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

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. Demand Sensing ist eine kurzfristige Prognose, die aktuelle, hochfrequente Daten wie Kassenaktivität, Lieferungen, Aktionen, Wetter und Social-Media-Trends nutzt, um kurzfristige Nachfrageverschiebungen zu erkennen.
2. Traditionelle Prognosen werden typischerweise wöchentlich oder monatlich auf Basis historischer Verkäufe aktualisiert; Demand-Sensing-Tools aktualisieren ihre Vorhersagen täglich oder sogar stündlich.
3. In der Mode verbessert Demand Sensing vor allem Entscheidungen während der Saison wie Nachschub, Umlagerungen und den Zeitpunkt von Abschriften, weil die meisten Mengen vor Saisonbeginn festgelegt werden.
4. Wholesale-Marken können die Nachfrage in Partnerfilialen nur erfassen, wenn der Handel Sell-out-Daten teilt, etwa über standardisierte Verkaufsberichtsnachrichten mit Verkäufen nach GTIN, Verkaufsstelle und Zeitraum.
5. Externe Signale wie Wetter und Suchtrends bringen nur dann Mehrwert, wenn sie gegen eine Ausgangsbasis getestet werden; viele Signale erweisen sich für eine bestimmte Kategorie als Rauschen.

Demand Sensing ist eine Methode der kurzfristigen Prognose, die die aktuellsten Daten wie die Verkäufe von gestern, den aktuellen Bestand, Aktionen, Wetter und Online-Signale nutzt, um Nachfrageverschiebungen in den nächsten Tagen oder Wochen zu erkennen. In der Mode ergänzt es die saisonale Prognose für den Einkauf: Es ändert nicht, was eingekauft wurde, verbessert aber, wohin die Ware geht und wann sich die Preise während der Saison ändern.

Was ist Demand Sensing?

DHL definiert Supply Chain Demand Sensing als «eine Methode der kurzfristigen Prognose, die Echtzeitdaten und KI nutzt, um kurzfristige Nachfrageverschiebungen zu erkennen». Während herkömmliche Ansätze Prognosen typischerweise wöchentlich oder monatlich auf Basis historischer Verkäufe aktualisieren, aktualisieren Demand-Sensing-Tools ihre Vorhersagen täglich oder sogar stündlich, sobald neue Informationen eintreffen, und stützen sich dabei auf Signale wie Kassenaktivität, Liefermuster, Aktionen, Wetter und Social-Media-Trends.

Die Idee stammt aus der Konsumgüterindustrie mit stabilen Produkten, die wiederholt gekauft werden. Die Mode überträgt sie auf ein schwierigeres Umfeld: kurze Produktlebenszyklen, viele neue Artikel und eine Nachfrage, die sich auf Grössen und Standorte verteilt.

In der Praxis ist Demand Sensing weniger ein einzelner Algorithmus als eine Disziplin: kürzere Prognosezyklen, granularere Daten und eine klare Regel, wie viel Gewicht aktuelle Belege gegenüber dem ursprünglichen Plan erhalten. Maschinelles Lernen hilft, weil es viele schwache Signale kombinieren und Kategorie für Kategorie lernen kann, welche davon den Verkäufen tatsächlich vorauslaufen.

Worin unterscheidet sich Demand Sensing von der Nachfrageprognose?

Beide hängen zusammen. Ein gutes saisonales Modell liefert die Ausgangsbasis, und Demand Sensing passt sie an, sobald Belege eintreffen. Das veröffentlichte Prognosemodell von Zalando etwa erstellt wöchentliche Prognosen für einen Horizont von 26 Wochen zur Unterstützung von Preisentscheidungen. Es liegt zwischen den beiden Kategorien und zeigt, wie Prognosehorizonte auf die Entscheidung abgestimmt werden, die sie unterstützen.

Lesen Sie auch

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

Welche Signale nutzt Demand Sensing in der Mode?

• Verkäufe und Bestände nach Grösse und Standort, idealerweise täglich: das Kernsignal für alles andere.
• E-Commerce-Verhalten: Produktaufrufe, Warenkorbaktionen, Wunschlisten und Suchanfragen, die sich oft vor den Verkäufen bewegen.
• Preise und Aktionen, damit das Modell einen Rabatteffekt von einer echten Nachfrageveränderung trennen kann.
• Wetter: Veränderungen von Temperatur und Niederschlag beeinflussen saisonale Kategorien wie Oberbekleidung und Bademode.
• Externe Trenddaten wie das Suchinteresse; Forschung zu neuen Modeprodukten ergab, dass die Ergänzung um Google-Trends-Signale die Prognosen verbesserte.
• Sell-out der Partner: bei Wholesale-Marken die von Handelskunden gemeldeten Verkäufe und Bestände.

Im Wholesale sind viele Marken blind. Ohne Partnerdaten sieht eine Marke nur ihre eigenen Aufträge, die Wochen nach einer Veränderung der Konsumentennachfrage eintreffen. Für diesen Zweck gibt es standardisierte Verkaufsberichtsnachrichten: Die Richtlinie von GS1 Austria für die Modebranche beschreibt die EDIFACT-Nachricht SLSRPT, die Verkaufsmengen nach GTIN, Verkaufsstelle und Zeitraum zwischen Handelspartnern übermittelt.

Wie verbessert Demand Sensing Entscheidungen während der Saison?

1. Nachschub: Filialen und Webshop werden auf Basis des Verkaufstempos dieser Woche statt des ursprünglichen Plans nachgefüllt.
2. Umlagerungen: Ware wandert von langsamen zu schnellen Standorten, solange noch Zeit bleibt, sie zum Vollpreis zu verkaufen.
3. Abschriften: Langsamdreher werden früh erkannt, was frühere, kleinere Rabatte statt tiefer Rabatte am Saisonende ermöglicht.
4. Re-Orders: Bei Durchläufern und Quick-Response-Produkten lösen frühe Signale Nachbestellungen innerhalb der Lieferzeiten der Lieferanten aus.

H&M beschrieb dieses Ziel 2020, als der Leiter für Advanced Analytics und KI gegenüber Retail Dive erklärte, das Team arbeite daran zu quantifizieren, wie viel sich von jedem Artikel verkaufen werde, um das richtige Produkt zur richtigen Zeit an den richtigen Ort zu bringen.

Was braucht es für die Einführung von Demand Sensing?

Die technische Voraussetzung sind verlässliche, häufige Daten: tägliche Verkäufe und Bestände nach Variante und Standort, Preise und die ausgewählten externen Datenquellen. Die organisatorische Voraussetzung ist ein Prozess, der auf eine geänderte Prognose reagieren kann. Läuft die Allokation wöchentlich und werden Abschriften monatlich entschieden, bringen tägliche Prognosen wenig. Viele Unternehmen beginnen deshalb damit, die Frequenz einer einzigen Entscheidung zu erhöhen, oft des Nachschubs, und investieren erst dann in zusätzliche Signale.

Jedes externe Signal muss sich seinen Platz verdienen. Testen Sie es auf historischen Daten gegen eine Basisprognose und behalten Sie es nur, wenn es die Genauigkeit für die Kategorien verbessert, in denen es eingesetzt wird. Das Wetter kann für Mäntel sehr wichtig und für Basics kaum relevant sein; Web-Traffic kann in einem Markt den Filialverkäufen vorauslaufen und in einem anderen nicht.

Die Messung sollte zur Entscheidung passen. Vergleichen Sie beim Nachschub den Prognosefehler über die Nachschubvorlaufzeit und verfolgen Sie die Verfügbarkeit der Kerngrössen. Vergleichen Sie bei Abschriften den Abverkauf zum Vollpreis und den finalen Restbestand zwischen Produkten, die mit und ohne Sensing-Modell gesteuert werden. Ein kurzes Pilotprojekt mit einer Kontrollgruppe von Filialen oder Kategorien liefert weit glaubwürdigere Ergebnisse als ein Vorher-nachher-Vergleich, weil sich Modesaisons von Jahr zu Jahr so stark unterscheiden.

Lesen Sie auch

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

Wo liegen die Grenzen von Demand Sensing in der Mode?

Es gibt auch eine Kostenseite. Tägliche Datenpipelines, Abonnements für externe Daten und die Personalzeit, die nötig ist, um auf häufigere Empfehlungen zu reagieren, summieren sich; der Business Case sollte deshalb auf konkreten Entscheidungen aufbauen, die sich ändern werden, und nicht allein auf der Prognosegenauigkeit.

Demand Sensing kann einen falschen Einkauf nicht korrigieren: Ist die Ware der Saison festgelegt und sind die Lieferzeiten lang, verteilen schnellere Prognosen vor allem das Vorhandene neu. Es hängt von Daten ab, die viele Marken noch nicht erhalten, insbesondere vom Sell-out der Wholesale-Partner. Und es kann bei kleinen Volumen Rauschen verstärken. Unter Berücksichtigung dieser Grenzen eingesetzt, ist es ein praktischer Weg, Merchandising-Entscheidungen während der Saison schneller und fundierter zu treffen.

Häufige Fragen

Was ist Demand Sensing, einfach erklärt?

Es ist eine kurzfristige Prognose, die häufig mit den neuesten Daten aktualisiert wird, etwa den Verkäufen von gestern, dem aktuellen Bestand, dem Wetter und der Webaktivität, um Nachfrageveränderungen in den nächsten Tagen oder Wochen zu erkennen.

Ist Demand Sensing dasselbe wie Nachfrageprognose?

Nein. Nachfrageprognose bezeichnet meist längerfristige Prognosen für Planung und Einkauf. Demand Sensing konzentriert sich auf die kurze Frist und darauf, Entscheidungen wie Nachschub und Abschriften während der Saison anzupassen.

Welche Daten braucht Demand Sensing in der Mode?

Tägliche Verkäufe und Bestände nach Grösse und Standort sind unverzichtbar. Preise, Aktionen, E-Commerce-Verhalten, Wetter und bei Wholesale-Marken Sell-out-Daten der Partner liefern weitere Signale.

Funktioniert Demand Sensing bei neuen Modeprodukten?

Teilweise. Sobald ein neues Produkt eine kurze Zeit im Verkauf ist, können frühe Verkaufs- und Websignale seine Prognose rasch aktualisieren. Vor dem Launch hat Demand Sensing wenig, womit es arbeiten kann, und es gelten die Methoden der saisonalen Prognose.

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