Wie verbessern Wetter und externe Signale die Bedarfsprognose in der Mode?

Externe Signale verbessern die Bedarfsplanung in der Mode, indem sie erklären, warum die Umsätze vom Plan abweichen, und indem sie kurzfristige Entscheidungen wie Allokation, Nachschub und Abschriftentiming anpassen. Für saisonale Kategorien ist das Wetter das wichtigste dieser Signale, weil unsaisonale Temperaturen verschieben, wann Kundinnen und Kunden kaufen. Die gemessenen Gewinne an Prognosegenauigkeit sind meist bescheiden, und der Nutzen hängt davon ab, ob sich die Ware noch bewegen lässt, wenn das Signal eintrifft.

Wie beeinflusst das Wetter die Modeumsätze?

Mode wird in Saisons verkauft, doch das Wetter hält sich nicht an den Handelskalender. Ein warmer Herbst verzögert den Kauf von Mänteln und Strickwaren, ein kalter, nasser Frühling bremst Sandalen und Kleider. Modern Retail berichtete im März 2024, dass Händler das Wetter zunehmend in ihren Ergebnissen anführen. Zu den Beispielen gehören H&M, das im September 2023 unsaisonal warmes Herbstwetter in den USA und in Europa für den verzögerten Abverkauf verantwortlich machte und mit einem Umsatzrückgang von 10 Prozent im September rechnete, Dr Martens, das auf warme Temperaturen in den USA als Grund für schwache Stiefelverkäufe verwies, und JD Sports, das in einer Gewinnwarnung im Januar 2024 teilweise milde Witterung verantwortlich machte.

Die damalige CEO von H&M, Helena Helmersson, sagte, die Verzögerung im Verkauf sei bei schwereren Herbstprodukten am deutlichsten. Just Style berichtete, dass Next ein schwankendes Umsatzwachstum im dritten Quartal 2023 beschrieb, das das Unternehmen auf das wechselnde Wetter zurückführte.

Ist das Wetter ein echter Treiber oder eine bequeme Ausrede?

Beides. Derselbe Artikel von Modern Retail hält fest, dass Inditex im Zeitraum, in dem H&M auf das Wetter verwies, ein Umsatzplus von 14 Prozent meldete, und zitiert einen Analysten von GlobalData, der das Wetter eine sehr bequeme Ausrede nennt und argumentiert, dass Wettererklärungen konkret sein müssen. Für die Planung ist der Punkt praktischer Natur: Das Wetter erklärt einen Teil der Umsatzschwankungen, und wer diesen Teil quantifiziert, trennt echte Wettereffekte von Sortiments- oder Preisproblemen.

Die Wissenschaft stützt einen massvollen Ansatz. Bertrand und Brusset nutzten in einem Aufsatz aus dem Jahr 2014 über Wettereffekte auf Bekleidungsumsätze in Frankreich monatliche Umsatzdaten des Institut Français de la Mode und einen nach Bevölkerung gewichteten nationalen Temperaturindex. Sie modellierten Umsatzanomalien gegenüber Temperaturanomalien, gemessen als Abweichungen von einem 30-jährigen Normalwert, um die Wetterempfindlichkeit jeder Produktkategorie, jedes Kanals und jedes Geschlechts sowie die am stärksten exponierten Zeiträume des Jahres zu schätzen.

Lesen Sie auch

Wie senkt KI-gestützte Bestandsoptimierung Altware und Fehlbestände in der Mode?

Welche externen Signale werden in der Bedarfsplanung der Mode genutzt?

Wie stark verbessern externe Signale die Prognosegenauigkeit?

Weniger, als das Marketing der Anbieter manchmal vermuten lässt, aber genug, um im grossen Massstab ins Gewicht zu fallen. In Forschung zu neuen Fast-Fashion-Produkten auf Basis des VISUELLE-Datensatzes mit 5'577 Artikeln stellten Skenderi und Kollegen fest, dass die Ergänzung eines Modells aus Bildern und Produktmetadaten um Google-Trends-Zeitreihen den gewichteten absoluten prozentualen Fehler um 1,5 Prozent verbesserte. Das Wetter bringt typischerweise bei kurzen Horizonten und in wetterempfindlichen Kategorien am meisten und sehr wenig bei Produkten, deren Nachfrage von Trends oder Marketing getrieben wird.

Ein weiterer Nutzen ist indirekt. Wer Wettereffekte aus den historischen Verkäufen herausrechnet, erhält ein klareres Bild der zugrunde liegenden Nachfrage, sodass die Prognose der nächsten Saison nicht durch die Hitzewelle oder den verregneten Sommer des Vorjahres verzerrt wird.

Wettereffekte unterscheiden sich zudem nach Region. Eine Kette mit Filialen in mehreren Klimazonen erlebt vielleicht in einer Region einen milden Herbst und in einer anderen einen frühen Kälteeinbruch. Deshalb verdecken nationale Durchschnittswerte einen Grossteil des Signals. Planerinnen und Planer, die das Wetter den Filialstandorten zuordnen und Filialen in Klimacluster gruppieren, erkennen besser, welche Regionen dem saisonalen Plan voraus oder hinterher sind, und können die Ware entsprechend umverteilen.

Wo im Planungszyklus helfen Wetterdaten am meisten?

• Allokation und Nachschub: saisonale Ware gemäss der kurzfristigen Wetterprognose zwischen Regionen verschieben.
• Abschriftentiming: einen geplanten Rabatt auf Oberbekleidung verschieben, wenn eine Kältewelle erwartet wird, oder ihn in einer milden Saison vorziehen.
• Visual Merchandising in Filiale und Onlineshop: wettergerechte Produkte in Schaufenstern, auf Startseiten und in Kampagnen hervorheben.
• Bereinigung der Historie: vergangene Verkäufe um Wetteranomalien bereinigen, bevor Prognosemodelle trainiert werden.
• Einkaufsplanung: begrenzter direkter Nutzen, da verlässliche Wetterprognosen nicht Monate vorausreichen. Flexibilität beim Einkauf zählt hier mehr.

Welche Daten und Fähigkeiten braucht es?

1. Eine Wetterhistorie auf Filial- oder Postleitzahlebene, die täglichen oder wöchentlichen Verkäufen zugeordnet ist.
2. Eine Definition des Normalwetters pro Standort, etwa ein langjähriger Durchschnitt, damit sich Anomalien berechnen lassen.
3. Eine Produktverschlagwortung, die wetterempfindliche Kategorien kennzeichnet.
4. Ein Prognosemodell, das externe Variablen einbeziehen und deren gemessene Wirkung ausweisen kann.
5. Operative Prozesse, die innerhalb des Prognosehorizonts handeln können, etwa eine wöchentliche Umverteilung.

Lesen Sie auch

Was ist die Optimierung der Grössenverteilung, und wie hilft KI, die richtigen Grössen einzukaufen?

Welche Risiken und Grenzen gibt es?

Wetterdaten können falsche Sicherheit vermitteln. Signale, die in einer Saison korrelierten, gelten in der nächsten möglicherweise nicht mehr, und komplexe Modelle mit vielen externen Variablen können sich zu stark an die Historie anpassen. Jedes Signal sollte deshalb an zurückgehaltenen Saisons getestet und nur beibehalten werden, wenn es die Genauigkeit auf der relevanten Entscheidungsebene verbessert. Der Klimawandel fügt eine weitere Ebene hinzu: Wenn sich die Jahreszeiten verschieben, werden historische Normalwerte zu einer schwächeren Orientierung. Das spricht dafür, den Zeitpunkt saisonaler Launches und einen flexiblen Einkauf zu überprüfen, statt sich allein auf Prognosen zu verlassen.

Hinzu kommt die Kostenfrage. Detaillierte Wetter- und Trenddaten und die Modellierungsarbeit, um sie zu nutzen, sind nicht gratis. Eine Marke sollte abschätzen, wie viel Prognosefehler das Signal in ihren wetterempfindlichen Kategorien beseitigt, was dieser Fehler an Abschriften und entgangenen Verkäufen wert ist, und diesen Wert mit den Kosten für Daten und Analyse vergleichen. Für manche Sortimente fällt die Antwort klar positiv aus, für andere genügen womöglich einfachere saisonale Regeln.