Merchandising & Einkauf
Prognosen, Sortimente, Allokation und die Zahlen dahinter.

Wie H&M KI einsetzt: Nachfrage, Allokation und digitale Zwillinge
H&M setzt seit 2018 Analytics und KI für Einkaufsmengen, Filialallokation und Preisgestaltung ein, seit 2025 auch für Kampagnenbilder. Was dokumentiert ist und was das Unternehmen nicht offengelegt hat.

Walmarts Trend-to-Product: wie KI die Entwicklungszeit in der Mode verkürzt
Walmart gibt an, dass sein hauseigenes Tool Trend-to-Product die Bekleidungsentwicklung um bis zu 18 Wochen verkürzen kann. Was das Tool leistet, was auf Unternehmensangaben beruht und was andere Händler daraus lernen können.

KI in der Fast Fashion: Tempo, Nachfragesignale und das Problem der Überproduktion
Fast Fashion lebt davon, Nachfrage früh zu erkennen und schnell zu reagieren. KI schärft beides, kann aber auch das Volumen beschleunigen, und neue EU-Regeln machen unverkaufte Ware teurer.

Dynamic Pricing in der Mode: Wo hilft KI, und wo schadet sie der Marke?
Algorithmische Preisgestaltung kann Bestände abbauen und die Marge schützen, doch häufige oder personalisierte Preisänderungen bergen Risiken für Marke, Vertrauen und Rechtssicherheit. Wo KI-Pricing in der Mode seinen Platz hat und wo es aufhören sollte.

Wie sollten Modemarken das Bestandsrisiko von TikTok-Mikrotrends steuern?
Mikrotrends steigen und verblassen schneller, als die meisten Lieferketten reagieren können. Wie Sie entscheiden, wann Sie nachziehen, wie Sie Wetten dimensionieren und wie KI hilft, die Kurve zu lesen.

KI-Bedarfsprognose in der Mode: wie sie funktioniert und wo sie scheitert
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.

Kostenpflichtige Retouren: Was passiert mit Konversion und Loyalität?
Retourengebühren sind im britischen Modehandel inzwischen verbreitet, doch die öffentliche Evidenz zu Konversion und Loyalität ist dünn. Was die Daten sagen, was nicht, und wie sich eine Gebühr sicher testen lässt.

Welche Merchandising-Aufgaben können KI-Agenten übernehmen und welche nicht?
Agenten können überwachen, analysieren und Vorschläge machen. Strategie, Zielkonflikte und Lieferantenbeziehungen bleiben beim Merchandising. Wo die Grenze 2026 verläuft und was zuerst vorhanden sein muss.

Wie nutzt Amazon Fashion KI für Grössenempfehlungen und Passform-Insights?
Amazon kombiniert Grössenberatung auf Basis von Deep Learning, KI-Zusammenfassungen von Bewertungen und ein Passform-Tool für Marken mit einem Shopping-Assistenten, der heute Alexa for Shopping heisst. Was Amazon veröffentlicht hat und was Marken tun sollten.

KI und Preisgestaltung: Markdown-Optimierung erklärt
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.

Was Einkäufer im Handel von KI-Tools der Marken erwarten: die Sicht der Einkaufsseite
Marken bauen KI in den Wholesale ein, doch Einkäufer beurteilen sie nach Tempo, Datenqualität und Vertrauen. Diese Analyse zeigt, was die verfügbare Evidenz über die Erwartungen der Einkäufer nahelegt.

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren
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.

Wie lululemon KI in Produkt, Planung und Bestandsmanagement angeht
lululemon hat einen Chief AI and Technology Officer ernannt und ein Ziel für neue Styles gesetzt, aber nur wenige Details zu KI in der Planung veröffentlicht. Das ist dokumentiert.

Welche Styles sollten vor der Verkaufskampagne gestrichen werden? Wie KI beim Line Edit hilft
Wer zu viele Styles in die Verkaufskampagne mitnimmt, zahlt mit Mustern, Mindestmengen und Marge. Wie KI Styles bewertet, bevor die Kollektion den Einkäufern gezeigt wird, und wo Merchandiser die Bewertung übersteuern müssen.

Wie senkt KI-gestützte Bestandsoptimierung Altware und Fehlbestände in der Mode?
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.

Wie nutzt Tapestry Daten und KI für Bedarfsplanung und Personalisierung bei Coach?
Tapestry, Eigentümerin von Coach und Kate Spade, hat eine gemeinsame Datenschicht aufgebaut, mit KI die Nachfrage prognostiziert und Bestände platziert und betreibt heute ein eigenes generatives KI-System namens Mira für Planung und Merchandising.

Wie Stitch Fix KI einsetzt: Algorithmen plus menschliche Stylisten
Stitch Fix kombiniert Empfehlungsalgorithmen mit rund 1700 Teilzeit-Stylisten und hat generative KI-Tools wie Vision ergänzt. Wie das hybride Modell funktioniert und was die Zahlen zeigen.

Saisonendabverkauf mit KI: Kanäle, Timing und Markenschutz
KI kann vor Saisonende Abschriftentiefe, Timing und Kanalwahl modellieren, doch der Abverkauf hängt weiterhin von sauberen Bestandsdaten, Preisregeln und Entscheidungen über den Markenwert ab.

Wie Revolve mit Daten und Algorithmen einkauft, Preise setzt und nachordert
Revolve testet Styles in kleinen Mengen und entscheidet über ein eigenes Dashboard, was nachgeordert wird. Im Zentrum steht der Verkauf zum vollen Preis. Wie das Modell funktioniert, wo KI heute ansetzt und was nicht offengelegt ist.

Wie verbessern Wetter und externe Signale die Bedarfsprognose in der Mode?
Unsaisonales Wetter bewegt die Modeumsätze regelmässig, und Händler führen es oft in ihren Ergebnissen an. Was Wetter-, Event- und Suchdaten zur KI-gestützten Bedarfsplanung beitragen können, in welchem Umfang und wo die Belege dünn sind.

Was verraten Resale-Preise Designerinnen und Designern über Modetrends?
Second-Hand-Preise und Suchanfragen zeigen, welche Designs ihren Wert halten, welche Revivals kommen und welche Marken wieder begehrt werden. Wie Sie sie lesen und wo sie in die Irre führen.

KI im Merchandising der Mode: was sie leistet, was sie braucht und wo sie scheitert
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 für Modeeinkäufer: was sich im Einkauf ändert und wie Sie starten
Wo KI Modeeinkäufern schon heute bei Trendanalyse, Line Reviews, Mengen und Re-Orders hilft, welche Daten sie braucht, was menschliches Urteil bleibt und ein 30-Tage-Plan für den Einstieg.

Wie YOOX NET-A-PORTER KI für Produktinhalte, Merchandising und Clienteling nutzt
Von der Avatar-Styling-App YooxMirror aus dem Jahr 2018 über einen virtuellen Stylisten bis zu konzernweiten Empfehlungs-, Such- und Texttools: Was YNAP und die Muttergesellschaft LuxExperience zu KI veröffentlicht haben.

Wie prognostiziert man die Nachfrage für ein Modeprodukt ohne Verkaufshistorie?
Ein Grossteil eines Modesortiments ist jede Saison neu, klassische Zeitreihenprognosen haben also keine Grundlage. Wie KI Historie von ähnlichen Produkten, Bildern, Attributen und ersten Verkäufen entlehnt und wo sie noch an Grenzen stösst.

Wie steuert Rent the Runway mit Daten und KI einen geteilten Bestand?
Rent the Runway ging 2025 die grösste Bestandswette seiner Geschichte ein und setzte 2026 auf KI-Empfehlungen, Suche und Outfit-Generierung. Was das Unternehmen gemeldet hat und was Mietmodelle über Bestandsführung lehren.

Wie funktionieren KI-gestützte Allokation und Replenishment über Filialen und Kanäle?
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.

KI für Merchandiser und Planer: ein Praxisleitfaden
Wie KI in der Mode die Warenwirtschaftsplanung, Prognose, Allokation, Nachversorgung und Preisreduzierungen unterstützt, welche Daten sie braucht, was Planer weiterhin entscheiden und wie der Einstieg gelingt.

Was ist Demand Sensing, und wie funktioniert es in der Mode?
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.

KI in Loyalty-Programmen der Mode: Segmentierung, Belohnungen und Anreize
Modehändler bauen ihre Treueprogramme rund um maschinelles Lernen und Daten mit Einwilligung neu auf. Was KI in einem Programm tatsächlich tut, welche Beispiele es gibt und wo die Grenzen liegen.

Wie kann KI die Sortiments- und Kollektionsplanung in der Mode unterstützen?
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.

Wie kann KI den richtigen Einstiegspreis für ein Modeprodukt festlegen?
Der Einstiegspreis entscheidet, wie viel eines Produkts zum vollen Preis verkauft wird. Wie Elastizitätsmodelle die Preisreaktion der Kundschaft bei neuen Artikeln schätzen, welche Daten sie brauchen und wie man sie nutzt, ohne der Marke zu schaden.

Wie bonprix KI für Sortiment, Produktranking und Preisgestaltung einsetzt
Der deutsche Online-Modehändler hat veröffentlicht, wie er mit maschinellem Lernen schwache Styles aussortiert, Produkte täglich rankt und bei der Grösse berät. Hier steht, was dokumentiert ist und was nicht.

KI im Visual Merchandising und bei Ladenlayouts: Was heute funktioniert
KI ist ausgereift bei der Prüfung der Regalumsetzung und beim Entwurf filialspezifischer Pläne, aber weit weniger erprobt, wenn es um kreative Präsentation oder Layoutentscheidungen geht. Die meisten veröffentlichten Nutzenangaben stammen von Anbietern.

Wie kann KI Open-to-Buy und die Merchandise-Budgetplanung verbessern?
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.

Warum sind Sell-out-Daten für KI im Mode-Wholesale unverzichtbar?
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.

Was ist die Optimierung der Grössenverteilung, und wie hilft KI, die richtigen Grössen einzukaufen?
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.

Wie Abercrombie and Fitch Sortimente und Bestände plant: Was zu KI öffentlich bekannt ist
Abercrombie and Fitch äussert sich zu KI zurückhaltend, doch das Modell Read and React, der ERP-Ersatz und die Bestandsdisziplin zeigen, wie ein datengetriebener Planer arbeitet. Ein nüchterner Blick darauf, was dokumentiert ist.

Aktionen prognostizieren: Baseline, Uplift und Kannibalisierung
Eine Aktionsprognose trennt, was ohnehin verkauft worden wäre, von dem, was die Aktion hinzufügt, und von dem, was sie anderen Artikeln wegnimmt. Jeder Schritt braucht eigene Daten und eigene Vorsicht.

Prognose nach Style, Farbe, Grösse und Filiale: Hierarchien erklärt
Die Nachfrage nach Mode lässt sich auf vielen Ebenen prognostizieren, und die Prognosen müssen sich zu einem Ganzen addieren. Hierarchische Methoden und Reconciliation sind die Standardantwort auf dieses Problem.

Sicherheitsbestand in der Mode: Warum klassische Formeln versagen und was sie ersetzt
Die Lehrbuchformel für den Sicherheitsbestand setzt normalverteilte, unabhängige und stabile Nachfrage voraus. Die Mode bietet selten eines der drei, daher brauchen Planer andere Werkzeuge.

Forecast Value Added: Nachweisen, dass ein Modell den Planer schlägt
Forecast Value Added vergleicht jeden Schritt eines Prognoseprozesses mit einem einfachen Benchmark, sodass ein Team sieht, ob Modelle und manuelle Korrekturen die Genauigkeit verbessern oder nur Aufwand erzeugen.

Reichweite und GMROI: zwei Lagerkennzahlen erklärt
Die eine zeigt, wie lange der Bestand reicht, die andere, ob der Bestand sich rechnet. Formeln, Einsatz und Grenzen.

So erstellen Sie eine Grössen- und Farbkurve aus Abverkaufsdaten in einer Tabelle
Eine Schritt-für-Schritt-Methode, die Fehlbestände korrigiert, samt den Fallstricken, die naive Kurven falsch machen.

Checkliste Merchandising-Daten: zehn Felder, die KI-Planungstools brauchen
Zehn Datenfelder, die entscheiden, ob ein Planungs- oder Prognosetool funktionieren kann, und die Fallstricke bei jedem.

Wie misst man die Prognosegenauigkeit in der Mode? MAPE, WAPE, Bias und MASE
Die Prognosegenauigkeit entscheidet, ob sich ein KI-Planungstool lohnt, doch die beliebteste Kennzahl eignet sich schlecht für die Mode. Ein Praxisleitfaden zu MAPE, WAPE, Bias und MASE und dazu, was gute Werte sind.

Wie wählt man ein Tool für Bedarfsprognosen aus? Eine Checkliste für Modemarken
Software für Bedarfsprognosen verspricht weniger Bestand und weniger Fehlbestände, doch die Ergebnisse hängen davon ab, wie gut sie zu den Produktzyklen der Mode und zu Ihren Daten passt. Eine neutrale Checkliste, um Tools vor der Vertragsunterzeichnung zu bewerten.

Was ist Filial-Clustering, und wie verbessert KI es?
Filial-Clustering fasst Verkaufsstellen mit ähnlicher Kundschaft und Nachfrage zu Gruppen zusammen, damit jede Gruppe das passende Sortiment und die passende Tiefe erhält. Wie maschinelles Lernen Cluster bildet, welche Daten es nutzt und wo die Methode an Grenzen stösst.

Welche KI-KPIs sollten Modeunternehmen in den einzelnen Funktionen messen?
Eine Checkliste der KI-Kennzahlen für Modeunternehmen, Funktion für Funktion: was zu messen ist, wie man Ausgangswerte festlegt und wie man Nutzung von echtem Geschäftsnutzen unterscheidet.

Machine-Learning-Grundlagen für Merchandiser: Modelle, Features und Trainingsdaten
Was ein Modell, ein Feature, ein Label und Trainingsdaten tatsächlich sind, erklärt an Beispielen aus dem Mode-Merchandising, und welche Fragen Merchandiser stellen sollten, bevor sie einer Prognose vertrauen.

KI in Kindermode und Basics: Prognosen für Sortimente mit Nachversorgung
Basics und Kindermode verkaufen sich stetig, in vielen Grössen und mit geringen Margen. Das macht sie ideal für KI-Prognosen und Nachversorgung, und heikel, wenn der Kunde ein Kind ist.

Wie setzen Marken Frühbucherrabatte ein, ohne Marge zu verlieren?
Anreize für frühe Buchungen erkaufen Nachfrageinformationen und Planungssicherheit für die Produktion. Ein Leitfaden zur Bemessung, zur Wahl der richtigen Form und zur Prüfung, ob sie sich auszahlen.

Sell-out-Daten per EDI: SLSRPT, INVRPT und was man damit macht
Abverkaufs- und Bestandsberichte von Handelspartnern zeigen Marken, was sich tatsächlich verkauft, Filiale für Filiale und Grösse für Grösse. Wie die beiden EDI-Nachrichten funktionieren und wie Merchandising-Teams sie für Nachbestellungen nutzen können.

Wie machen Sie aus KI-Trendreports konkrete Sortiments- und Einkaufsentscheidungen?
KI-Trendplattformen beschreiben, was im Kommen ist; ein Sortimentsplan braucht Mengen, Preise und Risikogrenzen. Ein praxisnaher Ablauf vom Signal bis zur Order.

Das KI-Vokabular, das jeder Einkäufer in der Mode kennen sollte
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.
Grundlagen
Der geschäftliche Kontext, auf dem jedes KI-Projekt in diesem Bereich aufbaut.
Open-to-Buy erklärt: wie Modehändler ihren Einkauf budgetieren
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.

Der Einkaufskalender im Handel: ein Jahr im Leben einer Modeeinkäuferin
Modeeinkäufer arbeiten an mehreren Saisons gleichzeitig. Wie das Einkaufsjahr aufgebaut ist, was in jeder Phase geschieht und wie sich der Kalender verschiebt.

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

Wie Margen in der Mode funktionieren, von der Fabrik bis zur Verkaufsfläche
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.

Preisarchitektur: Grosshandelspreis, UVP und Preislisten in Fremdwährung
Wie Modemarken Preislagen, Grosshandelspreise, unverbindliche Preisempfehlungen und Währungslisten zu einem stimmigen System verbinden, dem Händler vertrauen und das die Finanzabteilung verteidigen kann.