KI im Merchandising der Mode: was sie leistet, was sie braucht und wo sie scheitert

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI im Merchandising der Mode bedeutet, statistische Modelle und Modelle des maschinellen Lernens einzusetzen, um Entscheidungen darüber zu unterstützen, was gekauft wird, wie viel, in welchen Grössen, wo es platziert wird und zu welchem Preis.
2. Die ausgereiftesten Anwendungen sind Nachfrageprognose, Allokation und Nachschub sowie die Preisgestaltung bei Abschriften; generative KI wird vor allem für Analysen, Reporting und Content rund um diese Entscheidungen genutzt.
3. Grosse Händler wie Mango und Marks & Spencer haben Programme angekündigt, um fragmentierte Planungstools durch eine integrierte, KI-gestützte Planung über Finanz-, Sortiments- und Bedarfsplanung hinweg zu ersetzen.
4. Zalando hat veröffentlicht, dass ein auf der Transformer-Architektur basierendes Modell zur Nachfrageprognose, das für Preisentscheidungen genutzt wird, seit 2019 in verschiedenen Versionen mit einem Horizont von 26 Wochen im Einsatz ist.
5. KI-Ergebnisse sind nur so gut wie die Produkt-, Verkaufs- und Bestandsdaten dahinter; saubere Artikelstammdaten und Verkäufe auf Grössenebene sind deshalb Voraussetzungen, keine optionalen Extras.

KI im Merchandising der Mode bezeichnet den Einsatz von Prognose- und Optimierungsmodellen, um die zentralen Entscheidungen im Merchandising zu unterstützen: was gekauft wird, wie viel, in welchen Grössen, wohin die Ware geht und wann der Preis reduziert wird. Sie ersetzt nicht das Urteil des Merchandisers über Produkt und Marke; sie liefert diesem Urteil bessere Zahlen, schneller und in einem Detaillierungsgrad (Style, Farbe, Grösse, Filiale, Woche), den Tabellenkalkulationen nicht bewältigen.

Was ist KI im Merchandising der Mode?

Das Merchandising liegt zwischen Produktentstehung und Verkauf. Ein Merchandiser oder Einkäufer übersetzt einen Finanzplan in ein Sortiment, ein Sortiment in Mengen und Mengen in Bestandspositionen in Filialen, im E-Commerce und bei Wholesale-Kunden. Jeder Schritt erfordert eine Prognose der Nachfrage nach Produkten, die oft keine Verkaufshistorie haben, weil ein grosser Teil eines Modesortiments jede Saison neu ist.

«KI» bezeichnet in diesem Zusammenhang meist drei Technologiefamilien. Prädiktive Modelle (Prognosen mit maschinellem Lernen) schätzen die Nachfrage nach Produkt, Standort und Zeitraum. Optimierungsmodelle setzen diese Prognosen unter Nebenbedingungen wie Budget, Mindestbestellmengen und Filialkapazität in Entscheidungen um. Generative KI (grosse Sprachmodelle) ist neuer und wird vor allem genutzt, um Planungsdaten in natürlicher Sprache zu erklären, zusammenzufassen und abzufragen oder um Produktcontent zu erstellen.

Welche Merchandising-Entscheidungen kann KI unterstützen?

Veröffentlichte Beispiele zeigen, worauf sich grosse Akteure konzentriert haben. Das Forschungsteam von Zalando hat ein auf der Transformer-Architektur basierendes Modell zur Nachfrageprognose beschrieben, das die wöchentliche Nachfrage für einen Horizont von 26 Wochen prognostiziert und in Preisentscheidungen einfliesst; laut dem Paper ist es seit 2019 in verschiedenen Versionen bei Zalando im Einsatz. Die Autoren erklären, dass die Preisgestaltung im Online-Modehandel ein wichtiger Hebel ist, um das Risiko von Überbeständen am Saisonende zu verringern.

Andere Händler bauen das Rückgrat ihrer Planung neu auf. Im März 2025 kündigte Mango an, Merchandise-Finanzplanung, Sortimentsplanung und Bedarfsplanung mit einer KI-gestützten Planungsplattform zu modernisieren und damit, wie es hiess, fragmentierte, veraltete Systeme in seinen fast 2850 Filialen in 120 Märkten abzulösen. Im Januar 2024 kündigte Marks & Spencer ein dreijähriges Programm für Bekleidung und Home an, das Merchandise-Planung, Sortimentsplanung und später Prognose und Nachschub umfasst; der Managing Director für Bekleidung und Home sagte, eine durchgängige Plattform werde dem Unternehmen helfen, «Daten und KI besser zu nutzen».

Lesen Sie auch

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren

Welche Daten braucht KI im Merchandising?

Die meisten gescheiterten KI-Projekte im Merchandising sind verkappte Datenprojekte. Modelle brauchen eine einheitliche Produkthierarchie, saubere Attribute und eine Historie auf der Ebene, auf der Entscheidungen getroffen werden. In der Praxis bedeutet das:

• Produktstammdaten: Style, Farbe, Grösse, Kategorie, Stoff, Preislage und Saison, mit stabilen Kennungen von einer Saison zur nächsten.
• Verkaufshistorie auf Grössen- und Standortebene: nach Filiale, Web und bei Wholesale-Marken nach Kunde, sofern der Handel diese Daten teilt.
• Bestands- und Verfügbarkeitshistorie: Ohne sie kann ein Modell geringe Nachfrage nicht von ausverkauften Grössen unterscheiden.
• Preise und Aktionen: Vollpreis, Reduzierungsdaten und Rabatttiefen, damit das Modell Preiseffekte von der zugrunde liegenden Nachfrage trennen kann.
• Pläne und Nebenbedingungen: Budgets, Mindestbestellmengen, Lieferzeiten und Filialkapazitäten.

Die Qualitätsanforderungen sind hoch. Trägt dieselbe Jacke im Planungstool und im Verkaufssystem unterschiedliche Codes oder sind Attribute uneinheitlich gepflegt, zieht ein Modell die falschen Lehren aus der Historie.

Wie verändert KI die Rolle des Merchandisers?

Die realistische Verschiebung führt vom Zusammenstellen von Zahlen zu deren Prüfung und Hinterfragung. Statt einen Einkaufsplan in einer Tabelle aufzubauen, erhält der Merchandiser eine empfohlene Menge pro Style und Grösse mit den Treibern dahinter und entscheidet, wo er übersteuert. Übersteuerungen sind wichtig: Sie bringen Wissen ein, das das Modell nicht sehen kann, etwa eine geplante Kollaboration mit einem Promi oder ein Lieferantenproblem. Gute Praxis ist es, Übersteuerungen zu protokollieren und im Nachhinein zu prüfen, ob Mensch oder Modell näher lag.

Generative KI fügt eine dialogorientierte Ebene hinzu. McKinsey und The Business of Fashion berichteten in The State of Fashion 2026, dass mehr als 35 Prozent der befragten Führungskräfte generative KI bereits in Bereichen wie Kundenservice, Bilderstellung, Texten und Produktentdeckung einsetzen. Im Merchandising entspricht dem, einem Planungssystem Fragen in Alltagssprache zu stellen und eine Zusammenfassung zu erhalten; das ist nützlich, aber nur so verlässlich wie die zugrunde liegenden Daten und die Leitplanken darum herum.

Welche Grenzen und Risiken gibt es?

1. Neue Produkte ohne Historie. Prognosen für wirklich neue Styles stützen sich auf ähnliche frühere Produkte und Attribute, und der Fehler ist höher als bei Durchläufern.
2. Verzerrung zugunsten der Vergangenheit. Mit Historie trainierte Modelle belohnen, was sich früher verkauft hat, und können in neue Richtungen zu wenig investieren, sofern Merchandiser diese nicht bewusst testen.
3. Verdeckte entgangene Verkäufe. Werden Fehlbestände nicht modelliert, wirken ausverkaufte Grössen wie schwache Verkäufer, und der Fehler wiederholt sich jede Saison.
4. Blackbox-Empfehlungen. Planer ignorieren Zahlen, die sie nicht erklären können; Transparenz über die Treiber ist eine praktische Notwendigkeit.
5. Kosten und Veränderungsaufwand. Integration, Datenbereinigung und Prozessveränderung dauern in der Regel länger als der Aufbau des Modells selbst.

Lesen Sie auch

Das KI-Vokabular, das jeder Einkäufer in der Mode kennen sollte

Wie sollte ein Modeunternehmen beginnen?

Beginnen Sie mit einer Entscheidung, deren Nutzen messbar ist und für die die Daten bereits vorliegen, typischerweise der Nachschub von Durchläufern, Grössenverteilungen oder Reduzierungen während der Saison. Legen Sie eine Ausgangsbasis fest (aktueller Prognosefehler, Abverkauf, Abschriftenquote), lassen Sie das Modell eine Saison lang parallel zum bestehenden Prozess laufen und vergleichen Sie. Erst dann sollten Sie sich schwierigeren Problemen wie der Prognose neuer Styles und der Sortimentsplanung zuwenden.

Die Verantwortung sollte beim Merchandising liegen, nicht allein bei der IT. Die Teams, die am meisten profitieren, behandeln das Modell wie einen Kollegen, dessen Arbeit wöchentlich überprüft wird, mit klaren Regeln, wann seine Empfehlungen übernommen, angepasst oder verworfen werden.

Häufige Fragen

Was ist KI-Merchandising in der Mode?

Es ist der Einsatz von Prognose- und Optimierungsmodellen, um Entscheidungen zu Sortiment, Einkaufsmengen, Grössenverteilungen, Allokation und Preisgestaltung zu unterstützen. Die Modelle arbeiten auf Ebene von Style, Farbe, Grösse und Standort und liefern Empfehlungen, die Merchandiser prüfen und anpassen.

Wird KI Einkäufer und Merchandiser in der Mode ersetzen?

Aktuelle Einsätze unterstützen sie, statt sie zu ersetzen. KI automatisiert Berechnung und Analyse, während Entscheidungen über die Markenrichtung, Trendwetten und Lieferantenbeziehungen bei Menschen bleiben, die zudem die Modellergebnisse prüfen und übersteuern müssen.

Welche Daten brauche ich, bevor ich KI im Merchandising einsetze?

Mindestens saubere Produktstammdaten, eine Verkaufshistorie auf Grössen- und Standortebene, eine Bestands- und Verfügbarkeitshistorie sowie eine Preis- und Abschriftenhistorie. Ohne Bestandshistorie kann ein Modell geringe Nachfrage nicht von ausverkauften Grössen unterscheiden.

Mit welchem KI-Anwendungsfall im Merchandising sollte eine Marke beginnen?

Meist mit einer wiederkehrenden Entscheidung mit guten Daten, etwa dem Nachschub von Durchläufern, Grössenverteilungen oder Abschriften. Hier lassen sich Ergebnisse leicht gegen eine Ausgangsbasis messen, bevor man sich an die Prognose neuer Produkte wagt.

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