Trendprognose-Plattformen im Vergleich: Was messen WGSN, Heuritech und andere?

Trendprognose-Plattformen wie WGSN, Heuritech, Trendalytics und EDITED nutzen alle Daten und maschinelles Lernen, beobachten aber Unterschiedliches: die Analyse von Laufstegen und Kultur durch Fachleute, auf Social Media gepostete Bilder, das Suchverhalten von Konsumentinnen und Konsumenten oder die aktuellen Produktlistings von Händlern. Welche passt, hängt davon ab, ob ein Team kreative Richtung braucht, eine frühe Einschätzung aufkommender Attribute oder Belege dafür, was tatsächlich gelistet und rabattiert wird. Dieser Leitfaden vergleicht, was die einzelnen Typen messen, und stützt sich dabei auf die Angaben der Anbieter.

Was messen Trendprognose-Plattformen tatsächlich?

Grob gibt es vier Arten von Input. Prognosen durch Fachleute stützen sich auf geschulte Analystinnen und Analysten, die Laufstege, Messen, Streetstyle und breitere kulturelle Verschiebungen interpretieren. Bildanalyse wendet Computer Vision auf grosse Mengen von Social-Media-Fotos an, um zu zählen, wie oft Attribute wie ein Ausschnitt, ein Print oder ein Stoff vorkommen. Such- und Social-Analyse misst, wonach Konsumentinnen und Konsumenten suchen und womit sie interagieren. Retail Analytics verfolgt, was Händler online listen, zu welchen Preisen und mit welchen Rabatten. Die meisten Anbieter kombinieren inzwischen mehrere dieser Ansätze, doch jeder hat seinen Schwerpunkt.

Wie schneiden WGSN, Heuritech, Trendalytics und EDITED im Vergleich ab?

WGSN beschreibt seine Methode als mehrschichtig: Eigene und externe Daten werden mit internen Frameworks und der Analyse durch Fachleute kombiniert. Sein Modell Fashion TrendCurve wendet nach eigenen Angaben Deep-Machine-Learning-Algorithmen an, ergänzt durch die Expertise von Analystinnen und Analysten, und WGSN beansprucht für diese Prognosen eine hohe Genauigkeit, ohne auf der geprüften Seite eine konkrete Zahl zu nennen. Heuritech gibt auf seiner Website an, 24 Monate im Voraus mit 92 Prozent Genauigkeit zu prognostizieren; solche Angaben hängen davon ab, wie Genauigkeit definiert wird, und sollten als Selbsteinschätzung des Unternehmens gelesen werden.

Lesen Sie auch

Wie wird 3D zum Standard im PLM? Workflow, Freigaben und Dateistandards

Welche Datenquelle passt zu welcher Entscheidung?

• Kreative Richtung für eine neue Saison: Prognosen von Fachleuten liefern Themen, Farben und Stimmungen, die Designteams interpretieren können.
• Auswahl der Attribute, die ausgebaut werden sollen: Bildanalyse zeigt, ob sich eine Silhouette oder ein Print von den Early Adopters in den Mainstream ausbreitet.
• Prüfung der Kaufabsicht: Suchdaten zeigen, wonach Menschen aktiv suchen, und das liegt näher am Kauf als blosse Sichtbarkeit.
• Lücken bei Preis und Sortiment: Retail Analytics zeigt, wie überlaufen ein Trend ist, in welchen Preislagen und wie schnell die Konkurrenz ihn rabattiert.

Wie hängen Trendplattformen mit 3D-Design und Beschaffung zusammen?

Trend-Outputs werden erst dann operativ, wenn sie in den Tools ankommen, in denen Produkte entwickelt und beschafft werden. Für 3D-Teams ist ein konkretes Format nützlich: Farbreferenzen in einem Standard-Farbsystem, Materialbeschreibungen, die zur digitalen Stoffbibliothek passen, und Beschreibungen von Silhouetten, die sich in einen Grundschnitt umsetzen lassen. Eine Prognose, die «weichere Schneiderkunst» ankündigt, ist Inspiration; eine, die überschnittene Schultern, weitere Hosenbeine und fliessende Anzugstoffe benennt, lässt sich in 3D modellieren und prüfen, bevor ein physisches Muster entsteht.

Für die Beschaffung sind Materialien und Timing das entscheidende Bindeglied. Signalisiert eine Plattform eine steigende Nachfrage nach einem Stoff oder einer Ausrüstung, müssen Beschaffungsteams das früh genug wissen, um Kapazitäten zu reservieren oder Alternativen zu entwickeln. Retail Analytics kann dabei einen Realitätscheck liefern: Wenn die Konkurrenz den Trend bereits breit und zu tiefen Preisen listet, entscheidet sich eine Marke womöglich dafür, eine differenzierte Version zu beschaffen, statt über den Preis zu konkurrieren.

Wie sollten Sie eine Trendplattform vor dem Kauf bewerten?

1. Gehen Sie von Ihren Entscheidungen aus. Listen Sie die drei oder vier Entscheidungen auf, die die Daten verbessern sollen, etwa Farbauswahl, Anzahl Optionen pro Trend oder Preispositionierung.
2. Fragen Sie, wie das Panel aufgebaut ist. Welche Plattformen, Regionen und Zielgruppen werden abgedeckt, und wie verhält sich das zu Ihrer Kundschaft?
3. Fragen Sie nach der Definition von Genauigkeit. Was genau wurde vorhergesagt, über welchen Zeithorizont und gemessen an welchem Ergebnis?
4. Testen Sie an vergangenen Saisons. Bitten Sie den Anbieter zu zeigen, was die Plattform vor Saisons gesagt hätte, deren Ergebnis Sie bereits kennen.
5. Prüfen Sie die Attributtaxonomie. Lassen sich die Attribute der Plattform auf Ihre PLM- und Produktdaten abbilden, damit Signale mit Ihren Verkäufen verglichen werden können?
6. Klären Sie Integration und Export. Lassen sich Daten exportieren oder programmatisch abrufen, oder sind sie in Dashboards und PDFs eingeschlossen?

Lesen Sie auch

Wie kommen Sie mit Trenddaten und generativer KI vom Moodboard zum 3D-Konzept?

Wo liegen die Grenzen von Trendprognose-Plattformen?

Alle Plattformen haben strukturelle Grenzen. Social-Media-Bildpanels bilden Menschen ab, die öffentlich posten, und das entspricht nicht unbedingt der Kundschaft einer Marke. Retail Analytics zeigt, was gelistet ist, nicht was sich verkauft, sofern der Anbieter den Abverkauf nicht aus Bestandsveränderungen ableitet. Prognosen von Fachleuten sind auch deshalb einflussreich, weil viele Unternehmen sie lesen; das kann sie selbsterfüllend machen und die Konkurrenz zu ähnlichen Sortimenten drängen. In einem NPR-Bericht vom Oktober 2025 beschrieben sowohl ein Vertreter von Heuritech als auch die Chief Forecasting Officer von WGSN KI als Werkzeug, das menschliche Trendforscherinnen und Trendforscher unterstützt, nicht als eines, das Mode allein vorhersagt.

Für die meisten Marken ist es sinnvoll, eine kreative mit einer quantitativen Quelle zu kombinieren, beide mit internen Verkaufsdaten zu verknüpfen und nach jeder Saison zu prüfen, welche Inputs die Entscheidungen tatsächlich verbessert haben. Eine Plattform, die sich nicht mit den eigenen Attributen, Materialien und Verkäufen des Unternehmens verbinden lässt, bleibt eine Inspirationsquelle und wird kein Planungswerkzeug.