Vororder-Optimierung:
Bestellen mit Daten statt Bauchgefühl
Wie ein Two-Stage-Modell (LightGBM + LSTM) aus Trend-Signalen, Messe-Orders und Wetterdaten die Vororder-Genauigkeit um 42% verbessert - und nach 2 Wochen In-Season den Prognosefehler nochmals um rund 40% senkt.
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 - Bestellen ins Ungewisse, 6 Monate vor Saisonstart
Warum 35% der Jeans am Ende im Sale landen
Ein Fashion-Unternehmen mit 1.800 SKUs (Jeans, T-Shirts, Hemden, Hoodies) muss seine Vororder 6-8 Monate vor Auslieferung bei den Produktionsstandorten platzieren. Zu diesem Zeitpunkt existieren weder Wetterdaten noch Abverkaufszahlen für die kommende Saison - nur Musterteile, Einkäuferbauchgefühl und Vorjahresvergleiche.
Das Ergebnis: 35% der Ware wird am Ende der Saison zu Markdown-Preisen verkauft (Ø 42% Rabatt). Gleichzeitig liegt die Fehlbestandsrate bei 8% (publiziert: ~8% Umsatzverlust durch Out-of-Stock, IHL) - und Nachproduktion ist bei 8-12 Wochen Lead-Time keine Option. Zwischen Overstock und Stockout liegt der Sweet Spot, den nur Daten treffen können.
02 Datengrundlage - 4 Saisons, 1.800 SKUs, 18 Märkte
Was Ihr Warenwirtschaftssystem bereits über Ihre Kunden weiß
Der Einkauf muss im Januar die Sommerware für August bestellen - ohne zu wissen, ob der Sommer heiß wird, ob Wide-Leg-Jeans weiter boomen oder ob ein TikTok-Trend im März alles umwirft. Klassische Vororder basiert auf Vorjahr +/- 10%, angereichert mit Einkäufermeinung. Das reicht nicht mehr.
03 Explorative Analyse - Wo die Vororder daneben liegt
Die Muster, die Ihr Einkauf kennt - aber nicht quantifizieren kann
Wide-Leg-Jeans haben eine Vororder-Abweichung von 48% - fast jede zweite Einheit wird falsch geplant. Der Grund: Trend-getriebene Artikel haben keine stabile Vorjahresbasis. Basic-T-Shirts dagegen weichen nur 12% ab - hier funktioniert die Vorjahreslogik. Das Modell muss also kategorie-spezifisch arbeiten, nicht mit einer Einheitsmethode.
04 Feature Engineering - Was die Vororder besser macht
Externe Signale, die 6 Monate vor Saisonstart bereits existieren
Der Clou: Das Modell arbeitet in zwei Stufen. Stufe 1 (Vororder, 6 Monate vorher) nutzt die 12 langfristigen Signale. Stufe 2 (In-Season Adjustment, ab Woche 2) korrigiert die Vororder anhand der ersten echten Abverkaufsdaten - und empfiehlt Umverteilungen zwischen Märkten, Flash-Nachproduktion oder frühzeitige Markdowns.
05 Modell - Two-Stage Demand Prediction
Vororder-Empfehlung + In-Season Korrektur in einem System
Die Vororder allein (Stage 1) ist bereits 42% genauer als die aktuelle Einkäufermethode. Aber der echte Hebel ist Stage 2: Nach nur 2 Wochen Abverkaufsdaten korrigiert das LSTM die Prognose auf 11,2% WAPE - und ermöglicht rechtzeitige Umverteilungen. Ein Bestseller in München, der in Hamburg schwächelt? Das System erkennt es in Woche 2 und verschiebt 200 Stück. Wie viel dieses Potenzials in der Praxis ankommt, hängt von der Datenqualität und der Adoptionsrate im Einkaufsteam ab: Die Modellrechnung nimmt an, dass die Ergebnisse im ersten Jahr typischerweise am unteren Ende der Spanne liegen und mit besserer Datenbasis und Modell-Feintuning über die Folgejahre steigen. Die Baseline von 31,8% und der In-Season-Wert sind dabei ebenfalls Annahmen der Modellrechnung, deren relative Verbesserung im publizierten Band von 20-50% liegt (McKinsey).
06 Der Geschäftseffekt - Die Vororder-Rechnung
Was bessere Vororders in Euro bedeuten
| Kategorie | Stück/Jahr | Overstock aktuell | Overstock Modell | Einsparung | Hebel |
|---|---|---|---|---|---|
| Jeans Wide Leg (Trend) | 320.000 | 48% | 38% | €0,95M | Trend-Signale via Social |
| T-Shirt Graphic | 256.000 | 42% | 33% | €0,60M | Pinterest Save Rate |
| Hoodie | 384.000 | 31% | 24% | €0,55M | Wetter-Langzeitprognose |
| Jeans Slim Fit (NOS) | 704.000 | 18% | 14% | €0,90M | Carry-Over-Stabilität |
| T-Shirt Basic (NOS) | 576.000 | 12% | 9% | €0,45M | In-Season Umverteilung |
Top-5-Kategorien = €3,45M von €3,84M; Rest verteilt sich auf die übrigen Kategorien. Einsparung je Kategorie enthält Overstock- und Stockout-Anteil.
Das gezeigte Ergebnis von €3,84M ist eine Modellrechnung: 224.000 vermiedene Abschriften-Stücke × €12 netto + 96.000 zurückgeholte Fehlbestands-Stücke × €48 DB × 25%. Die Annahme: Im ersten Jahr ist typischerweise rund die Hälfte des Potenzials erreichbar, mit steigendem Effekt in den Folgejahren. Der größte Hebel liegt bei den Trend-Kategorien (Wide Leg, Graphic Tees): Dort ist die Planungsgenauigkeit heute am schlechtesten, und externe Signale liefern den meisten Mehrwert.
07 Nächste Schritte für Ihre Marke
Von der Analyse zur Implementierung
Ihre letzten 4 Saisons durch das Modell laufen lassen. Hätte das Modell die Vororder besser getroffen? Backtesting mit echten Zahlen.
Nächste Saison: Vororder für 100 Fokus-SKUs mit Modell-Empfehlung vs. 100 SKUs ohne. A/B-Vergleich nach Saisonende.
Ab Woche 2: Live-Abgleich Vororder vs. Abverkauf. Automatische Empfehlungen für Umverteilungen, Flash-Nachproduktionen, frühe Markdowns.