nutzen?
Ein Glossar dient nicht dazu, in Sitzungen technisch zu klingen, sondern schärfere Fragen zu stellen. Präsentiert eine Marke eine empfohlene Order, fragen Sie, ob sie auf Ihrem eigenen Sell-through oder auf Marktdurchschnitten beruht. Steuert eine Prognose ein Einkaufsbudget, verlangen Sie die Bandbreite und den Backtest. Ist Produktcontent KI-generiert, fragen Sie, wie die Fakten geprüft werden.
KI wird die Vorschläge und Daten, die Einkäufer erhalten, zunehmend prägen. Einkäufer, die ihre Sprache verstehen, können diese Werkzeuge zu ihrem Vorteil nutzen und das Urteil über ihre Kundschaft und ihre Läden dort behalten, wo es hingehört: bei sich selbst.
Häufige Fragen
Brauchen Einkäufer technische KI-Kenntnisse?
Nein. Einkäufer müssen verstehen, was KI-Ergebnisse bedeuten, wie verlässlich sie sind und auf welchen Daten sie beruhen. Dieses Verständnis erlaubt es, Empfehlungen kritisch zu nutzen, statt sie pauschal anzunehmen oder abzulehnen.
Was ist eine Halluzination bei KI?
Eine Halluzination ist ein flüssig und selbstbewusst formuliertes Ergebnis, das sachlich falsch ist, etwa ein falsches Material oder ein erfundenes Merkmal in einer Produktbeschreibung. Sie ist der Hauptgrund, warum generierte Inhalte anhand geprüfter Daten kontrolliert werden müssen.
Was ist die wichtigste Frage zu einer KI-Empfehlung?
Fragen Sie, auf welchen Daten die Empfehlung beruht und wie sich das Werkzeug in vergangenen Saisons bewährt hat. Das zeigt, ob der Vorschlag Ihr eigenes Geschäft widerspiegelt oder ein allgemeines Muster.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
