Wie prognostiziert man die Nachfrage für ein Modeprodukt ohne Verkaufshistorie?
Ein Grossteil eines Modesortiments ist jede Saison neu, klassische Zeitreihenprognosen haben also keine Grundlage. Wie KI Historie von ähnlichen Produkten, Bildern, Attributen und ersten Verkäufen entlehnt und wo sie noch an Grenzen stösst.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- KI prognostiziert ein neues Modeprodukt ohne eigene Verkaufshistorie, indem sie von vergleichbaren früheren Produkten lernt, die über Attribute, Bilder, Preise und Kanäle beschrieben werden, statt eine Zeitreihe fortzuschreiben.
- Attributbasierte Nachfragemodelle schätzen, wie stark Kundinnen und Kunden Merkmale wie Farbe, Passform oder Material schätzen. So kann ein Händler Artikel prognostizieren, die er noch nie geführt hat.
- In einer veröffentlichten Studie von Fisher und Vaidyanathan (Management Science, 2014) prognostizierte ein attributbasiertes Modell die Umsatzanteile neuer Produkte mit mittleren absoluten prozentualen Fehlern zwischen 16,2 und 28,7 Prozent in drei Kategorien.
- Forschung auf Basis des öffentlichen VISUELLE-Datensatzes mit 5'577 neuen Fast-Fashion-Produkten ergab, dass Google-Trends-Signale den Prognosefehler von Bild- und Metadatenmodellen nur moderat und nicht dramatisch verbesserten.
- Weil Vorsaisonprognosen für Neuheiten unsicher bleiben, entstehen die grössten Gewinne meist durch die Kombination mit schneller Neuprognose auf Basis erster Verkäufe und einer flexiblen Warenverteilung.
Ein Modeprodukt ohne Verkaufshistorie wird prognostiziert, indem man Historie von ähnlichen Produkten entlehnt. KI-Modelle beschreiben jeden neuen Artikel über seine Attribute, Bilder, seinen Preis und die geplante Distribution, suchen frühere Produkte, die ihm ähneln, und lernen, wie sich diese Merkmale in Verkäufe übersetzt haben. Die Prognose wird dann rasch verfeinert, sobald die ersten Tage mit echten Verkaufsdaten vorliegen.
Warum ist die Prognose neuer Modeprodukte so schwierig?
Klassische Prognosemethoden schreiben die eigene Vergangenheit eines Produkts in die Zukunft fort. Das funktioniert für ein durchlaufendes weisses T-Shirt, doch ein Grossteil eines Modesortiments ist jede Saison neu: neue Silhouetten, Drucke und Farbstellungen ganz ohne Verkaufsdaten. Forschende, die für dieses Problem einen öffentlichen Benchmark aufgebaut haben, beschreiben die Prognose neuer Produkte als anspruchsvolle Aufgabe, die klassische Methoden nicht lösen können, eben weil es keine vergangenen Verkäufe gibt, die sich modellieren liessen.
Der Modekalender verschärft die Schwierigkeit. Einkaufsentscheide für viele Produkte fallen Monate vor dem Launch, die Nachfrage hängt von Trends ab, die sich in dieser Zeit verschieben, und die Verkäufe sind oft durch den eingekauften Bestand begrenzt. Eine Prognose, die in die eine oder andere Richtung danebenliegt, endet in Abschriften oder entgangenen Verkäufen.
Wie prognostiziert KI ein Produkt, das noch nie verkauft wurde?
Die meisten Ansätze ersetzen die fehlende Zeitreihe durch eine Beschreibung des Produkts und lernen dann von Analogien. In der Praxis setzt sich diese Beschreibung aus mehreren Datenebenen zusammen.
- Strukturierte Attribute: Kategorie, Stoff, Passform, Länge, Farbfamilie, Preislage und Saison.
- Bilder: Computer Vision wandelt Produktfotos oder Skizzen in numerische Merkmale um, die Form und Stil erfassen.
- Kommerzieller Plan: geplanter Preis, Zahl der Verkaufsstellen oder Kanäle, Launchdatum und Marketingunterstützung.
- Externe Signale: Suchinteresse oder Social-Media-Daten, die anzeigen, ob ein Stil im Kommen oder im Abklingen ist.
- Erste Verkäufe: die ersten Tage oder Wochen echter Nachfrage, sobald das Produkt live ist.
Fisher und Vaidyanathan zeigten die Attributlogik 2014 in Management Science deutlich auf. Ihr Modell behandelt jedes Produkt als Bündel von Attributausprägungen, schätzt die Nachfrage für jede Ausprägung sowie die Wahrscheinlichkeit, dass Kundinnen und Kunden ausweichen, wenn ihre erste Wahl fehlt, und nutzt dies, um Produkte zu prognostizieren, die der Händler noch nicht führt. Die untersuchten Kategorien stammten nicht aus der Mode (Snackkuchen, Reifen und Autopflegeprodukte), doch die Methode lässt sich direkt auf Bekleidungsattribute übertragen.
Wie genau sind KI-Prognosen für neue Produkte?
Veröffentlichte Ergebnisse sind ein nützlicher Realitätscheck. In der Studie von Fisher und Vaidyanathan wiesen die Prognosen der Umsatzanteile neuer Produkte in den drei Kategorien mittlere absolute prozentuale Fehler von 16,2, 19,1 und 28,7 Prozent auf, was die Autoren positiv mit einem früheren Benchmark von 30,7 Prozent verglichen. Fehler dieser Grössenordnung sind eine Verbesserung, aber keine Gewissheit.
Speziell für die Mode veröffentlichten Skenderi und Kollegen VISUELLE, einen Datensatz mit 5'577 neuen Produkten, die ein italienisches Fast-Fashion-Unternehmen zwischen 2016 und 2019 verkaufte, inklusive Bildern, Metadaten, Verkäufen und zugehörigen Google-Trends-Zeitreihen. Ihr multimodales Modell übertraf die getesteten Vergleichsmodelle, und die Einbeziehung von Google Trends verbesserte den gewichteten absoluten prozentualen Fehler um 1,5 Prozent. Das ist ein spürbarer, aber bescheidener Gewinn und eine Erinnerung daran, dass externe Daten eine Prognose verfeinern, sie aber nicht grundlegend verändern.
| Ansatz | Funktionsweise | Benötigte Daten | Hauptgrenze |
|---|---|---|---|
| Vergleichsartikel (Like-for-like) | Planer wählt einen oder mehrere frühere Artikel und passt deren Verkäufe an | Bereinigte Historie früherer Styles | Subjektive Wahl des Vergleichsartikels |
| Attributbasiertes Modell | Lernt den Nachfragebeitrag jedes Produktattributs | Konsistente Attributverschlagwortung über mehrere Saisons | Übersieht Effekte, die Attribute nicht erfassen |
| Bild- und multimodales Modell | Kombiniert Bildmerkmale, Metadaten und externe Signale | Produktbilder, Metadaten, Verkaufshistorie | Braucht grosse Mengen vergleichbarer Produkte |
| Neuprognose auf Basis erster Verkäufe | Aktualisiert die Prognose anhand der ersten Tage echter Nachfrage | Schnelle, verlässliche Abverkaufsdaten | Nur nützlich, wenn Ware noch umverteilt oder nachbestellt werden kann |
Welche Daten braucht eine Marke, bevor sie startet?
Die Qualität einer Prognose für neue Produkte hängt weniger vom Algorithmus ab als vom Archiv dahinter. Attribute müssen über mehrere Saisons konsistent verschlagwortet sein, sonst erkennt das Modell nicht, dass zwei Produkte ähnlich sind. Die Verkaufshistorie muss um Fehlbestände bereinigt werden, denn ein früh ausverkauftes Produkt wirkt weniger beliebt, als es war. Forschende, die mit dem Onlinehändler Rue La La zusammenarbeiteten, gingen genau dieses Problem an: Laut Working Knowledge der Harvard Business School schätzten sie mit maschinellem Lernen die entgangenen Verkäufe ausverkaufter Artikel, bevor sie die Nachfrage für Produkte prognostizierten, die der Händler noch nie verkauft hatte.
Bilder müssen vergleichbar sein (gleicher Blickwinkel, Hintergrund und Bildausschnitt), wenn sie als Merkmale dienen sollen. Und der kommerzielle Plan, einschliesslich Preis und Distributionsbreite, muss erfasst werden, denn ein Produkt, das in fünfzig Verkaufsstellen gezeigt wird, ist nicht mit einem vergleichbar, das in fünf gezeigt wird.
Wo bleibt menschliches Urteilsvermögen wichtig?
Modelle lernen aus der Vergangenheit und sind deshalb genau dort am schwächsten, wo Mode am spannendsten ist: bei wirklich neuen Kategorien, einer Kollaboration oder einem Trend ohne Vorbild im Archiv. Merchandiser und Einkäufer bringen Kontext ein, den die Daten nicht enthalten, etwa eine Marketingoffensive, einen Promi-Moment oder eine Einschränkung beim Lieferanten. Sinnvoll ist ein Muster, bei dem das Modell vorschlägt und ein Planer anpasst, wobei die Anpassungen protokolliert werden, damit sich auch deren Treffsicherheit messen lässt.
Wie verändern erste Verkäufe die Prognose?
Der wertvollste Datenpunkt für ein neues Produkt ist seine eigene erste Verkaufswoche. Zara entwickelte gemeinsam mit Forschenden ein System, das 2015 in Operations Research veröffentlicht wurde und Prognosen anhand erster Verkäufe aktualisiert sowie entscheidet, wie viel Ware zunächst an jede Filiale geschickt und wie viel im Lager zurückgehalten wird. In einem kontrollierten Feldexperiment mit 34 Artikeln in der Saison 2012 steigerte das System den durchschnittlichen Saisonumsatz um rund 2 Prozent und senkte die Zahl unverkaufter Einheiten am Ende der regulären Saison um rund 4 Prozent.
Diese Ergebnisse zeigen, wie der Nutzen von KI in der Planung neuer Produkte realistischerweise aussieht: inkrementelle prozentuale Gewinne, die sich über ein grosses Sortiment summieren und dadurch entstehen, dass eine Prognose mit einer operativen Entscheidung verknüpft wird, die sich noch ändern lässt.
Wie sollte eine Marke beginnen?
- Prüfen Sie die Produktdaten von zwei bis drei Saisons auf konsistente Attribute, Bilder und Preisangaben.
- Bereinigen Sie die historischen Verkäufe um Fehlbestände und um die Zahl der Verkaufsstellen, in denen jedes Produkt angeboten wurde.
- Beginnen Sie mit einer Kategorie, in der der Neuheitenanteil hoch und das Archiv gross ist, und vergleichen Sie das Modell mit der bisherigen Planungsmethode.
- Messen Sie die Genauigkeit auf der Ebene, auf der Entscheidungen getroffen werden (Style, Farbe, Grösse oder Filiale), und nicht nur aggregiert.
- Verknüpfen Sie die Prognose mit einer flexiblen Entscheidung, etwa der Erstverteilung oder einer reservierten Nachbestellung, damit bessere Prognosen die Ergebnisse tatsächlich verändern.
Häufige Fragen
Kann KI die Verkäufe eines neuen Bekleidungsprodukts vorhersagen?
Ja, mit Einschränkungen. KI sagt die Verkäufe neuer Produkte voraus, indem sie anhand von Attributen, Bildern, Preis und Distributionsplänen von ähnlichen früheren Produkten lernt. Veröffentlichte Studien zeigen messbare Verbesserungen gegenüber einfacheren Methoden, doch die Fehler bleiben erheblich. Prognosen sollten deshalb als Bandbreiten verstanden werden.
Was ist ein Vergleichsprodukt in der Prognose?
Ein Vergleichsprodukt ist ein früheres Produkt, das einem neuen so ähnlich ist, dass seine Verkäufe als Orientierung für die neue Prognose dienen können. Traditionell wählt ein Planer Vergleichsprodukte manuell aus. KI-Modelle wählen und gewichten automatisch viele Vergleichsprodukte auf Basis von Attributen und Bildern.
Welche Daten braucht man für die Prognose neuer Modeprodukte?
Nötig sind konsistent verschlagwortete Produktattribute aus mehreren Saisons, vergleichbare Produktbilder, eine um Fehlbestände bereinigte Verkaufshistorie sowie Angaben zu Preis und Distributionsbreite. Externe Signale wie Suchtrends können helfen, sind aber eine Verfeinerung und keine Grundlage.
Wie stark verbessert Google Trends Modeprognosen?
In der VISUELLE-Studie mit 5'577 neuen Fast-Fashion-Produkten verbesserte die Ergänzung eines Bild- und Metadatenmodells um Google Trends den gewichteten absoluten prozentualen Fehler um 1,5 Prozent. Der Gewinn war real, aber bescheiden. Das deutet darauf hin, dass externe Signale Produkt- und Verkaufsdaten ergänzen und nicht ersetzen.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
QUELLEN
- arXiv: Well Googled is Half Done, multimodal forecasting of new fashion product sales with image-based Google Trends (Skenderi et al.)
- IDEAS/RePEc: A Demand Estimation Procedure for Retail Assortment Optimization with Results from Implementations (Fisher and Vaidyanathan, Management Science 2014)
- Harvard Business School Working Knowledge: How do you predict demand and set prices for products never sold before?
- IDEAS/RePEc: Initial Shipment Decisions for New Products at Zara (Gallien et al., Operations Research 2015)
