Prognose

Wie Ganni KI und Daten nutzt: Nachhaltigkeit, Wiederverkauf und eine Modenschau mit KI-Thema
Ganni hat eine Nachhaltigkeitsstrategie, ein Programm für Wiederverkauf und Reparatur sowie eine Modenschau mit KI-Thema veröffentlicht. Öffentliche Quellen zeigen keine KI für die Bedarfsplanung, und diese Fallstudie sagt das ausdrücklich.

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.

Was Columbia Sportswear zu KI, Planung und Lieferkette offengelegt hat
Columbia hat keine KI-Einsätze veröffentlicht, doch die Geschäftsberichte beschreiben, wie das Unternehmen die Nachfrage plant, sich auf Cloud-Planungswerkzeuge stützt und KI als Technologierisiko behandelt.

Wie Kontoor Brands (Wrangler, Lee) Wholesale und Planung betreibt: was das Unternehmen offenlegt
Wholesale ist der grösste Kanal von Kontoor und wird über regionale Steuerungsfunktionen und ERP geplant. Die Berichte erwähnen KI nur als Risiko und nennen keinen digitalen Showroom.

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.

KI für Lieferfenster: Lieferungen auf Verkaufsfläche und Liquidität des Händlers abstimmen
Der Liefertermin ist eine Verhandlung zwischen der Produktion der Marke sowie Fläche und Liquidität des Händlers. KI kann beide Seiten modellieren, aber nur dort, wo die zugrunde liegenden Daten sauber sind.

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.

Liquiditätsprognose mit KI für Marken mit hohem Wholesale-Anteil
Wholesale-Marken binden Liquidität über Monate in Lager und Forderungen. KI kann die Prognose des Zeitpunkts verbessern, doch das Zahlungsverhalten der Kunden ist die am schwersten vorhersagbare Grösse.

Wie wird KI für Kapazitätsbuchung und Produktionsplanung in der Mode eingesetzt?
KI kann Kapazitätsprognosen und Szenarioplanung verbessern, doch die Qualität der Buchung hängt weiterhin von stabilen Aufträgen, ehrlichen Lieferzeiten und Lieferantenbeziehungen ab.

Kann KI Lieferzeiten und Frachtverzögerungen für Modesendungen vorhersagen?
Maschinelles Lernen kann den Bereich wahrscheinlicher Ankunftstermine eingrenzen, aber keine Schocks wie Umleitungen, Zölle oder Hafenstörungen beseitigen.

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 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 Decathlon KI für Nachfrageprognose und Supply-Planung einsetzt
Decathlon prognostiziert die wöchentliche Nachfrage für bis zu 25'000 Produkte pro Versorgungszone und ist auf ein feinabgestimmtes Foundation Model für Zeitreihen umgestiegen. Was das Unternehmen zu Genauigkeit, Kosten und Grenzen veröffentlicht hat.

Wie kann KI während einer Orderkampagne frühzeitig vor Schwächen im Auftragsbestand warnen?
Wer den Ordereingang dieser Saison nach Tag, Kunde und Style mit früheren Kampagnen vergleicht, kann mit KI Lücken Wochen vor Orderschluss erkennen. Was funktioniert und was weiterhin Urteilsvermögen braucht.

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 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 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.

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.

Wie kann KI bei Einkaufstiefe und Produktionsmengen in der Mode helfen?
Wer zu tief einkauft, erzeugt Abschriften und Verschwendung, wer zu knapp einkauft, verliert Umsatz. Wie KI Bedarfsprognosen, Unsicherheit und Vorlaufzeiten kombiniert, um Produktionsmengen festzulegen, und warum Flexibilität ebenso zählt wie Genauigkeit.

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-Trendprognose in der Mode: wie sie funktioniert, was sie erkennt und wo ihre Grenzen liegen
KI-Tools durchsuchen heute Laufstegbilder, Social Media und Verkaufsdaten, um aufkommende Styles zu erkennen. Was die Signale einem Design- oder Einkaufsteam sagen können und was nicht, und warum menschliche Trendforscher weiterhin wichtig sind.

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 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 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.

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 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.

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.

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.

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 funktionieren KI-gestützte Re-Order-Prognosen und automatisches Replenishment für Händler?
Re-Orders betreffen Modelle, die sich bereits bewährt haben. KI kann sie vorschlagen oder auslösen, bevor einem Handelspartner die Ware ausgeht, sofern Sell-out- und Bestandsdaten geteilt werden.

Wie wird KI in der Supply Chain der Mode eingesetzt?
Von der Bedarfsplanung über Lagerroboter bis zur Lieferantenüberwachung: Wo KI in den Lieferketten der Mode bereits funktioniert, welche Daten sie braucht und wo ihre Grenzen liegen.

Kann KI die Mode nachhaltiger machen?
KI kann der Mode helfen, weniger unerwünschte Produkte herzustellen und neue EU-Vorschriften zu bewältigen, doch sie verbraucht auch Energie und kann ein Geschäftsmodell nicht allein verändern. Ein nüchterner Blick auf beide Seiten.

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 Nike KI einsetzt: Direktvertriebsdaten und generative Produktentwicklung
Von Demand Sensing für die eigenen Kanäle über KI-generierte Schuhkonzepte bis zur Beta eines KI-Shopping-Assistenten: was Nike aufgebaut und offengelegt hat und was sich unter der neuen Führung geändert hat.

Wie Uniqlo und Fast Retailing KI und Daten im Ariake-Projekt einsetzen
Mit dem Ariake-Projekt will Fast Retailing genau das herstellen und verkaufen, was die Kundschaft will, und zwar dann, wenn sie es will. Welche Rolle KI, geteilte Daten und automatisierte Lager spielen und was der Konzern offengelegt hat.

Wie Shein Daten und Algorithmen einsetzt: das On-Demand-Modell und seine Kritik
Shein gibt an, neue Designs in Losen von 100 bis 200 Stück zu bestellen und sie anhand von Nachfragesignalen hochzuskalieren. Wie das datengetriebene Modell funktioniert, was behauptet wird und warum Behörden und Designer es kritisieren.

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.

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.

KI für Beschaffungs- und Supply-Chain-Manager in der Mode
Wie Beschaffungs- und Supply-Chain-Manager in der Mode KI für Nachfrage- und Produktionsplanung, Kosten- und Zollszenarien, Lieferantenrisiken, Compliance und Qualität nutzen, mit Datenbedarf, Grenzen und einem 30-Tage-Plan.

KI in der Sportbekleidung: wie sie Performance-Produkte, Community und Nachfrage prägt
Sportmarken verbinden technische Produkte, Geschichten von Athleten und riesige Launch-Volumen. KI hilft bei Design, Content und Nachfrage, doch Leistungsversprechen und Athletendaten legen die Messlatte höher.

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.

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.

Replenishment in der Mode: So funktionieren Never-out-of-Stock-Programme
Never-out-of-Stock-Programme halten Basisprodukte für den Handel dauerhaft verfügbar. Auf der Fläche wirken sie einfach, doch sie erfordern disziplinierte Planung, Bestände und Daten.

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.

Überproduktion in der Mode: Ursachen und Hebel
Mehr herzustellen, als sich zum vollen Preis verkaufen lässt, ist in die Art eingebaut, wie die Mode plant, einkauft und produziert. Warum es geschieht, warum die Regulierung den Einsatz nun erhöht und welche Hebel tatsächlich wirken.