Der umfassende Leitfaden zu KI in Merchandising und Einkauf

Maschinelles Lernen unterstützt heute Entscheidungen zu Prognose, Sortiment, Preisgestaltung und Planung in der Mode. Dieser Leitfaden erklärt die Anwendungsfälle, die Daten, von denen sie abhängen, und wie Merchandiser die Kontrolle behalten.

• KI im Merchandising der Mode bedeutet, statistische Modelle und Modelle des maschinellen Lernens einzusetzen, um Entscheidungen darüber zu unterstützen, was gekauft wird, wie viel, in welchen Grössen, wo es platziert wird und zu welchem Preis.
• Die ausgereiftesten Anwendungen sind Nachfrageprognose, Allokation und Nachschub sowie die Preisgestaltung bei Abschriften; generative KI wird vor allem für Analysen, Reporting und Content rund um diese Entscheidungen genutzt.
• Grosse Händler wie Mango und Marks & Spencer haben Programme angekündigt, um fragmentierte Planungstools durch eine integrierte, KI-gestützte Planung über Finanz-, Sortiments- und Bedarfsplanung hinweg zu ersetzen.

Lieferanten, Marken und interne Teams sprechen zunehmend von Modellen, Agenten und Embeddings. Ein praktisches Glossar für Einkäufer in der Mode, mit der Bedeutung jedes Begriffs für Einkaufsentscheidungen.

• Einkäufer müssen nicht verstehen, wie KI-Modelle gebaut werden, wohl aber, was das Ergebnis eines Werkzeugs bedeutet und wie verlässlich es ist.
• Begriffe wie Prognose, Konfidenzintervall und Backtest beschreiben, wie sicher eine Vorhersage ist, und das ist wichtiger als die Vorhersage selbst.
• Begriffe der generativen KI wie Halluzination und Prompt erklären, warum von KI geschriebene Inhalte geprüft werden müssen, bevor man sich darauf verlässt.

Marken, die über den Handel verkaufen, sehen, was sie ausliefern, nicht was Konsumenten kaufen. Sell-out-Daten schliessen diese Lücke, und ohne sie arbeitet die meiste KI-Prognose im Wholesale halb blind.

• Sell-in-Daten erfassen, was eine Marke an den Handel ausliefert; Sell-out-Daten erfassen, was dieser Handel an Konsumenten verkauft, nach Produkt, Grösse, Filiale und Zeitraum.
• KI-Modelle für Prognosen, Re-Orders und Allokation im Wholesale brauchen Sell-out-Daten, weil Sell-in die Einkaufsentscheidungen und das Timing des Handels widerspiegelt, nicht die Konsumentennachfrage.
• Es gibt Standardformate: Die Richtlinie von GS1 Austria für die Modebranche zur EDIFACT-Nachricht SLSRPT übermittelt Verkaufsmengen nach GTIN, Verkaufsstelle und Zeitraum zwischen Handelspartnern.

Maschinelles Lernen kann Modeprognosen für Carry-over-Linien und Replenishment verbessern, doch neue Modelle, kurze Saisons und Trendwechsel bleiben schwierig. Was Führungskräfte erwarten sollten und was nicht.

• KI-Prognosemodelle lernen aus historischen Verkäufen und externen Signalen und sind nur so gut wie die Historie, auf der sie trainiert werden.
• Prognosen für Carry-over- und Never-out-of-Stock-Artikel sind in der Regel weit verlässlicher als Prognosen für neue Saisonmodelle.
• Erfasste Verkäufe unterschätzen die tatsächliche Nachfrage, wenn Artikel ausverkauft sind, deshalb müssen Ausverkäufe vor dem Training eines Modells korrigiert werden.

Demand Sensing aktualisiert kurzfristige Prognosen mit den neuesten Verkäufen und externen Signalen. In der Mode verbessert es vor allem Entscheidungen während der Saison: Nachschub, Umlagerungen und Abschriften.

• Demand Sensing ist eine kurzfristige Prognose, die aktuelle, hochfrequente Daten wie Kassenaktivität, Lieferungen, Aktionen, Wetter und Social-Media-Trends nutzt, um kurzfristige Nachfrageverschiebungen zu erkennen.
• Traditionelle Prognosen werden typischerweise wöchentlich oder monatlich auf Basis historischer Verkäufe aktualisiert; Demand-Sensing-Tools aktualisieren ihre Vorhersagen täglich oder sogar stündlich.
• In der Mode verbessert Demand Sensing vor allem Entscheidungen während der Saison wie Nachschub, Umlagerungen und den Zeitpunkt von Abschriften, weil die meisten Mengen vor Saisonbeginn festgelegt werden.

Die Sortimentsplanung entscheidet, wie viele Styles eine Kollektion umfasst, zu welchen Preisen und in welcher Tiefe. KI kann neue Artikel prognostizieren und Szenarien testen, doch die kreative und strategische Entscheidung bleibt beim Menschen.

• Sortiments- und Kollektionsplanung übersetzen einen Finanzplan in eine strukturierte Kollektion: Zahl der Optionen pro Kategorie, Preisarchitektur, Neuheiten versus Durchläufer und Tiefe pro Option.
• KI trägt vor allem durch die Prognose der Nachfrage nach neuen Styles aus Attributen, Bildern und ähnlichen früheren Produkten bei sowie durch schnelle Szenariovergleiche verschiedener Sortimentsstrukturen.
• Forschung mit dem VISUELLE-Datensatz des italienischen Fast-Fashion-Unternehmens Nunalie zeigte, dass die Ergänzung von Bild- und Attributdaten um Google-Trends-Signale die Absatzprognosen für neue Produkte verbesserte.

KI kann Entscheidungen zu Tiefe, Breite und Grössen in der Sortimentsplanung schärfen. Das Risiko ist ein Sortiment, das zu sicheren Durchschnittswerten abdriftet. Wie man die Werkzeuge nutzt und dabei die Handschrift der Marke bewahrt.

• KI ist auf der quantitativen Ebene der Sortimentsplanung am stärksten: Tiefe, Grössenverteilungen, Filial-Clustering und das Erkennen schwacher Optionen.
• Modelle, die auf vergangenen Verkäufen trainiert sind, bevorzugen, was bereits funktioniert hat, was Neuheit und Unverwechselbarkeit der Marke schleichend aushöhlen kann.
• Marken sollten einen bewussten Anteil des Sortiments für strategische, imagebildende und experimentelle Teile reservieren, die nach anderen Kriterien beurteilt werden.

Open-to-Buy zeigt Einkäufern, wie viel sie noch ausgeben können, ohne Umsatz- und Bestandsziele zu verfehlen. KI kann diese Zahl aktuell und realistischer halten, vorausgesetzt, der Plan dahinter ist solide.

• Open-to-Buy (OTB) ist der Warenwert, den ein Unternehmen in einem Zeitraum noch einkaufen kann, ohne seine Umsatz- und Bestandsziele zu verfehlen.
• Eine gängige Formel lautet: geplanter Umsatz plus geplante Abschriften plus geplanter Endbestand der Periode, abzüglich des geplanten Anfangsbestands der Periode, abzüglich der bereits bestellten Ware.
• KI verbessert OTB vor allem, indem sie die Inputs besser macht: genauere Umsatz- und Abschriftenprognosen und eine schnellere Neuprognose während der Saison.

Modeware ist verderblich: Zu viel endet in Abschriften, zu wenig in entgangenen Verkäufen. Wie KI-Modelle beides ausbalancieren, welche Belege es gibt und was sie brauchen, um zu funktionieren.

• KI-gestützte Bestandsoptimierung verbindet Nachfrageprognosen auf Ebene von Style, Farbe, Grösse und Standort mit Optimierungsregeln, die entscheiden, wie viel Ware gekauft, gehalten, umgelagert oder reduziert wird.
• Die Mode ist schwieriger als die meisten Kategorien, weil viele Produkte jede Saison neu sind, die Verkaufsfenster kurz sind und sich die Nachfrage auf Grössen und Standorte verteilt.
• In einem begutachteten Beitrag in Interfaces wurde berichtet, dass das Modell von Zara für Filiallieferungen den Umsatz um 3 bis 4 Prozent steigerte, ein frühes Beispiel für eine Optimierung, die Bestandshöhe und Nachfrage verknüpft.

Wer den falschen Grössenmix einkauft, behält Randgrössen auf der Stange, während die Kerngrössen ausverkauft sind. Wie KI die tatsächliche Nachfrage nach Grössen schätzt, warum Fehlbestände die Daten in die Irre führen und worauf zu achten ist.

• Eine Grössenverteilung ist die prozentuale Aufteilung einer Einkaufsmenge auf die Grössen; die Optimierung der Grössenverteilung leitet diese Aufteilung aus der Nachfrage statt aus Gewohnheit ab.
• Rohe Verkaufsdaten sind eine verzerrte Grundlage für Grössenverteilungen, weil Grössen, die früh ausverkauft sind, keine Verkäufe mehr erfassen, während Kunden weiter danach suchen.
• Eine Studie zu einem Schuhhändler ergab, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf benachbarte Grössen auswich und dass die Berücksichtigung dieses Effekts den Gewinn bei geringer Nachfrage um bis zu 28 Prozent steigern könnte.

Die Allokation entscheidet, wohin die Ware zuerst geht; das Replenishment entscheidet, was nachfolgt. KI trifft beide Entscheidungen auf Ebene von Grösse und Standort. Wie das funktioniert, was es braucht und wo es an Grenzen stösst.

• Allokation ist die erste Verteilung einer Lieferung auf Filialen, Web und Partnerkunden; Replenishment ist das laufende Nachfüllen des Bestands auf Basis dessen, was sich verkauft.
• KI-gestützte Allokation prognostiziert die Nachfrage auf Ebene von Style, Farbe, Grösse und Standort und optimiert dann die Mengen unter Nebenbedingungen wie Packungsgrössen, Filialkapazität und Transportplänen.
• Das 2010 in Interfaces dokumentierte Modell von Zara für den Filialnachschub legte Liefermengen fest, indem es Bestandshöhe und Nachfrage verknüpfte, und soll den Umsatz um 3 bis 4 Prozent gesteigert haben.

Markdown-Optimierung nutzt Nachfragemodelle, um zu entscheiden, wann und wie stark reduziert wird. Wie sie funktioniert, was sie braucht und warum Marke und Wholesale-Beziehungen ihre Grenzen setzen müssen.

• Markdown-Optimierungsmodelle schätzen, wie die Nachfrage im Zeitverlauf auf den Preis reagiert, und empfehlen Zeitpunkt und Tiefe von Reduzierungen, um ein Bestands- oder Margenziel zu erreichen.
• Das Ziel muss ausdrücklich definiert werden, etwa die Marge zu maximieren und den Bestand bis zu einem festen Datum abzubauen, denn unterschiedliche Ziele führen zu unterschiedlichen Empfehlungen.
• Verlässliche Schätzungen der Preisreaktion erfordern eine saubere Historie früherer Preisänderungen, Aktionen und Bestände.

Das Open-to-Buy zeigt einer Einkäuferin, wie viel Ware noch gekauft werden kann, ohne den Plan zu sprengen. So wird es berechnet, genutzt und häufig falsch angewendet.

• Das Open-to-Buy ist das Einkaufsbudget, das für eine Periode übrig bleibt, nachdem geplante Umsätze, Markdowns, Ziel-Endbestand, Anfangsbestand und bereits erteilte Orders berücksichtigt sind.
• Geplante Einkäufe entsprechen geplantem Umsatz plus geplanten Markdowns plus geplantem Endbestand, abzüglich Anfangsbestand; vom Open-to-Buy werden bereits platzierte Orders abgezogen.
• Das Open-to-Buy sollte nach Liefermonat verfolgt und regelmässig neu prognostiziert werden, sobald Ist-Umsätze vorliegen.

Drei Kennzahlen beantworten die meisten Fragen zur Leistung von Modebeständen. Wie man Sell-through, GMROI und Reichweite in Wochen berechnet und gemeinsam liest.

• Der Sell-through misst den Anteil des Bestands, der in einer Periode verkauft wurde, und ist das wichtigste Signal für Re-Order- und Markdown-Entscheidungen.
• Der GMROI teilt die Bruttomarge durch den durchschnittlichen Bestand zu Einstandswerten und vereint Marge und Lagerumschlag in einer Kennzahl für die Rendite des Bestandsinvestments.
• Die Reichweite in Wochen teilt den aktuellen Bestand durch den jüngsten Wochenabsatz und ist die vorausschauende Kennzahl für Nachlieferung und Allokation.

Von den Fabrikkosten bis zum Preis auf dem Etikett: wie Einstandskosten, Wholesale-Aufschlag und Handelsaufschlag zusammenwirken und warum Markdowns entscheiden, welche Marge wirklich verdient wird.

• Die Marge in der Mode entsteht in Schichten: Produktkosten, Einstandskosten, Grosshandelspreis, Verkaufspreis und schliesslich der Preis, zu dem der Artikel tatsächlich verkauft wird.
• Aufschlag und Marge sind unterschiedliche Messgrössen, und ihre Verwechslung ist einer der häufigsten Fehler in Preisdiskussionen.
• Die Einstandskosten umfassen Fracht, Zölle, Versicherung und Handling, und wer diese Positionen ignoriert, überschätzt die Marge der Marke.