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

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. 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.
2. 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.
3. Es gibt Standardformate: Die Richtlinie von GS1 Austria für die Modebranche zur EDIFACT-Nachricht SLSRPT übermittelt Verkaufsmengen nach GTIN, Verkaufsstelle und Zeitraum zwischen Handelspartnern.
4. Nach der seit dem 1. Juni 2022 geltenden EU-Vertikal-Gruppenfreistellungsverordnung ist der Austausch aggregierter Kundenkaufdaten im dualen Vertrieb grundsätzlich zulässig, während künftige Wiederverkaufspreise auf der Liste problematischer Austauschformen stehen.
5. Sell-out-Daten sind am nützlichsten, wenn Bestandsdaten mitgeliefert werden, denn Verkäufe ohne Bestand können schwache Nachfrage nicht von ausverkauften Grössen unterscheiden.

Sell-out-Daten sind für KI im Mode-Wholesale unverzichtbar, weil sie das einzige direkte Mass für die Konsumentennachfrage in den Partnerfilialen sind. Sell-in, also das, was die Marke ausliefert, spiegelt die Einkaufsentscheidungen, Budgets und das Timing des Händlers wider. Ein Modell, das nur mit Sell-in trainiert wird, lernt, wie der Handel bestellt, nicht wie Konsumenten kaufen, und seine Prognosen, Re-Order-Vorschläge und Allokationsempfehlungen übernehmen diesen blinden Fleck.

Was ist der Unterschied zwischen Sell-in- und Sell-out-Daten?

Beide können stark auseinanderlaufen. Ein Händler kann viel bestellen und dann langsam verkaufen, was im Sell-in wie ein Erfolg aussieht, bis in der nächsten Saison Retouren, Stornierungen und Anfragen nach Abschriftenunterstützung eintreffen. Ebenso kann sich ein Style in den Filialen schnell ausverkaufen, während das Sell-in nichts Neues zeigt, weil der Händler kein offenes Budget für eine Nachorder hat.

Warum braucht KI Sell-out-Daten?

Die meisten KI-Anwendungsfälle im Wholesale hängen davon ab, zu wissen, was Konsumenten tatsächlich gekauft haben:

• Nachfrageprognose: Die Einkaufspläne der nächsten Saison sind besser im Abverkauf an Konsumenten verankert als in dem, was der Handel bestellt hat.
• Vorschläge für Re-Orders und Nachschub: Ein Modell kann einem Kunden nur dann Nachbestellungen vorschlagen, wenn es dessen Verkäufe und Restbestände sieht.
• Grössenverteilungen: Bestellungen des Handels folgen oft Standard-Grössenschlüsseln, sodass nur das Sell-out die tatsächliche Grössennachfrage jedes Kunden offenlegt.
• Sortimentsempfehlungen für Einkäufer: Um vorzuschlagen, welche Styles zu einem Kunden passen, muss man wissen, was sich dort bisher verkauft hat.
• Frühwarnung: Ein langsamer Abverkauf in Partnerfilialen signalisiert ein Abschriftenrisiko Wochen bevor es in Retouren oder Auftragsstornierungen sichtbar wird.

Verkäufe allein reichen nicht. Ist eine Grösse ausverkauft, enden die Verkäufe, und ein Modell, das nur Verkäufe liest, schliesst, die Nachfrage sei gesunken. Eine Studie von Akchen und Caro zu einem Schuhhändler ergab, dass fast 25 Prozent der durch Fehlbestände unerfüllten Nachfrage auf benachbarte Grössen auswichen; rohe Verkaufsdaten geben die Grössennachfrage also in beide Richtungen falsch wieder. Sell-out-Daten brauchen deshalb den Bestand nach Produkt und Standort, idealerweise in derselben Frequenz.

Lesen Sie auch

Was macht ein Wholesale-Unternehmen KI-ready?

Wie erhalten Marken Sell-out-Daten vom Handel?

Es gibt mehrere Wege, die oft parallel für verschiedene Kunden genutzt werden:

1. EDI-Verkaufsberichte: Standardnachrichten wie EDIFACT SLSRPT. Die Richtlinie von GS1 Austria für die Modebranche beschreibt, dass sie Verkaufsmengen nach Produkt (GTIN), Verkaufsort (GLN der Verkaufsstelle) und Zeitraum zwischen Handelspartnern übermittelt.
2. Händlerportale und Dateiexporte: Viele Warenhäuser und Marktplätze stellen Berichte über Lieferantenportale bereit, oft als Tabellen in händlerspezifischen Formaten.
3. Konzessions- und Kommissionsmodelle: Gehört der Marke die Ware auf der Verkaufsfläche, sieht sie die Verkäufe in der Regel direkt.
4. Gemeinsame Plattformen: Manche Marken und Händler tauschen Daten über gemeinsame B2B- oder Replenishment-Plattformen mit vereinbarten Datendefinitionen aus.

Die technische Voraussetzung ist eine gemeinsame Produktkennung. GS1 legt fest, dass jede Produktvariante, also jede Grösse, jede Farbe und jede Kombination, eine eigene GTIN braucht. Nutzen Marke und Händler beide die GTINs der Marke, lässt sich das Sell-out ohne manuelle Zuordnung mit den Artikelstammdaten der Marke abgleichen. Nutzt der Händler eigene Codes, werden Zuordnungsfehler zu einer Hauptquelle schlechter Daten.

Welche rechtlichen Grenzen gelten für den Austausch von Sell-out-Daten?

Der Datenaustausch zwischen einer Marke und ihren Händlern ist eine vertikale Beziehung, doch viele Modemarken betreiben auch eigene Filialen und Webshops und sind damit Wettbewerber ihrer Handelskunden (dualer Vertrieb). Die überarbeitete EU-Vertikal-Gruppenfreistellungsverordnung, Verordnung (EU) 2022/720, seit dem 1. Juni 2022 in Kraft, und die dazugehörigen Leitlinien behandeln den Informationsaustausch genau in dieser Situation. Laut einer Analyse der Anwaltskanzlei Hogan Lovells gehören zu den grundsätzlich zulässigen Austauschformen aggregierte Informationen über Kundenkäufe, die sich nicht auf identifizierte Endkunden beziehen, sowie anonymisierte Vergleiche der Verkaufsleistung zwischen Händlern. Informationen über künftige Preise, zu denen Lieferant oder Abnehmer verkaufen wollen, stehen auf der Liste der Austauschformen, die kaum von der Freistellung erfasst sind.

Wie bringen Marken den Handel dazu, Daten teilen zu wollen?

Händler teilen Daten, wenn sie etwas zurückbekommen. Übliche Gegenleistungen sind automatisierter Nachschub, der ihr Bestandsrisiko senkt, Grössen- und Sortimentsempfehlungen für die nächste Order, kürzere Lieferzeiten bei Nachorders oder eine gemeinsame Abschriftenplanung. Vereinbarungen sollten festlegen, welche Daten auf welcher Aggregationsebene und wie oft geteilt werden, wer sie wofür nutzen darf und wie lange sie aufbewahrt werden.

Kleineren Händlern fehlen oft die Systeme, um überhaupt strukturierte Daten zu senden. Für sie zählt ein einfacher Weg mit geringem Aufwand, etwa ein regelmässiger Upload von Bestand und Verkäufen in einer festen Vorlage oder eine direkte Anbindung ihrer Kassensoftware, mehr als jeder formale Standard. Erst die Abdeckung des Long Tail macht aus einer Stichprobe grosser Kunden ein brauchbares Bild des Marktes.

Lesen Sie auch

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

Woran scheitern Sell-out-Initiativen typischerweise?

• Die Daten kommen in vielen Formaten an, und niemand ist für die Zuordnung zu den Produktstammdaten der Marke verantwortlich.
• Verkäufe werden ohne Bestand geteilt, sodass die Daten weder Nachschub noch Grössenanalysen unterstützen können.
• Berichte kommen monatlich, zu spät für Entscheidungen während der Saison.
• Die Abdeckung ist lückenhaft: Einige grosse Kunden teilen Daten, der Long Tail kleinerer Händler nicht, und die Modelle gewichten die grossen Kunden zu stark.
• Die Marke sammelt Daten, hat aber keinen Prozess, um darauf zu reagieren, sodass die Händler keinen Nutzen sehen und das Senden einstellen.

Für KI ist die Lehre einfach: Ein Prognose- oder Re-Order-Modell ist nur so gut wie sein Blick auf die Konsumenten. Für Wholesale-Marken sind dieser Blick die Sell-out-Daten, abgeglichen mit sauberen Produktkennungen, ergänzt um den Bestand und so häufig geliefert, dass man darauf reagieren kann.

Häufige Fragen

Was sind Sell-out-Daten in der Mode?

Sell-out-Daten erfassen, was ein Händler an Konsumenten verkauft, nach Produkt, Grösse, Farbe, Filiale oder Webshop und Zeitraum. Für eine Marke, die über Wholesale-Partner verkauft, sind sie das genaueste Mass der tatsächlichen Konsumentennachfrage.

Was ist der Unterschied zwischen Sell-in und Sell-through?

Sell-in ist das, was eine Marke an einen Händler ausliefert. Sell-through (Abverkaufsquote) ist der Anteil dieser Ware, den der Händler in einem Zeitraum an Konsumenten verkauft, berechnet aus Sell-out-Daten und Bestand.

Wie kann eine Modemarke Sell-out-Daten vom Handel erhalten?

Über EDI-Verkaufsberichte wie SLSRPT, Lieferantenportale des Handels, Konzessions- oder Kommissionsmodelle, bei denen die Ware der Marke gehört, oder gemeinsame B2B-Plattformen. Die meisten Marken kombinieren mehrere Wege und brauchen klare Vereinbarungen zum Datenaustausch.

Dürfen Marken und Händler in der EU Verkaufsdaten austauschen?

Grundsätzlich ja, innerhalb von Grenzen. Nach der Vertikal-Gruppenfreistellungsverordnung von 2022 sind aggregierte Kaufdaten, die sich nicht auf identifizierte Endkunden beziehen, grundsätzlich zulässig, während der Austausch über künftige Wiederverkaufspreise problematisch ist, insbesondere im dualen Vertrieb. Eine Rechtsberatung wird empfohlen.

LeitfadenDer umfassende Leitfaden zu KI in Merchandising und EinkaufDen ganzen Leitfaden lesen