Markdown-Optimierung:
Der richtige Rabatt zum richtigen Zeitpunkt
Wie ein Reinforcement-Learning-Agent SKU-spezifische Preispfade berechnet - statt pauschal 30% für alle - und die Markdown-Marge um 400-800 Basispunkte verbessert (McKinsey); wir rechnen 5%, im ersten Jahr zur Hälfte adressierbar.
Dieses Modul ist Teil einer sechsteiligen Modellrechnung über ein fiktives mittelständisches Fashion-Unternehmen (1.800 SKUs, 18 Märkte). Alle Zahlen, Datensätze, Modellmetriken und Euro-Beträge sind vollständig fiktiv - sie veranschaulichen die Methodik und die Art des erzielbaren Effekts. Es sind keine Ergebnisse realer Kunden und kein Leistungsversprechen. Welche Werte auf Ihren realen Daten erreichbar sind, zeigt erst ein Pilotprojekt.
01 Das Problem - Pauschal 30% ab Januar vernichtet Marge
Warum identische Rabatte für Bestseller und Ladenhüter keinen Sinn ergeben
Die klassische Markdown-Strategie: Vollpreis → 30% Mid-Season → 50% End-of-Season → 65% Outlet. Alle SKUs durchlaufen denselben Zyklus, unabhängig davon, ob sie sich gut oder schlecht verkaufen. Eine Slim-Fit-Jeans mit 92% Sell-Through braucht keinen Rabatt - eine Wide-Leg in der falschen Farbe braucht ihn ab Woche 3.
02 Modell - Reinforcement Learning für SKU-spezifische Preispfade
Bestseller (Slim Fit Dark Blue): Kein Rabatt bis Saisonende, dann max. 15%. Trend-Artikel (Wide Leg Light Wash): Früh 10%, dann stufenweise. NOS-Basics (T-Shirt White): Nie mehr als 20% - die Stammkunden kaufen sie auch ohne Rabatt. Der Agent lernt, dass gezielte kleine Rabatte früh mehr Marge retten als pauschale große Rabatte spät. In der Praxis empfehlen wir einen schrittweisen Rollout: Zunächst liefert das Modell Empfehlungen, die das Category Management überprüft. Nach Validierung über 1-2 Saisons kann der Automatisierungsgrad schrittweise erhöht werden. Die €1,17M zusätzliche Marge ergeben sich aus €46,8M Abschriften-Umsatz × 5% × 50% adressierbar.
03 Die Gesamtrechnung - Alle 6 Module
| Modul | Thema | Technologie | Jährl. Effekt | Zeit bis Wirkung |
|---|---|---|---|---|
| 1 | Vororder-Optimierung | LightGBM + LSTM (Two-Stage) | €3,84M | 4-6 Wochen |
| 2 | Trend-Radar | CLIP + Social Listening | €0,72M | 3-4 Wochen |
| 3 | Size & Fit Prediction | Collaborative Filtering | €1,61M | 2-3 Wochen |
| 4 | Retouren-Analyse | NLP Topic Modelling | €0,81M | 2-4 Wochen |
| 5 | Kollektionsplanung | Graph-Analyse + Optimization | €0,78M | 3-4 Wochen |
| 6 | Markdown-Optimierung | Reinforcement Learning | €1,17M | 6-8 Wochen |
Selbst bei 50% Realisierung sind das ~€4,5M zusätzliche Marge - bei einem Unternehmen mit rund €196M realisiertem Umsatz (nach Abschriften) eine spürbare Margenverbesserung. Die Gesamtinvestition für alle 6 Module liegt bei €0,8-1,5M. ROI: 3-5× im ersten Jahr.
04 Nächste Schritte für Ihre Marke
Size Recommender (Modul 3) + Retouren-Sofortmaßnahmen (Modul 4). Sofort umsetzbar mit vorhandenen Daten. Effekt: rund €2,4M.
Vororder-Modell (Modul 1) + Trend-Radar (Modul 2) + Sortimentsoptimierung (Modul 5). Effekt: +€5,3M.
Markdown-Optimierung (Modul 6) + alle Module im Vollbetrieb + In-Season-Dashboard. Effekt: bis €8,9M.