Was macht ein Wholesale-Unternehmen KI-ready?
KI-Reife im Modewholesale hängt weniger von Algorithmen ab als von strukturierten Produkt-, Auftrags- und Partnerdaten, klaren Zuständigkeiten und Prozessen, die festhalten, warum Einkäufer entscheiden, wie sie entscheiden.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Ein Wholesale-Unternehmen ist KI-ready, wenn seine Produkt-, Kunden- und Auftragsdaten konsistent, verknüpft und gut genug dokumentiert sind, damit Modelle daraus lernen und Menschen den Ergebnissen vertrauen können.
- Gartner prognostiziert, dass Unternehmen bis Ende 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten aufbauen, und stellte fest, dass 63 Prozent der Unternehmen nicht über die richtigen Datenpraktiken verfügen oder sich dessen nicht sicher sind.
- Transaktionsdaten zeigen, was Händler bestellt haben; Verhaltensdaten aus Showrooms und Portalen liefern zusätzlich Signale darüber, was sie in Betracht gezogen und verworfen haben, was für Prognosen oft nützlicher ist.
- Standardisierte Nachrichtenformate wie die Verkaufs- und Bestandsberichte von GS1 EANCOM erleichtern es, Sell-out- und Bestandsdaten von Handelspartnern in einer verwertbaren Struktur zu erhalten.
- Zur KI-Reife gehören auch benannte Datenverantwortliche, vereinbarte Regeln mit den Handelspartnern und ein Prozess, in dem Menschen KI-Ergebnisse prüfen, die Bestellungen, Preise oder Allokation betreffen.
Ein Wholesale-Unternehmen ist KI-ready, wenn seine Daten zu Produkten, Kunden und Aufträgen konsistent, verknüpft und vertrauenswürdig genug sind, damit ein Modell daraus lernen kann, und wenn die Organisation weiss, wem diese Daten gehören und wer auf Basis der Ergebnisse handelt. Den meisten Modemarken fehlen nicht die Algorithmen; ihnen fehlt die strukturierte Historie, die Algorithmen brauchen.
Was bedeutet KI-ready für ein Modewholesale-Unternehmen?
KI-Reife ist ein praktischer Zustand, kein Zertifikat. Sie bedeutet, dass sich die Fragen, die eine Marke mit KI beantworten will, etwa welche Kunden voraussichtlich nachordern, welche Modelle ein Einkäufer wahrscheinlich auswählt oder was eine per E-Mail eingegangene Bestellung tatsächlich enthält, aus Daten beantworten lassen, die die Marke bereits erfasst. Sie bedeutet auch, dass die Ergebnisse in die Systeme zurückfliessen können, in denen die Mitarbeitenden arbeiten, statt in einer separaten Tabelle zu liegen.
Im Wholesale ist das schwieriger als im Direct-to-Consumer-Geschäft. Die Daten sind über ERP-Systeme, Order-Tools, Showroom-Software, Tabellen des Aussendiensts, Messenotizen und die eigenen Systeme der Händler verteilt. Jede Quelle verwendet eigene Kennungen, und saisonale Kollektionen führen dazu, dass Produkte alle paar Monate ersetzt werden.
Die Saisonalität schafft ein besonderes Problem für das Lernen. Ein Modell kann nicht einfach nachschlagen, wie sich ein Modell im Vorjahr verkauft hat, denn dieses Modell gibt es nicht mehr. Es muss stattdessen aus Attributen lernen: Kategorie, Passform, Material, Preislage, Farbfamilie, Lieferfenster. Fehlen diese Attribute, sind sie uneinheitlich oder nur in Line Sheets und Präsentationen hinterlegt, lässt sich die Historie früherer Saisons nicht auf die nächste übertragen. Im Modewholesale ist die Attributqualität deshalb keine kosmetische Frage, sondern die Brücke, die vergangene Daten nutzbar macht.
KI-Reife hat auch eine kommerzielle Dimension. Handelspartner entscheiden, ob sie Sell-out- und Bestandsdaten teilen, Einkäufer entscheiden, ob sie Portale und digitale Showrooms nutzen, und der Aussendienst entscheidet, ob er festhält, was in Terminen geschieht. Eine Marke ist nur so KI-ready, wie diese Menschen es zulassen.
Warum scheitern so viele KI-Projekte an den Daten?
Das Muster ist branchenübergreifend dasselbe. In einer Umfrage unter 1203 Verantwortlichen für Datenmanagement stellte Gartner fest, dass 63 Prozent der Unternehmen nicht über die richtigen Datenmanagement-Praktiken für KI verfügen oder sich dessen nicht sicher sind. Darauf gestützt prognostizierte Gartner, dass Unternehmen bis Ende 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten aufbauen.
Vertriebsorganisationen berichten von denselben Reibungen. In der Studie State of Sales von Salesforce, die auf einer Umfrage unter 4050 Vertriebsprofis im August und September 2025 beruht, gaben 51 Prozent der Vertriebsleitenden an, dass unverbundene Systeme ihre KI-Initiativen bremsen, und 74 Prozent der Befragten sagten, sie würden der Datenbereinigung Priorität einräumen.
Welche Datengrundlagen sind am wichtigsten?
| Grundlage | Wie es gut aussieht | Typische Lücke |
|---|---|---|
| Produktstammdaten | Eine Kennung je Modell, Farbe und Grösse; vollständige Attribute; verknüpfte Bilder | Attribute nur in Präsentationen oder Notizen des Aussendiensts |
| Kundenstammdaten | Eindeutige Kunden-IDs, Verkaufsflächen, Formate, Regionen, Konditionen | Dubletten zwischen ERP und Order-Tools |
| Auftragshistorie | Bestellungen auf Positionsebene mit Grössen, Lieferfenstern, Stornierungen, Retouren | Nur Summen oder Rechnungen gespeichert |
| Sell-out und Bestand | Regelmässige Verkaufs- und Bestandsberichte der Partner in einem vereinbarten Format | Ad-hoc-Tabellen, wenn überhaupt |
| Engagement-Daten | Ansichten, Auswahlen und Entfernungen in Showrooms und Portalen | Nicht erfasst oder nicht mit Kunden verknüpft |
Warum sind Verhaltensdaten ebenso wichtig wie Transaktionen?
Bestellungen zeigen einer Marke, was ein Händler gekauft hat. Sie zeigen nicht, was der Einkäufer angesehen und verworfen hat, welche Alternativen verglichen wurden oder welche Modelle gestrichen wurden, als das Budget aufgebraucht war. Diese Signale erklären, warum eine Bestellung so aussieht, wie sie aussieht, und sie sind oft der nützlichste Input für die Prognose der nächsten.
Digitale Showrooms, B2B-Portale und Termin-Tools können diese Signale als Nebenprodukt der normalen Arbeit erfassen, sofern die Interaktionen mit identifizierten Kunden und Produkten verknüpft sind. Über mehrere Saisons entsteht so eine Historie von Interessen und Entscheidungen auf Kundenebene. Wertvoll wird diese Historie aber nur, wenn sie von Anfang an in einer einheitlichen Struktur gespeichert wird; nachträglich lässt sie sich nicht rekonstruieren.
Wie erhalten Sie Sell-out-Daten von Handelspartnern?
Re-Order-Prognosen und Abverkaufsanalysen hängen von Daten ab, die den Händlern gehören. Manche Partner tauschen sie bereits über etablierte elektronische Nachrichten aus. Der EANCOM-Standard von GS1 umfasst zum Beispiel einen Verkaufsdatenbericht (SLSRPT) für grundlegende Verkaufsdaten nach Standort, Zeitraum, Produkt, Preis und Menge sowie einen Lagerbestandsbericht (INVRPT) für vorhandene und geplante Bestände einschliesslich Meldebeständen. Kleinere Händler können unter Umständen nur Tabellen exportieren oder Zugang zu einem Portal gewähren.
Unabhängig vom Kanal sollten Sie schriftlich festhalten, welche Daten geteilt werden, wie oft, wie sie genutzt werden und wer sie einsehen kann. Händler sind eher bereit zu teilen, wenn sie im Gegenzug etwas Nützliches erhalten, etwa Replenishment-Vorschläge oder Benchmark-Berichte.
Was braucht die Organisation neben Daten?
- Benannte Verantwortliche für Produkt-, Kunden- und Auftragsdaten, mit der Befugnis, Standards durchzusetzen.
- Integration zwischen ERP-, Order- und Showroom-Systemen, damit Kennungen ohne manuelles Mapping übereinstimmen.
- Menschliche Prüfung für jedes KI-Ergebnis, das Bestellungen, Preise oder Allokation verändert.
- Kompetenzen in Sales Operations, um Modellergebnisse zu interpretieren und kritisch zu hinterfragen.
- Dokumentation dessen, was jedes Modell tut, welche Daten es nutzt und was es nicht entscheiden darf.
Wie bauen Sie KI-Reife Schritt für Schritt auf?
- Vereinheitlichen Sie die Kennungen für Produkte und Kunden in allen Systemen, die mit dem Wholesale zu tun haben.
- Verbinden Sie ERP- und Order-Systeme über stabile Schnittstellen statt über manuelle Exporte.
- Beginnen Sie, Verhaltensdaten in Showrooms und Portalen zu erfassen, verknüpft mit Kunden und Modellen.
- Speichern Sie Auftrags-, Engagement- und Sell-out-Daten in einer Struktur, die die Historie über die Saisons hinweg bewahrt.
- Führen Sie einen ersten prädiktiven oder generativen Anwendungsfall ein, messen Sie ihn an einer Ausgangsbasis und bauen Sie nur aus, was funktioniert.
Keiner dieser Schritte ist glamourös, und keiner erfordert das neueste Modell. Sie sind jedoch das, was Marken, deren KI-Pilotprojekte den Alltag erreichen, von jenen unterscheidet, deren Pilotprojekte als Präsentation enden.
Häufige Fragen
Was bedeuten KI-fähige Daten?
KI-fähige Daten sind Daten, die korrekt, einheitlich gekennzeichnet, systemübergreifend verknüpft und gut genug dokumentiert sind, damit Modelle sie nutzen und Menschen den Ergebnissen vertrauen können. Im Wholesale umfasst das Produkt-, Kunden-, Auftrags-, Engagement- und Sell-out-Daten.
Warum scheitern KI-Projekte im Wholesale?
Die meisten scheitern an den Daten, nicht an den Algorithmen: an Kennungen, die zwischen Systemen nicht übereinstimmen, an fehlenden Auftragsdetails oder am fehlenden Zugang zu Sell-out-Daten der Händler. Gartner prognostiziert, dass Unternehmen bis Ende 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten aufbauen.
Wie kann eine Marke Sell-out-Daten von Händlern erhalten?
Über vereinbarte Austauschwege, die standardisierte elektronische Nachrichten wie die Verkaufs- und Bestandsberichte von GS1 EANCOM, Portalzugänge oder regelmässige Exporte nutzen können. Klare Nutzungsbedingungen und ein sichtbarer Nutzen für den Händler erhöhen die Bereitschaft der Partner, Daten zu teilen.
Wo sollte ein Wholesale-Unternehmen mit KI beginnen?
Vereinheitlichen Sie zunächst die Kennungen für Produkte und Kunden und erfassen Sie die Auftragshistorie auf Positionsebene. Wählen Sie dann einen messbaren Anwendungsfall wie Auftragserfassung oder Re-Order-Vorschläge. Bauen Sie erst aus, wenn der erste Anwendungsfall eine dokumentierte Ausgangsbasis übertrifft.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
