Über- und Unterbestände sind Probleme, mit denen nicht zuletzt der Modeeinzelhandel seit Jahrzehnten zu kämpfen hat. Nach wie vor gibt es noch keine fertige Lösung, die genau vorhersagen kann, welches Kleidungsstück ein Verbraucher voraussichtlich kaufen wird.

• Wie wird das Problem angegangen, was sind die Herausforderungen bei der Nachfrageprognose?

• Wie ermöglicht es die künstliche Intelligenz den Modeeinzelhändlern jetzt, die bereits verfügbaren Daten zu nutzen, um eine gewisse Genauigkeit bei der Nachfrageprognose zu erreichen und ihr Modell weiter zu optimieren?

Einige der Faktoren, die einen Über- oder Unterbestand im Modeeinzelhandel verursachen:

- Mindestbestellmengen (Minimum Order Quantities, MOQs) hängen von Faktoren wie Materialtyp, Produktstil, der Farbe und Größe sowie von den Rohmaterialien und Komponenten ab, die in das Produkt eingehen. Die Hersteller kennzeichnen die MOQ-Stufe in der Regel etwas höher als ihre Break-even-Kosten. Infolgedessen haben Modeeinzelhändler keine andere Wahl, als die MOQ-Stufe zu bestellen, auch wenn dies bedeutet, dass sie mehr bestellen müssen, als sie vernünftigerweise verkaufen können.

- Modeeinzelhändler bestellen im Übermaß, da die Produktionsvorlaufzeiten manchmal lang sind. Sie wollen vermeiden, dass Regale leer sind, Produkte in ihrem Online-Shop als „nicht vorrätig“ gekennzeichnet werden und die Kunden keine andere Wahl haben, als ein ähnliches Produkt bei einem Wettbewerber zu bestellen. Für eine globale Modemarke sind Reputation, Kundentreue und Kundenzufriedenheit weitaus wertvoller, als unverkaufte Warenbestände zu führen.

- Unpopuläre Größen sind diejenigen, die von Online- und Laufkundschaft am wenigsten bestellt werden. Auch wenn Merchandiser Verkaufszahlen, Kundenreaktionen und Markttrends analysieren und Bestellungen in gleichmäßig verteilten Größen aufgeben, ist es doch die tatsächliche Abnahme durch den Verbraucher, die letztendlich bestimmt, welche Größen früher als andere ausverkauft sind.

- Um ihren Kunden ein Omnichannel-Erlebnis zu bieten, konzentrieren sich Modeeinzelhändler auf eine Strategie, die auf der Verfügbarkeit des richtigen Produkts, im richtigen Geschäft und zur richtigen Zeit beruht. Manchmal gibt es jedoch Herausforderungen in den Bereichen Transport, Bestandskontrolle und Lagerhaltung, die geplante Zeitpläne stören. Das Problem wird durch die Komplexität der betrieblichen Aktivitäten wie Etikettierung, Verpackung und Rückwärtslogistik noch verschärft, so dass die Kunden nicht in der Lage sind, das zu kaufen, was sie wollen, wann sie wollen und von wo sie wollen.

Herausforderungen, denen sich Modeeinzelhändler bei der Nachfrageprognose gegenübersehen

Über- und Unterbestände sind reale Probleme, mit denen Modeeinzelhändler in ihrer täglichen Arbeit konfrontiert sind, und diese Probleme beeinträchtigen ihre Rentabilität und Wettbewerbsfähigkeit auf dem Markt. Jeder Einzelhändler ist sich der Bedeutung der Aufrechterhaltung eines optimalen Lagerbestands bewusst und nutzt die ihm zur Verfügung stehenden Informationsquellen – Daten aus der Vergangenheit, interne Aufzeichnungen, selbst entwickelte Tools und Systeme, Branchentrends, Marktnachrichten und Social Media Feeds sowie Softwarelösungen – für die Nachfrageprognose, um zu einer Form der Prognose zu gelangen.

Obwohl diese Informationsquellen eine gewisse Richtung und Anleitung bieten, um Modeeinzelhändlern bei der Erstellung einer Nachfrageprognose zu helfen, gibt es immer noch viele Herausforderungen, die die Sache schwierig machen, wie z. B.:

• Trends in Farbe, Druck, Stil, Mustern und Material ändern sich schnell und sind schwer vorhersehbar.

• Einige Modetrends sind saisonaler und kurzfristiger Natur.

• Neueinführungen und darauf basierende Werbeaktionen verursachen Nachfragespitzen, aber nicht alle Neueinführungen sind erfolgreich.

• In einem globalen Setup kann es sein, dass das, was auf dem einen Markt funktioniert, auf dem anderen Markt nicht funktioniert.

• Nachhaltigkeit ist zu einem Hauptanliegen der Modeeinzelhändler geworden, da die Verbraucher eine Vorliebe für Produkte entwickelt haben, die ökologisch sind, und deren Lieferkette transparent ist.

Komplexe Datenpunkte im Ökosystem des Modeeinzelhandels

Jeder Datenpunkt beeinflusst auf die eine oder andere Weise den Prozess der Nachfrageprognose, und mit herkömmlichen Werkzeugen und Technologien ist es nicht einfach, seine Auswirkungen zu messen und zu quantifizieren. Sogar die traditionellen Methoden, die zur Erstellung eines Prognosemodells auf historischen Daten beruhen, haben ihre eigenen Grenzen.

Der Modeeinzelhandel verfügt über riesige Datensätze mit strukturierten und unstrukturierten Daten

Es gibt zwei Arten von Daten – strukturierte und unstrukturierte. Erstere umfassen in der Regel Daten, die strukturiert und in wohldefinierten Schemata wie Datenbanken gespeichert werden können. Sie können sowohl aus internen als auch aus externen Quellen stammen. Beispiele für interne Quellen sind Verkaufsdaten, Einkaufsdaten oder Bestandsdaten. Beispiele für externe Quellen sind Regierungsbehörden, Wetterbüros, makroökonomische Indikatoren, akkreditierte Dritte, usw.

Unstrukturierte Daten dagegen entsprechen weder einem Datenmodell, noch besitzen sie eine Struktur. Typische Beispiele sind Daten aus E-Mails, Dokumenten, Präsentationen und Marketingkampagnen. Audiodaten und Videodateien, Bilder, Zeichnungen, Skizzen etc. werden ebenfalls als unstrukturierte Daten klassifiziert. Auch unstrukturierte Daten können aus internen und externen Quellen stammen.

Social-Media-Plattformen

Mode liegt vielen Menschen am Herzen, und modebewusste Menschen sprechen gerne auf Social-Media-Plattformen darüber, wo sie gerne Fotos austauschen und ihre Ansichten über Trends, Stile, Farben und Kleidung zum Ausdruck bringen. Jeden Tag gibt es Millionen von Gefallen, Kommentaren, Tweets, Anstecknadeln, Instagram- und LinkedIn-Shares und Postings auf Modeportalen, die auf verschiedenen Social-Media-Plattformen stattfinden. Die Daten aus diesen Quellen werden auch als unstrukturierte Daten klassifiziert.

Künstliche Intelligenz

Alle diese Informationen sind zwar identifizierbar, doch bei den angeführten unstrukturierten Daten gibt es viele Trends und Muster, die mit dem traditionellen Problemlösungsparadigma der Softwareindustrie nicht leicht zu erkennen sind. Aufgrund dieser Datenkomplexität ist die künstliche Intelligenz am besten geeignet, um eine Nachfrageprognoselösung für Modeeinzelhändler aufzubauen, da sie ein anderes Paradigma zur Lösung eines komplexen Problems verwendet.

Der KI-Master-Algorithmus verwendet Beispiele für verschiedene Arten von Eingaben und Beispiele für verschiedene Arten von Ergebnissen, um einen Algorithmus zu erstellen, der zur Lösung des Problems verwendet wird. Basierend auf der Art der verfügbaren Daten und der Art des zu lösenden Problems wird dieser Algorithmus dann verwendet, um ein Modell zu erstellen und zu trainieren, das angepasst werden kann, um spezifische Erkenntnisse aus den Daten zu gewinnen und das gewünschte Ergebnis zu erzeugen, das zur Lösung des Problems beiträgt.

Modeeinzelhändler können die Daten in ihren Aufzeichnungen und Systemen nutzen

Die künstliche Intelligenz speist sich aus großen Mengen strukturierter und unstrukturierter Daten, und für beste Ergebnisse gilt: Je mehr Daten verfügbar sind, desto genauer werden die Ergebnisse der Prognosemaschine sein.

Für Modeeinzelhändler stellt dies kein Problem dar, da sie über große Mengen an Datensätzen in ihren eigenen Systemen verfügen, die sie ohne großen Aufwand nutzen können. Diese Datensätze umfassen in der Regel die Produktdaten, Kundendaten, Verkaufsdaten und andere relevante Daten, die sich in den ERP-, CRM- und anderen Datenspeichern befinden. Im Falle globaler Unternehmen befinden sich die Daten in mehreren geografischen Regionen.

Einige Modeeinzelhändler sind sich nicht bewusst, dass sie ebenfalls über große Mengen an Datensätzen verfügen – Bilder von Couture, Modeschauen, Stilen, Designs, Bekleidungskombinationen, Körpermaßen, Produktsortiment und Bestellung, meistverkaufte Artikel und andere Verbraucherdaten, die sie sofort für ihre Prognosen verwenden können.

KI-Reife in einfachen Schritten

Nagarro hilft Modeeinzelhändlern, in einfachen Schritten die KI-Reife zu erreichen. Das Unternehmen ermöglicht seinen Kunden, die Daten, die bereits in ihrer Organisation liegen, zu identifizieren und zu nutzen. Modeeinzelhändler werden in die Lage versetzt, mit künstlicher Intelligenz ein genaues Nachfragevorhersagemodell zu erstellen. Auch gibt es weitere Anwendungsfälle, in denen künstliche Intelligenz eingesetzt werden kann, um aussagekräftige Erkenntnisse aus Daten zu gewinnen.

Über Feroz Zaidi:

Feroz Zaidi ist Experte für Daten und Analytik beim Digital Engineering Unternehmen Nagarro mit einem Fokus auf die Bekleidungs- und Modeindustrie. Er ermöglicht Modemarken, ihre Kern-IT-Systeme zu erweitern und ihre Transformations- und Modernisierungsstrategie umzusetzen, wobei er sich auf spezialisierte digitale Initiativen und datengesteuerte Lösungen konzentriert.