Kann KI das gesamte Pre-Order-Volumen aus den ersten 20 Prozent der Aufträge prognostizieren?

Ja, innerhalb gewisser Grenzen. Die ersten Aufträge einer Wholesale-Kampagne verraten in der Regel weit mehr über das finale Pre-Order-Buch als eine Vorsaisonplanung, und KI-Modelle können dieses frühe Signal in eine Prognose des gesamten Auftragsbuchs auf Style-Ebene mit Konfidenzbereich übersetzen. Die Methode ist Jahrzehnte alt; neu ist durch KI, dass sie für Tausende SKUs, Kundentypen und Märkte gleichzeitig funktioniert und die Prognose an jedem Tag der Kampagne aktualisiert wird.

Warum sind frühe Aufträge ein so starkes Prognosesignal?

Eine Vorsaisonplanung ist eine Sammlung von Annahmen der Marke. Frühe Aufträge sind Zusagen von Einkäufern, die ihre eigenen Läden und Kunden kennen. Selbst wenn erst ein kleiner Teil des späteren Auftragsbuchs geschrieben ist, zeigen diese Aufträge, auf welche Styles, Farben und Preislagen die Einkäufer setzen und welche sie auslassen.

Die Idee wurde in der Operations-Forschung zur Modebranche formalisiert, lange bevor maschinelles Lernen verbreitet war. In Making Supply Meet Demand in an Uncertain World (Harvard Business Review, 1994) beschrieben Marshall Fisher, Jan Hammond, Walter Obermeyer und Ananth Raman, wie ein Skibekleidungshersteller frühe Nachfrageinformationen nutzte, um zu entscheiden, was zuerst produziert und was zurückgehalten wird. In einem Artikel in Operations Research von 1996 modellierten Fisher und Raman diesen «Accurate Response»-Ansatz mit demselben Unternehmen und berichteten von Gewinnsteigerungen von rund 60 Prozent gegenüber der bisherigen, informellen Reaktion auf frühe Verkäufe.

Wie prognostiziert KI das gesamte Pre-Order-Buch aus frühen Aufträgen?

Die Kernaufgabe besteht darin, den Zusammenhang zu lernen zwischen dem, was in vergangenen Kampagnen bis zu einem bestimmten Zeitpunkt bestellt war, und dem, wie das finale Auftragsbuch schliesslich aussah. Ein Machine-Learning-Modell tut dies feiner, als es ein Planer mit einer Tabellenkalkulation kann, und kann mehrere Signale kombinieren:

• Auftragskurven: wie schnell sich jede Kategorie, Preislage oder jeder Carry-over-Style während einer Kampagne typischerweise füllt.
• Kundenmix: welche Händler bisher bestellt haben, denn Key Accounts, unabhängige Fachhändler und Marktplätze bestellen zu unterschiedlichen Zeitpunkten und in unterschiedlicher Tiefe.
• Attributähnlichkeit: Für neue Styles ohne Historie greift das Modell auf ähnliche Styles nach Stoff, Silhouette, Farbfamilie und Preis zurück.
• Kampagnenkontext: Terminkalender, Messedaten und das Timing je Markt, damit eine ruhige Woche nicht mit schwacher Nachfrage verwechselt wird.
• Stornierungsmuster: welcher Anteil eines gebuchten Auftrags historisch bis zur Auslieferung bestehen bleibt.

Das Ergebnis sollte eine Prognose des finalen Auftragsbuchs je Style und Farbe mit Bandbreite sein, ergänzt um eine Markierung für Styles, bei denen das frühe Signal deutlich von der Planung abweicht. McKinsey berichtet, dass KI-gestützte Prognosen Fehler in Supply-Chain-Anwendungen um 20 bis 50 Prozent senken können, und argumentiert, dass die meisten Organisationen über genug Daten verfügen, um davon zu profitieren, wenn sie Lücken sorgfältig behandeln. Diese Zahlen sind allgemein und nicht spezifisch für Pre-Orders in der Mode; sie sollten als Hinweis auf das Potenzial verstanden werden, nicht als Versprechen.

Lesen Sie auch

ROI eines digitalen Showrooms: So erstellen Sie den Business Case für Kosten und Sell-in

Welche Daten braucht ein Prognosemodell für Pre-Orders?

Die meisten Marken stellen fest, dass die Historie zwar existiert, aber nicht in nutzbarer Form gespeichert ist. Auftragsplattformen speichern oft nur den letzten Stand eines Auftrags, sodass der Aufbau während der Kampagne verloren geht. Das zu beheben, indem man tägliche Snapshots des Auftragsbuchs speichert, ist meist der erste und günstigste Schritt.

Ab welchem Zeitpunkt der Kampagne kann man der Prognose trauen?

Es gibt keinen universellen Schwellenwert. Wann sich eine Prognose stabilisiert, hängt davon ab, wie konzentriert der Kundenstamm ist und wie gut sich das Timing jedes Kunden vorhersagen lässt. Eine Marke, deren Auftragsbuch von wenigen grossen, spät bestellenden Kunden dominiert wird, sieht unter Umständen kaum ein Signal, bis diese Kunden zusagen. Eine Marke mit vielen unabhängigen Händlern, die gleichmässig bestellen, erhält ein brauchbares Signal womöglich viel früher.

Der praktische Weg ist ein Backtest: vergangene Kampagnen nachspielen, das Modell so laufen lassen, als wäre es Woche zwei, Woche drei und so weiter, und messen, wie weit jede Prognose vom finalen Auftragsbuch entfernt lag. So erhält das Team für das eigene Geschäft eine evidenzbasierte Antwort auf die Frage «Wie sehr vertrauen wir dieser Zahl heute?».

Welche Entscheidungen sollte die Prognose steuern?

1. Stoff- und Zutatenzusagen: Materialien für Styles mit starken frühen Signalen bestätigen und bei schwächelnden Styles zurückhalten.
2. Produktionsaufteilung: eine erste Tranche auf Basis der frühen Prognose festlegen und einen Teil der Kapazität für eine spätere Entscheidung flexibel halten, wie im Accurate-Response-Ansatz.
3. Vertriebsfokus: Aussendienstmitarbeitende auf Kunden lenken, die starke Styles noch nicht bestellt haben, oder auf schwache Styles, die einen Schub oder eine Streichentscheidung brauchen.
4. Kollektionsanpassungen: Styles, die Mindestbestellmengen voraussichtlich verfehlen, früh genug erkennen, um sie zu streichen oder zusammenzulegen.

Wo liegen Grenzen und Risiken?

Frühe Aufträge können in die Irre führen. Ein einzelner grosser Kunde mit hohen Bestellungen kann einen Style stärker erscheinen lassen, als er im Gesamtmarkt ist. Einkäufer bestellen manche Kategorien früh und andere spät, und makroökonomische Schocks oder Zolländerungen können das Timing einer ganzen Saison verschieben. Modelle, die auf stabilen Jahren trainiert wurden, reagieren auf solche Brüche tendenziell zu schwach.

Hinzu kommt ein organisatorisches Risiko. Wird die Prognose als einzelne Zahl präsentiert, ignorieren Merchandiser und Vertriebsteams sie womöglich oder folgen ihr blind. Eine Bandbreite zeigen, die wichtigsten Treiber je Style erklären und für grosse Zusagen einen menschlichen Entscheidungsschritt beibehalten, sind einfache Schutzmassnahmen.

Lesen Sie auch

Wie können Marken mit Daten Pre-Order-Stornierungen und Auftragskürzungen reduzieren?

Lohnt sich die Investition?

Der Ertrag entsteht durch bessere Erstzusagen: weniger Stoff für Styles, die sich nie füllen, weniger Ausverkäufe bei Styles, die es tun, und weniger späte Produktionsstornierungen. Für die meisten Marken ist der grösste Kostenblock nicht das Modell, sondern die Datenarbeit dahinter. Ein sinnvoller Weg ist, mit einer Kategorie zu starten, gegen zwei oder drei vergangene Saisons zu testen und die Prognose erst dann auf die gesamte Kollektion auszuweiten.