So erstellen Sie KI-generierte Sortimentsvorschläge für Handelskunden

Ein KI-generierter Sortimentsvorschlag ist eine vorgeschlagene Erstorder für einen einzelnen Handelskunden: welche Styles, Farben, Grössen und Mengen nach Einschätzung der Marke zu diesem Geschäft passen, ausgehend von seiner Historie und der neuen Kollektion. Dafür braucht es verlässliche Verkaufsdaten auf Kundenebene, eine Methode, neue Styles früheren zuzuordnen, explizite Geschäftsregeln und eine Aussendienstperson, die das Ergebnis mit dem Einkauf durchgeht. Gut gemacht, verkürzt er Termine und macht Sortimente konsistenter; schlecht gemacht, wiederholt er bloss die letzte Saison.

Was ist ein KI-Sortimentsvorschlag im Wholesale?

Im Wholesale beginnen Einkäufer eine Saison meist mit einer leeren Order oder einer Kopie der letzten Saison. Ein Sortimentsvorschlag ersetzt dieses leere Blatt durch einen vorausgefüllten Entwurf, der pro Kunde erzeugt wird. Wholesale-Plattformen vermarkten solche Funktionen bereits: Das Papier zu Wholesale-Trends von JOOR vom Dezember 2025 führt Sortimentsempfehlungen unter den KI-Funktionen auf, die das Unternehmen nutzt, neben Analysen und Vorschlägen für Händlerverbindungen. Viele Marken erstellen Vorschläge auch selbst aus den Daten ihres ERP und ihrer Sales App.

Der Vorschlag ist eine Empfehlung, keine Entscheidung. Gartner berichtete im Mai 2026 auf Basis einer Umfrage unter 645 B2B-Einkäufern, dass 69 Prozent KI-generierte Erkenntnisse lieber mit dem Aussendienst überprüfen. In der Mode, wo Einkäufer ihren eigenen Geschmack und ihre Margenziele verteidigen, ist die Rolle des Aussendienstes beim Erklären und Anpassen des Vorschlags zentral.

Welche Daten brauchen Sie, bevor Sie beginnen?

Lesen Sie auch

Wie kann KI den Aussendienst in der Mode bei Vorbereitung, Verkauf und Nachbereitung unterstützen?

Wie bauen Sie den Vorschlag Schritt für Schritt auf?

1. Kundenhistorie bereinigen und verknüpfen. Verknüpfen Sie mindestens zwei bis drei Saisons an Orderpositionen mit einer stabilen Kunden-ID und mit Style-Attributen. Ohne das lernt das Modell nur Rauschen.
2. Jeden neuen Style über Attribute beschreiben. Kategorie, Preislage, Stoff, Passform, Farbfamilie und Thema erlauben dem System, vergleichbare frühere Styles zu finden, da neue Styles noch keine eigenen Verkäufe haben.
3. Kunden segmentieren. Gruppieren Sie Geschäfte mit ähnlichen Profilen und Einkaufsmustern, damit ein kleiner Kunde mit dünner Historie Informationen von vergleichbaren Kunden übernehmen kann.
4. Pro Kunde einen Entwurf erzeugen. Bewerten Sie jeden neuen Style für jeden Kunden, wählen Sie innerhalb des Budgets die am besten passenden Positionen aus und schlagen Sie Mengen und Grössenverläufe auf Basis der Historie vor.
5. Geschäftsregeln anwenden. Setzen Sie Mindestmengen, Exklusivitäten, Distributionsgrenzen und unverzichtbare Hero-Styles durch, nachdem das Modell bewertet hat, damit die kommerzielle Politik nie dem Algorithmus überlassen wird.
6. Jede Position begründen. Zeigen Sie dem Aussendienst eine kurze Begründung, zum Beispiel «ähnlicher Style hat sich in diesem Geschäft im letzten Herbst gut abverkauft», damit der Vorschlag gegenüber dem Einkauf vertreten werden kann.
7. Im Termin prüfen und Änderungen erfassen. Jede angenommene, geänderte oder abgelehnte Position ist Trainingsmaterial für die nächste Saison.

Wie sollte der Aussendienst Vorschläge im Ordertermin nutzen?

Der Aussendienst sollte den Vorschlag als Entwurf präsentieren, der die eigene Historie des Einkäufers widerspiegelt, und dann zu Änderungen einladen. Bewährt hat sich, zuerst das Gesamtbudget und die Aufteilung nach Kategorien zu vereinbaren und dann die Positionen durchzugehen, bei denen das Modell am unsichersten ist. Gartner berichtete im Mai 2026, dass Vertriebsorganisationen, die ihren Verkäufern KI-gestützte Next Best Actions bereitstellen, eine 2,6-mal höhere Wahrscheinlichkeit hatten, kommerzielles Wachstum zu erzielen; im Ordertermin entspricht dem eine kurze Liste vorgeschlagener Ergänzungen und Streichungen, keine Tabelle mit hundert Zeilen.

Der Aussendienst verfügt zudem über Wissen, das dem System fehlt: ein Umbau des Geschäfts, eine neue Einkäuferin, ein Wettbewerber, der in der Nähe eröffnet. Ein einfaches Feld in der Sales App, um solchen Kontext festzuhalten, und eine Möglichkeit, den Vorschlag mit Begründung zu übersteuern, verbessern sowohl die aktuelle Order als auch das nächste Modell.

Auch das Timing zählt. Wird der Vorschlag dem Einkauf einige Tage vor dem Termin zugestellt, kann er ihn mit seinem eigenen Open-to-Buy abgleichen und mit Fragen erscheinen, was das Treffen meist kürzer und fokussierter macht. Für Kunden, die ohne Termin ordern, kann der Vorschlag direkt im Orderportal als bearbeitbarer Entwurf bereitgestellt werden, während der Aussendienst für Fragen zur Verfügung steht. In beiden Fällen sollte die Marke festhalten, welche Version der Einkäufer gesehen hat, damit spätere Vergleiche zwischen Vorschlag und finaler Order aussagekräftig sind und das Modell aus echten Entscheidungen lernt statt aus Vermutungen.

Welche Risiken bergen KI-Sortimentsvorschläge?

• Vereinheitlichung: Ähnliche Kunden erhalten nahezu identische Vorschläge, was die Differenzierung schwächt, die Händler schätzen.
• Verzerrung zugunsten datenreicher Kunden: Grosse Kunden mit langer Historie erhalten bessere Vorschläge als kleine unabhängige Händler.
• Scheinpräzision: Stückgenaue Mengen suggerieren eine Sicherheit, welche die Daten nicht hergeben.
• Unklare Verantwortung: Bleibt ein Vorschlag hinter den Erwartungen zurück, muss klar sein, dass Einkauf und Marke die finale Entscheidung getroffen haben.
• Datenzugang: Von Händlern geteilte Sell-out-Daten dürfen nur im vereinbarten Zweck verwendet werden.

Die Marktlage erhöht den Druck. McKinsey und The Business of Fashion berichteten im November 2025, dass 46 Prozent der Führungskräfte eine Verschlechterung der Branchenbedingungen im Jahr 2026 erwarteten. In einem vorsichtigen Markt beschädigt ein Vorschlag, der die Tiefe überschätzt, das Vertrauen schnell; zurückhaltende Mengen mit klaren Nachorderoptionen sind daher meist klüger.

Lesen Sie auch

So führen Sie Remote-Ordertermine mit Key Accounts im digitalen Showroom durch

Wie messen Sie, ob Vorschläge funktionieren?

Verfolgen Sie jede Saison eine kleine Zahl von Kennzahlen: den Anteil der unverändert angenommenen Vorschlagspositionen, den Umfang der Änderungen nach Kategorie, die Zeit pro Termin und den Abverkauf der angenommenen Vorschlagspositionen am Saisonende im Vergleich zu manuell ergänzten Positionen. Vergleichen Sie mit einer Kontrollgruppe von Kunden oder einem einfachen regelbasierten Vorschlag. Werden KI-Vorschläge angenommen, verkaufen sich aber nicht besser als die eigene Auswahl des Einkäufers, liegt der Nutzen in der Bequemlichkeit statt in der Leistung. Das kann sich trotzdem lohnen, sollte aber ehrlich so benannt werden.