Kann KI Lieferzeiten und Frachtverzögerungen für Modesendungen vorhersagen?
Maschinelles Lernen kann den Bereich wahrscheinlicher Ankunftstermine eingrenzen, aber keine Schocks wie Umleitungen, Zölle oder Hafenstörungen beseitigen.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- KI kann Lieferzeiten und Frachtverzögerungen innerhalb einer Spanne vorhersagen, indem sie aus früheren Sendungen lernt, schneidet aber genau dann am schlechtesten ab, wenn sich die Bedingungen ändern, etwa bei Umleitungen oder neuen Zöllen.
- Die UNCTAD berichtet, dass die Tonnage der Suezkanal-Transite Anfang Mai 2025 rund 70 % unter dem Durchschnitt von 2023 lag und dass Schiffe, die das Rote Meer früher in Tagen durchquerten, heute wochenlang um das Kap der Guten Hoffnung fahren.
- Der Shanghai Containerized Freight Index lag 2024 im Durchschnitt bei 2496 Punkten, 149 % über 2023, und die UNCTAD beschreibt, dass schwankende Frachtraten zur Norm werden.
- Die Lieferzeit in der Mode besteht aus zwei Teilen, Produktion und Transport, und ein Modell für den einen deckt den anderen nicht ab; Verhalten des Einkäufers wie späte Auftragsfreigaben ist oft eine grössere Verzögerungsquelle als die Seereise.
- Planende sollten vorhergesagte Spannen und Puffer verwenden, den Prognosefehler über die Zeit verfolgen und Rückfallregeln für Phasen bereithalten, in denen die Historie des Modells nicht mehr gilt.
Kann KI Lieferzeiten und Frachtverzögerungen vorhersagen?
Ja, mit Grenzen. Modelle des maschinellen Lernens können den wahrscheinlichen Bereich von Produktions- und Transitzeiten aus historischen Sendungen schätzen und Sendungen markieren, die sich verspäten. Ereignisse ohne Präzedenzfall in ihren Trainingsdaten können sie nicht verlässlich vorhersagen, daher behandelt man das Ergebnis am besten als Wahrscheinlichkeitsspanne und nicht als Versprechen.
Diese Analyse trennt die Teile der Lieferzeit in der Mode, die Modelle gut bewältigen, von jenen, bei denen das nicht der Fall ist.
Woraus setzt sich eine Lieferzeit in der Mode zusammen?
Die Lieferzeit eines Kleidungsstücks beginnt lange, bevor der Container ausläuft. Sie umfasst Design und Musterung, Beschaffung von Stoffen und Zutaten, Freigaben, Produktion, Qualitätskontrollen, Inlandtransport, See- oder Luftfracht, Zollabfertigung und Auslieferung ans Lager. Prognosemodelle befassen sich meist mit einem oder zwei dieser Schritte.
Das Rahmenwerk von Better Buying erkennt an, dass ein Teil des Problems beim Einkäufer liegt. Seine Kategorie Management of the Purchasing Process bewertet, ob Lieferanten Produktionsvorlaufzeit erhalten und ob diese Zeit über Produktentwicklung und Lancierung hinweg gewahrt bleibt. Eine späte Freigabe durch eine Marke verkürzt die der Fabrik verbleibende Zeit, was auch immer ein Frachtmodell über die Seestrecke sagt.
Was ist in den letzten Jahren mit der Fracht geschehen?
Die Review of Maritime Transport 2025 der UNCTAD liefert nützlichen Hintergrund, warum historische Durchschnitte in die Irre führen. Sie berichtet, dass die Tonnage der Suezkanal-Transite Anfang Mai 2025 rund 70 % unter dem Durchschnitt von 2023 lag, dass die durchschnittliche Transportdistanz von 4831 Meilen im Jahr 2018 auf 5245 Meilen im Jahr 2024 stieg und dass die seewärtigen Tonnenmeilen 2024 um 5,9 % wuchsen, bei einem Volumenwachstum von 2,2 %.
Auch die Kosten bewegten sich. Der Shanghai Containerized Freight Index lag 2024 im Durchschnitt bei 2496 Punkten, 149 % über 2023. Die Container-Spotraten näherten sich Mitte 2024 den Spitzen der Pandemiezeit und gaben bis Jahresende nach, blieben aber deutlich über dem Niveau vor der Krise. Die UNCTAD hält fest, dass schwankende Frachtraten zur Norm werden und dass Containerraten 2025 mit neuen Zöllen und geopolitischen Risiken volatiler wurden. Sie vermerkt zudem, dass die durchschnittlichen Wartezeiten in Häfen zwischen Dezember 2023 und März 2024 in den Industrieländern von 5,2 auf 6,4 Stunden stiegen.
Wo hilft KI, und wo nicht?
| Frage | Wo Modelle helfen | Wo sie Schwierigkeiten haben |
|---|---|---|
| Wann trifft ein gebuchter Container ein? | Typische Transit- und Liegezeitmuster nach Handelsroute und Reederei lernen | Plötzliche Umleitungen oder Hafenstaus, die nicht in den Daten vorkommen |
| Wird die Produktion pünktlich fertig? | Fabriken und Styles erkennen, die häufig in Verzug geraten | Späte Freigaben und Stoffverzögerungen, die nicht erfasst werden |
| Welche Aufträge sind gefährdet? | Abweichungen vom Plan früh markieren | Die Ursache erklären, wenn Ursachencodes schlecht sind |
| Wie viel Puffer ist nötig? | Die Streuung früherer Verzögerungen quantifizieren | Phasen mit einem Strukturbruch, etwa durch neue Zölle |
| Luft oder See? | Kosten-Zeit-Abwägungen aus früheren Fällen vergleichen | Sich rasch ändernde Raten und Kapazitäten |
Welche Daten braucht ein Modell zur Verzögerungsprognose?
- Geplante und tatsächliche Termine für jeden Meilenstein, von der Auftragsbestätigung bis zum Wareneingang im Lager, mit Gründen für Abweichungen.
- Sendungsdetails wie Handelsroute, Reederei, Hafenpaar, Transportart und Containertyp.
- Lieferanten- und Style-Attribute, die die Produktionszeit beeinflussen.
- Externe Signale wie Hafenwartezeiten, Fahrplanänderungen und Ratenindizes, sofern verlässliche Quellen vorhanden sind.
- Ergebnisse der Zollabfertigung, da Zurückhaltungen und Rückfragen Zeit kosten, die leicht übersehen wird.
In vielen Modeunternehmen ist der begrenzende Faktor, dass Meilensteindaten spät oder gar nicht erfasst werden. Ein Modell, das auf ungenauen Ist-Terminen trainiert wird, lernt die Ungenauigkeit mit.
Wie sollten Planende vorhergesagte Lieferzeiten nutzen?
- Verwenden Sie Spannen, etwa ein wahrscheinliches und ein Spätfalldatum, statt einzelner Termine.
- Messen Sie den Prognosefehler monatlich nach Handelsroute und Lieferant und veröffentlichen Sie ihn intern.
- Legen Sie Regeln fest, wann das Modell übersteuert wird, etwa bei einer erklärten Umleitung oder einem neuen Zoll.
- Verknüpfen Sie Prognosen mit Handlungen, zum Beispiel einem Auslöser, Luftfracht zu prüfen oder Wholesale-Kunden früh zu informieren.
- Trainieren oder kalibrieren Sie neu, wenn sich das Fehlermuster verschiebt, statt auf die saisonale Überprüfung zu warten.
Der letzte Punkt ist der wichtigste. Modelle, die auf einer Phase stabiler Routen beruhen, können nach einem Strukturbruch systematisch zu optimistisch sein. Die Überwachung des Fehlers ist daher so wichtig wie der Bau des Modells.
Eine weitere Überlegung ist, wie Prognosen die Menschen erreichen, die danach handeln. Eine Verzögerungsprognose, die in einem Logistiksystem bleibt, nützt einem Wholesale-Team wenig, das Kunden mitteilen muss, wann Bestellungen eintreffen, oder einem E-Commerce-Team, das Lancierungen plant. Die Ausgabe ist am nützlichsten, wenn sie in die Zusagen einfliesst, die das Unternehmen macht, etwa indem das den Kunden angezeigte Lieferfenster verbreitert wird, wenn die vorhergesagte Spanne gross ist.
Teams brauchen auch einen Überblick darüber, bei welchen Entscheidungen es tatsächlich Optionen gibt. Umleiten, den Transportmodus wechseln oder eine Sendung aufteilen kann bei manchen Aufträgen möglich sein und bei anderen nicht. Die Prognose lohnt die Investition nur dort, wo es eine günstigere oder schnellere Alternative gibt und jemand die Befugnis hat, sie zu wählen. Wo keine Alternative besteht, beschränkt sich der Nutzen auf frühere Warnung, die für die Kundenkommunikation und die Liquiditätsplanung dennoch Wert hat.
Schliesslich sollte die Modellqualität an einfachen Baselines gemessen werden. Eine Regel, die jeder Handelsroute einen festen Puffer hinzufügt, kann in stabilen Phasen fast so gut abschneiden wie ein komplexes Modell. Kann ein Modell des maschinellen Lernens die einfache Regel bei den wichtigen Sendungen nicht um einen spürbaren Abstand schlagen, lässt sich die zusätzliche Komplexität kaum rechtfertigen.
Welche Risiken birgt das Vertrauen auf Verzögerungsprognosen?
Die Hauptrisiken sind übermässiges Vertrauen, Datenlücken und Kosten. Übermässiges Vertrauen führt zu dünnen Puffern, die mit einem Modell begründet werden, das unter ruhigeren Bedingungen trainiert wurde. Datenlücken entstehen, wenn Spediteure, Reedereien und Lieferanten Meilensteine uneinheitlich melden. Kosten spielen eine Rolle, weil Data Engineering und Monitoring die Lizenzgebühr eines Prognosetools oft übersteigen.
McKinseys State of Fashion 2026 nennt Zölle als grösste Hürde, die Führungskräfte in der Umfrage anführen, und hält fest, dass 46 % der Führungskräfte 2026 eine Verschlechterung der Bedingungen erwarten, nach 39 % im Vorjahr. In diesem Umfeld ist ein Prognosemodell ein Input der Planung neben Szenariopuffern, Dialog mit den Lieferanten und einem vereinbarten Prozess, wie Verzögerungen an Kunden kommuniziert werden.
Häufige Fragen
Wie genau ist KI bei der Vorhersage von Frachtverzögerungen?
Die Genauigkeit hängt von Handelsroute, Datenqualität und Stabilität ab. Modelle schneiden dort einigermassen gut ab, wo sich Routen und Reedereien konsistent verhalten, und schlecht nach plötzlichen Änderungen wie Umleitungen. Teams sollten den Fehler nach Handelsroute messen und veröffentlichen, statt sich auf den Durchschnittswert eines Anbieters zu verlassen.
Warum sind Transitzeiten in der Fracht schwerer vorhersagbar geworden?
Die UNCTAD berichtet von längeren Reisen um das Kap der Guten Hoffnung, weniger Suez-Transiten und schwankenden Frachtraten. Historische Daten aus der Zeit vor diesen Veränderungen können ein darauf trainiertes Modell in die Irre führen.
Welche Daten brauche ich, um Lieferzeiten in der Mode vorherzusagen?
Geplante und tatsächliche Meilensteintermine, Handelsroute und Transportart der Sendung, Lieferanten- und Style-Attribute sowie Gründe für Verzögerungen. Meilensteindaten, die spät oder ungenau erfasst werden, sind die häufigste Schwachstelle.
Ist die Produktion oder der Transport die grössere Verzögerungsursache?
Das variiert, doch späte Freigaben und instabile Aufträge des Einkäufers können die Produktionszeit verkürzen, bevor der Transport beginnt. Das Rahmenwerk von Better Buying behandelt die den Lieferanten gewährte Vorlaufzeit aus diesem Grund als eigene Einkaufspraxis.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
