Merchandising
Die Planung und Steuerung von Bestandsniveaus, Allokation und Preisen, um Umsatz und Marge zu maximieren. Glossar

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 Primark Lieferkettendaten aufbaut: Rückverfolgbarkeit, Planung und KI-Behauptungen
Primark hat ein Programm zur Rückverfolgbarkeit von Lieferanten auf Basis von Bestelldaten beschrieben. KI in der Sortimentsplanung hat das Unternehmen nicht dokumentiert. Diese Fallstudie trennt deshalb Daten von KI.

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.

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.

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.

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.

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.

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.

So erstellen Sie KI-generierte Sortimentsvorschläge für Handelskunden
Ein vorausgefüllter Ordervorschlag pro Kunde kann Einkäufern und Aussendienst Stunden sparen, sofern er auf sauberer Sell-in-Historie, klaren Regeln und einer Prüfung durch den Aussendienst beruht. Eine Schritt-für-Schritt-Anleitung.

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 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.

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.

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 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.

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 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.

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.

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.

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.

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.

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.

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.

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.