KI für Lieferfenster: Lieferungen auf Verkaufsfläche und Liquidität des Händlers abstimmen

KI kann helfen, Lieferfenster auf das abzustimmen, was ein Händler aufnehmen und bezahlen kann. Sie funktioniert aber als Empfehlungsebene über den Restriktionen von Produktion und Kredit und ersetzt diese nicht. Das Modell schlägt Versandtermine und Aufteilungen vor; Planer und Vertriebsteams entscheiden weiterhin, denn Kapazitäten, Zoll und Kundenbeziehungen stehen in keinem Datensatz.

Was ist ein Lieferfenster und warum ist es im Wholesale wichtig?

Ein Lieferfenster ist der Zeitraum, in dem ein Händler die Ware einer Bestellung entgegennimmt. Für den Händler bestimmt es, wann die Ware im Verhältnis zu Saison, Wetter, Aktionen und Liquiditätsabfluss auf der Fläche ankommt. Für die Marke bestimmt es die Produktionsreihenfolge, die Lagerauslastung und den Zeitpunkt der Rechnungsstellung. Ein zu frühes Fenster lässt Ware unverkauft im Lager liegen und bindet das Kapital des Händlers; ein zu spätes verpasst den Verkaufsmoment und provoziert Stornierungen.

Der Druck auf die Terminierung hat zugenommen. Laut dem Whitepaper 2026 von JOOR verschieben Einkäufer ihre Budgets zunehmend zu Käufen innerhalb der Saison und zu sofort lieferbarer Ware. Die durchschnittliche Zeit von der Bestellung bis zum Versand sei auf der Plattform von 263 Tagen im Jahr 2019 auf 102 Tage im Jahr 2024 gesunken. Dasselbe Papier rät Marken, Händlern bei den Lieferterminen so viel Flexibilität wie möglich einzuräumen. Beide Aussagen stammen von einem Anbieter und sind daher als Sicht einer einzelnen Plattform zu verstehen, nicht als Vollerhebung der Branche.

Lieferfenster hängen ausserdem mit den Zahlungsbedingungen zusammen. Eine Marke, die früh liefert, stellt womöglich früh Rechnung und belastet so die Liquidität des Händlers, während eine späte Lieferung die Marke auf Lagerbestand und Kreditrisiko sitzen lassen kann. Wird das Fenster als gemeinsame Entscheidung von Operations, Finanzen und Vertrieb behandelt, verschiebt sich das Problem nicht einfach von einer Abteilung in die nächste.

Wie optimiert KI Lieferfenster?

In der Praxis bewertet das Modell für jede Bestellposition mögliche Liefertermine gegen mehrere Restriktionen gleichzeitig. Auf Markenseite gehören dazu Produktionsslots, Stoffeingang, Fabrikkapazität, Frachtlaufzeiten und Kommissionierkapazität im Lager. Auf Händlerseite sind es saisonale Abverkaufskurven ähnlicher Produkte, die aktuelle Bestandsreichweite, Eröffnungs- und Umbautermine der Filialen sowie das Zahlungsverhalten.

Das Ergebnis ist meist ein gerankter Vorschlag, etwa eine grosse Bestellung auf zwei Lieferungen aufzuteilen oder eine Position später zu liefern, weil der Händler noch Reichweite aus der Vorsaison hat. Das ist ebenso ein Planungs- und Prognoseproblem wie ein Sprachmodell-Problem, und klassische Optimierungsverfahren leisten oft die Hauptarbeit. Generative KI ist eher an den Rändern nützlich: um den Vorschlag einem Vertriebsmitarbeiter zu erklären oder die Nachricht an den Einkäufer zu entwerfen.

Eine realistische Umsetzung beginnt mit Regeln, nicht mit maschinellem Lernen. Marken stellen oft fest, dass allein das Markieren von Aufträgen, deren Wunschtermin ausserhalb des Produktionsplans liegt, einen grossen Teil der manuellen Nacharbeit beseitigt. Prädiktive Modelle schaffen darauf aufbauend Mehrwert, etwa indem sie anhand der Lieferantenhistorie die Wahrscheinlichkeit abschätzen, dass ein bestimmter Liefertermin verrutscht.

Hilfreich ist es, drei Fragen zu trennen: Wann können wir liefern, wann will der Händler die Ware, und wann sollte sie ankommen, damit sie sich gut verkauft. Die erste ist eine interne Planungsgrösse, die zweite eine Aussage des Einkäufers, die dritte eine Prognose. Bei der dritten ist KI am nützlichsten, zugleich ist sie am unsichersten. Empfehlungen sollten deshalb eine Angabe zur Zuverlässigkeit tragen statt eines einzelnen Datums.

Lesen Sie auch

Was können dialogbasierte KI-Assistenten für Einkäufer im B2B-Modehandel leisten?

Welche händlerseitigen Restriktionen sind am schwersten zu modellieren?

Verkaufsfläche und Liquidität sind die beiden Restriktionen, die Marken am schlechtesten einsehen können. Die Fläche ist selten eine saubere Zahl: Sie hängt von Flächenplänen ab, von anderen Marken im Geschäft und davon, ob eine Ecke gerade umgebaut wird. Bei der Liquidität verhält es sich ähnlich. Ein Händler nimmt eine frühe Lieferung vielleicht an, zahlt aber spät, oder er nimmt die Ware lieber später ab, um die Zahlung an die Verkaufsperiode anzupassen.

Weil diese Fakten oft nur in Gesprächen vorkommen, besteht ein nützlicher erster Schritt darin, sie im Bestellprozess in strukturierten Feldern zu erfassen (bevorzugter Liefermonat, maximale Liefergrösse, Zahlungspräferenz), statt darauf zu hoffen, dass ein Modell sie ableitet. Ohne das sollte jede Behauptung, KI könne auf die Liquidität des Händlers hin optimieren, mit Vorsicht gelesen werden.

Unabhängige Händler stellen eine besondere Herausforderung dar. Sie teilen seltener Bestands- oder Sell-out-Daten, und ein überwiegend mit Daten grosser Kunden trainiertes Modell beschreibt sie womöglich schlecht. In solchen Fällen ist ein kurzes Gespräch oder eine einfache Auswahl im Bestellprozess (etwa die Präferenz für ein frühes, mittleres oder spätes Fenster) verlässlicher als eine Ableitung.

Wie sieht ein kurzes, nachfragegesteuertes Fenster in der Praxis aus?

Hypedrop von Bestseller zeigt eine Möglichkeit, das Fenster selbst neu zu gestalten. Laut FashionUnited bringt die reine Wholesale-Marke jeden Montag auf der Plattform More von Bestseller einen kuratierten Drop mit 10 bis 15 Artikeln heraus, gibt Wholesale-Kunden 72 Stunden zum Bestellen (Ende am Mittwoch um 23:59 Uhr), startet die Produktion nach Schliessen des Fensters und liefert innerhalb von sechs Wochen. Bestseller gibt an, dass die Kollektionen auf Datenanalyse, digitalem Design und KI-gestützter Entscheidungsfindung beruhen.

Der Bericht nennt keine Ergebnisse zu Liquidität der Händler oder Überproduktion. Das Modell ist daher als Designentscheidung zu verstehen, nicht als Beleg für Resultate. Es zeigt aber, dass der Liefertermin zum Teil des Produkts wird, wenn das Bestellfenster kurz ist und die Produktion den Bestellungen folgt.

Welche Risiken und Grenzen hat KI in der Lieferplanung?

• Garbage in: Sind die Produktionstermine falsch, liefert selbst das beste Modell nur selbstsicher falsche Termine.
• Intransparente Vorschläge: Vertriebsmitarbeiter ignorieren Empfehlungen, die sie einem Einkäufer nicht erklären können.
• Fairness und Beziehungen: Wer auf Effizienz optimiert, stellt kleinere Kunden womöglich unbemerkt zurück.
• Überanpassung an die Vergangenheit: Zölle, Wetter und Nachfrageverschiebungen können Muster früherer Saisons aushebeln.
• Kosten der Veränderung: Geteilte Lieferungen verursachen Logistikkosten, die das Modell einpreisen muss.

Hinzu kommt ein organisatorisches Risiko. Werden Planer an der Liefertreue gemessen und der Vertrieb am Auftragseingang, optimiert jeder auf ein anderes Ergebnis. Einigen Sie sich auf eine gemeinsame Kennzahl, etwa pünktliche Lieferung innerhalb des vom Händler bevorzugten Fensters, bevor Sie ein Modell etwas optimieren lassen.

Lesen Sie auch

KI für Wholesale-Modemarken im mittleren Preissegment: wo der Einstieg gelingt

Wie sollte eine Marke beginnen?

1. Erfassen Sie, wo Liefertermine, Produktionsänderungen und Zahlungsbedingungen heute dokumentiert sind, und schliessen Sie die grössten Lücken.
2. Erfassen Sie die Präferenzen der Einkäufer zu Timing und Liefergrösse als strukturierte Felder.
3. Lassen Sie das Modell eine Saison lang im Schattenbetrieb laufen und vergleichen Sie seine Vorschläge mit dem, was die Planer tatsächlich vereinbart haben.
4. Messen Sie verspätete Lieferungen, Stornierungen und manuelle Umplanungen vor und nach dem Einsatz.
5. Erst dann lassen Sie das Modell Vorschläge für Vertriebsmitarbeiter vorbefüllen, mit menschlicher Freigabe.