Checkliste Merchandising-Daten: zehn Felder, die KI-Planungstools brauchen

KI-Planungstools brauchen zehn Arten von Daten: Produktkennungen, Attribute, Verkäufe, Bestände, Preise und Aktionen, Retouren, Kanal, Lebenszyklusdaten, Standort und Lieferrestriktionen. Fehlt eines davon oder ist es uneinheitlich, kann das Tool entweder nicht laufen oder liefert selbstsichere, aber unzuverlässige Ergebnisse. Die folgende Checkliste nennt die Felder, warum jedes wichtig ist und den häufigsten Mangel.

Welche zehn Felder sind es?

Warum kommen Attribute und Kennungen zuerst?

Die Untersuchung von Uphance zur KI-Nachfrageprognose für Bekleidung sagt, dass die Tools einheitliche Style-Attribute wie Stoff, Silhouette und Passform in einem System brauchen und nicht verteilt über Product-Lifecycle-Management, E-Commerce-Plattformen und Tabellen. Ein arXiv-Papier zur Prognose der Nachfrage nach neuen Modeartikeln von der indischen Plattform Myntra nutzte Artikelattribute wie Farbe und Material sowie abgeleitete Merkmale wie das Alter des Styles. Ebenso grundlegend ist die Sauberkeit der Kennungen: SPS Commerce erklärt, dass eine Stylenummer ein Design identifiziert und nicht global eindeutig ist und dass jede Farb- und Grössenkombination eine eigene GTIN braucht.

Lesen Sie auch

Machine-Learning-Grundlagen für Merchandiser: Modelle, Features und Trainingsdaten

Was brauchen Verkaufs-, Bestands- und Retourendaten?

• Verkäufe auf der tiefstmöglichen Ebene: Style, Farbe, Grösse, Tag oder Woche, Kanal.
• Bestand pro Tag, damit Tage ohne Verfügbarkeit erkannt und bereinigt werden können, wie bei der Grössenkurven-Methode von Inventory Planner.
• Zeitnah gebuchte Retouren: Uphance sagt, Retouren sollten innerhalb weniger Tage statt wöchentlich im Bestand ankommen.
• Wholesale-Zusagen getrennt vom Bestand der Direktkanäle, was Uphance als Voraussetzung für genaue Planung nennt.

Was bringen Preise, Aktionen und Lebenszyklusdaten?

Das Myntra-Papier nutzte Merchandising-Faktoren wie den Rabatt im Verhältnis zu Marken- und Plattformdurchschnitten, die Sichtbarkeit auf Listenseiten und den Zeitpunkt von Aktionen. Es kam zum Ergebnis, dass baumbasierte Machine-Learning-Modelle bei neuen Artikeln eine naive Basislinie deutlich schlagen, wobei die Genauigkeit moderat war und einige künftige Eingaben für neue Artikel unbekannt sind. Ohne Preishistorie und Lebenszyklusdaten kann ein Tool den Rückgang eines Styles nicht vom Effekt einer Preisreduktion oder einer Lancierungswoche trennen.

Was sollten Sie tun, bevor Sie ein Tool kaufen oder bauen?

1. Prüfen Sie die zehn Felder für Ihre wichtigsten Kategorien und notieren Sie, welche vollständig, teilweise oder nicht vorhanden sind.
2. Beheben Sie zuerst Kennungen und Attribute, denn sie sind am günstigsten zu korrigieren und wirken sich auf alles andere aus.
3. Prüfen Sie, ob Sie für Nachschubartikel mindestens zwei Saisons sauberer Historie haben.
4. Planen Sie für neue Produkte: Entscheiden Sie, wie vergleichbare Artikel ausgewählt werden.
5. Trennen Sie Wholesale-Zusagen in den Daten vom Direktbestand.
6. Bitten Sie jeden Anbieter, ein Pilotprojekt mit Ihren Daten durchzuführen, und vergleichen Sie es mit Ihrer aktuellen Methode.

Es lohnt sich auch zu fragen, wie ein Tool mit fehlenden Daten umgeht. Manche Tools füllen Lücken stillschweigend mit Durchschnittswerten, was Probleme verdeckt, andere markieren sie. Verlangen Sie von jedem Pilotprojekt einen Bericht über Datenqualitätsprobleme und werten Sie eine lange Liste als nützliche Information, nicht als Misserfolg.

Bedenken Sie zuletzt, dass die Planer verantwortlich bleiben. Uphance stellt fest, dass das an vergleichbaren Styles verankerte Urteil eines Merchandisers bei neuen Modeartikeln konkurrenzfähig bleibt. Ein gutes Tool stützt dieses Urteil mit Daten und macht Annahmen sichtbar, und das ist der Massstab bei der Bewertung.

Lesen Sie auch

Wie Abercrombie and Fitch Sortimente und Bestände plant: Was zu KI öffentlich bekannt ist

Wie können Sie Ihre eigene Reife bewerten?

Ein einfacher Score hilft bei der Entscheidung, wo man beginnt. Bewerten Sie jedes der zehn Felder mit 0 für fehlend, 1 für teilweise (einige Kategorien, einige Kanäle oder uneinheitlich) und 2 für vollständig und konsistent. Eine Gesamtsumme unter etwa zehn legt nahe, dass die Datenarbeit vor dem Toolkauf stehen sollte. Über sechzehn spricht dafür, dass Sie bereit für ein Pilotprojekt sind. Diese Schwellen sind eine Faustregel und kein Standard, passen Sie sie also an Ihr Geschäft an.

• Bewerten Sie jedes Feld pro Kategorie, denn die Datenqualität unterscheidet sich oft zwischen Damen-, Herrenmode und Accessoires.
• Gewichten Sie die Felder, die für Ihr Geschäft am wichtigsten sind: Für eine auf Wholesale ausgerichtete Marke haben Lieferrestriktionen und Kanaltrennung mehr Gewicht.
• Bewerten Sie jede Saison neu und verfolgen Sie den Trend.

Das Myntra-Papier erinnert an die Grenzen selbst bei guten Daten: Die Genauigkeit war moderat, mit Korrelationen auf Artikelebene um 0,4, und einige künftige Eingaben wie Aktionen und Sichtbarkeit sind für neue Artikel unbekannt. Bessere Daten erhöhen die Obergrenze, beseitigen aber die Unsicherheit nicht. Ein Planungstool sollte daher Bandbreiten anzeigen und Planern Änderungen auf Ebene von Style, Farbe und Grösse erlauben, wie es laut Uphance in der Praxis nötig ist.

Ein letzter praktischer Punkt: Weisen Sie jedem Feld eine verantwortliche Person zu. Daten, die niemandem gehören, verschlechtern sich. Die verantwortliche Person muss sie nicht selbst eingeben, aber für ihre Vollständigkeit und für die Behebung von Mängeln an der Quelle geradestehen.

Beginnen Sie die Prüfung mit einer einzelnen, kommerziell wichtigen Kategorie, etwa einer Kern-Nachschublinie. Ziehen Sie zwei Saisons an Daten, prüfen Sie jedes der zehn Felder und notieren Sie die Lücken mit verantwortlicher Person und Datum. Das einmal für einen engen Umfang zu tun, geht schneller als eine unternehmensweite Überprüfung und zeigt, was der volle Aufwand kosten würde. Es liefert auch eine realistische Grundlage für Gespräche mit Anbietern darüber, was ein Pilotprojekt von Ihren Daten verlangt.