Wie funktionieren KI-gestützte Re-Order-Prognosen und automatisches Replenishment für Händler?
Re-Orders betreffen Modelle, die sich bereits bewährt haben. KI kann sie vorschlagen oder auslösen, bevor einem Handelspartner die Ware ausgeht, sofern Sell-out- und Bestandsdaten geteilt werden.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- KI-gestützte Re-Order-Prognosen schätzen auf Basis von Sell-out, Bestand und Auftragshistorie, welche Modelle, Farben und Grössen ein Handelspartner nachordern muss und wann.
- Re-Orders betreffen Produkte mit nachgewiesener Nachfrage. Das macht sie risikoärmer als Pre-Orders und zu einem naheliegenden ersten Anwendungsfall für Prognosen im Wholesale.
- Automatisches Replenishment reicht von Vorschlägen, die ein Einkäufer freigibt, bis zu vollautomatischen Bestellungen innerhalb vereinbarter Mindest- und Höchstbestände.
- Der entscheidende Input sind die Daten der Händler: GS1-EANCOM-Nachrichten wie SLSRPT (Verkaufsdaten) und INVRPT (Bestand einschliesslich Meldebeständen) sind ein etablierter Weg, sie auszutauschen.
- McKinsey berichtet, dass KI-gestützte Prognosen in Lieferketten die Prognosefehler um 20 bis 50 Prozent senken können, die Ergebnisse hängen aber stark von der Datenqualität und der Art des Sortiments ab.
KI-gestützte Re-Order-Prognosen nutzen die Verkaufs-, Bestands- und Auftragshistorie eines Handelspartners, um abzuschätzen, welche Produkte er nachordern muss, in welchen Grössen und Farben und wann. Automatisches Replenishment geht einen Schritt weiter und macht aus diesen Schätzungen vorgeschlagene oder automatische Bestellungen nach Regeln, auf die sich beide Seiten geeinigt haben. Gemeinsam sollen sie bewährte Produkte verfügbar halten, ohne den Händler zu überladen.
Warum ist die Re-Order eine eigene Chance im Modewholesale?
Pre-Orders werden Monate im Voraus platziert, auf Basis von Mustern und Erwartungen. Re-Orders erfolgen während der Saison, für Modelle, die die Kundschaft bereits kauft. Die Nachfrage ist nachgewiesen statt angenommen, was das kommerzielle Risiko für Marke und Händler senkt. Dennoch werden Re-Orders oft reaktiv abgewickelt: Ein Einkäufer bemerkt eine leere Grösse, schreibt dem Aussendienst eine E-Mail, und die Marke prüft die Verfügbarkeit. Bis dahin sind die besten Verkaufswochen womöglich vorbei.
Fortlaufende Sortimente und Never-out-of-Stock-Linien wie Basics, Denim-Passformen oder Kernfarben sind der klarste Fall. Ihre Nachfragemuster sind stabil genug, um sie zu modellieren, und ein Ausverkauf kostet Verkäufe zum vollen Preis, die selten zurückkommen.
Die Chance ist eine gemeinsame. Für den Händler sichern rechtzeitige Re-Orders Verkäufe zum vollen Preis bei Artikeln, nach denen die Kundschaft aktiv fragt, und verhindern, dass Budget in langsameren Modellen gebunden wird. Für die Marke bergen Re-Orders auf bewährte Produkte weniger Produktions- und Abschriftenrisiko als spekulative Pre-Orders. Werden Re-Orders verpasst, verlieren beide, und der Verlust ist in Berichten selten sichtbar, weil ein Verkauf, der nie stattgefunden hat, keine Spuren hinterlässt.
Re-Order-Prognose und automatisches Replenishment werden oft synonym verwendet, beschreiben aber unterschiedliche Automatisierungsgrade. Die Re-Order-Prognose ist analytisch: Sie schätzt, welche Produkte ein Partner voraussichtlich wann benötigt, und stellt dies dem Aussendienst oder dem Einkäufer als Signal zur Verfügung. Das automatische Replenishment ist operativ: Es macht aus der Schätzung einen Bestellvorschlag oder eine freigegebene Bestellung, nach mit dem Händler vereinbarten Regeln für Mindest- und Höchstbestände. Viele Marken nutzen Prognosen für saisonale Modelle und Replenishment nur für fortlaufende Sortimente, bei denen die Nachfrage stabiler und die Vereinbarung mit dem Händler klarer ist.
Wie funktioniert automatisches Replenishment für Handelspartner?
- Der Händler teilt Verkaufs- und Bestandsdaten je Filiale oder Kanal auf Ebene von Modell, Farbe und Grösse in einer vereinbarten Frequenz.
- Ein Prognosemodell schätzt die erwarteten Verkäufe über die Wiederbeschaffungszeit und berücksichtigt dabei Saisonalität, Trend, Aktionen und den jüngsten Abverkauf.
- Das System vergleicht die erwarteten Verkäufe mit dem aktuellen und dem eingehenden Bestand anhand von Ziel-, Mindest- und Höchstbeständen, die je Filiale vereinbart sind.
- Es erzeugt einen Re-Order-Vorschlag, den ein Einkäufer oder der Aussendienst prüft oder der innerhalb vereinbarter Grenzen automatisch freigegeben wird.
- Die tatsächlichen Verkäufe werden mit der Prognose verglichen, und Parameter wie der Sicherheitsbestand werden laufend angepasst.
Welche Daten braucht die Re-Order-Prognose?
| Daten | Quelle | Warum sie wichtig sind |
|---|---|---|
| Verkäufe je Filiale, Produkt und Grösse | Kassensystem oder E-Commerce des Händlers, z. B. über einen Verkaufsdatenbericht | Zentrales Nachfragesignal |
| Vorhandener Bestand und Bestand im Zulauf | Warenwirtschaft des Händlers, z. B. über einen Lagerbestandsbericht | Bestimmt, was tatsächlich benötigt wird |
| Ziel-, Mindest- und Höchstbestand | Vereinbarung zwischen Marke und Händler | Setzt die Grenzen für automatische Bestellungen |
| Auftrags- und Lieferhistorie | ERP- oder Order-System der Marke | Zeigt Vorlaufzeiten und bisheriges Nachorderverhalten |
| Verfügbarkeit bei der Marke | Lager und Produktionsplan der Marke | Verhindert Vorschläge, die nicht lieferbar sind |
| Produktattribute und Lebenszyklus | Produktstammdaten | Trennt fortlaufende von saisonalen Modellen |
Standardformate helfen. Der EANCOM-Standard von GS1 definiert einen Verkaufsdatenbericht (SLSRPT) für den Austausch grundlegender Verkaufsdaten nach Standort, Zeitraum, Produkt, Preis und Menge sowie einen Lagerbestandsbericht (INVRPT), der Bestände ebenso wie Ziel-, Mindest- und Höchstwerte und Meldebestände übermitteln kann. Händler ohne elektronischen Datenaustausch können Exporte teilen oder Portalzugang gewähren, doch das Format muss einheitlich sein, damit ein Modell es nutzen kann.
Welche KI-Methoden kommen bei der Re-Order-Prognose zum Einsatz?
Die meisten Systeme kombinieren mehrere Verfahren. Zeitreihenmodelle erfassen Saisonalität und Trend bei stabilen, fortlaufenden Artikeln. Machine-Learning-Modelle wie Gradient-Boosted Trees ergänzen erklärende Faktoren, zum Beispiel Preisänderungen, Wetter, Ladentyp oder Marketingaktivitäten. Grössenkurvenmodelle verteilen eine prognostizierte Modellmenge je Filiale auf die Grössen. Das ist wichtig, weil Ausverkäufe auf Grössenebene der häufigste Grund dafür sind, dass sich ein Modell nicht mehr verkauft, obwohl anderswo noch Bestand vorhanden ist.
Bei saisonaler Mode mit kurzer Historie greifen Modelle auf Informationen ähnlicher Produkte zurück und nutzen dafür Attribute wie Kategorie, Material, Preislage und Farbfamilie. Diese Schätzungen sind weniger verlässlich, weshalb viele Marken das automatische Replenishment auf fortlaufende Sortimente beschränken und bei saisonalen Modellen bei Vorschlägen bleiben.
Welche Ergebnisse können Marken realistischerweise erwarten?
Veröffentlichte Belege speziell für den Modewholesale sind rar, und Anbieterzahlen werden selten unabhängig überprüft. Branchenübergreifend berichtet McKinsey, dass der Einsatz KI-gestützter Prognosen im Supply Chain Management die Fehler um 20 bis 50 Prozent senken kann, was sich in einem Rückgang entgangener Umsätze und fehlender Produktverfügbarkeit um bis zu 65 Prozent niederschlagen kann. Dies sind Bandbreiten für Lieferketten im Allgemeinen, kein Massstab für eine einzelne Marke, und sie setzen verwertbare Daten voraus.
Welche Risiken und Grenzen gibt es?
- Unvollständige Daten: Wenn nur einige Filialen Daten teilen oder der Austausch unregelmässig ist, werden die Prognosen verzerrt.
- Überbestand beim Partner: Ein Replenishment, das den Sell-in der Marke auf Kosten des Händlers optimiert, beschädigt das Vertrauen und führt zu Retouren oder Abschriften.
- Allokationskonflikte: Ist Ware knapp, müssen die Regeln dafür, welcher Partner sie erhält, transparent und vereinbart sein.
- Saisonale Volatilität: Trendgetriebene Modelle können sich anders verhalten als in ihrer Historie, was Modelle nicht vorhersehen können.
- Bedenken zur Datennutzung: Händler brauchen Klarheit darüber, dass ihre Verkaufsdaten für das Replenishment genutzt werden und nicht, um ihre Position zu schwächen.
Wie sollte eine Marke mit KI-gestützten Re-Order-Prognosen beginnen?
Wählen Sie ein fortlaufendes Sortiment und eine kleine Gruppe von Partnern, die bereits Verkaufs- und Bestandsdaten teilen. Vereinbaren Sie Zielbestände je Filiale, lassen Sie das Modell im Vorschlagsmodus parallel zu den bestehenden Prozessen laufen und messen Sie Verfügbarkeit, Abverkauf und Bestände im Vergleich zur Vorsaison. Weiten Sie den Einsatz erst auf weitere Partner und auf die automatische Freigabe aus, wenn beide Seiten den Nutzen in ihren eigenen Zahlen sehen.
Häufige Fragen
Was ist automatisches Replenishment im Modewholesale?
Es ist ein Prozess, bei dem eine Marke auf Basis der Verkaufs- und Bestandsdaten eines Handelspartners innerhalb vereinbarter Bestandsgrenzen Re-Orders vorschlägt oder auslöst. Am verbreitetsten ist es bei fortlaufenden Sortimenten und Never-out-of-Stock-Linien.
Welche Daten müssen Händler für KI-gestützte Re-Order-Prognosen teilen?
Mindestens Verkäufe und Bestände je Filiale, Modell, Farbe und Grösse in regelmässiger Frequenz. Standardnachrichten wie GS1 EANCOM SLSRPT und INVRPT können diese Daten übermitteln, ebenso einheitliche Exporte oder ein Portalzugang.
Wie genau sind KI-gestützte Nachfrageprognosen für Re-Orders?
Die Genauigkeit hängt von der Datenqualität und der Produktart ab. McKinsey berichtet, dass KI-gestützte Prognosen die Prognosefehler in Lieferketten um 20 bis 50 Prozent senken können, saisonale Mode mit kurzer Historie bleibt aber schwerer vorherzusagen als fortlaufende Artikel.
Sollten Re-Orders vollautomatisch erfolgen?
Die meisten Marken beginnen mit Vorschlägen, die Einkäufer freigeben, und erlauben die automatische Freigabe innerhalb vereinbarter Mindest- und Höchstbestände erst, wenn sich die Prognosen als zuverlässig erwiesen haben. Wer den Händler anfangs die Kontrolle behalten lässt, schafft das Vertrauen, das der Datenaustausch erfordert.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
