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 23% verbessert - und nach 2 Wochen In-Season die Prognose nochmals halbiert.
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 sind 12% der Bestseller bereits Mitte Saison ausverkauft - 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 23% 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. Die tatsächliche Verbesserung hängt von der Datenqualität und der Adoptionsrate im Einkaufsteam ab. In der Praxis sehen wir im ersten Jahr typischerweise Ergebnisse am unteren Ende der Spanne — mit steigendem Impact über die Folgejahre durch bessere Datenbasis und Modell-Feintuning.
06 Business Impact - Die Vororder-Rechnung
Was bessere Vororders in Euro bedeuten
| Kategorie | Stück/Saison | Overstock aktuell | Overstock Modell | Einsparung | Hebel |
|---|---|---|---|---|---|
| Jeans Wide Leg (Trend) | 320.000 | 48% | 26% | €2,4M | Trend-Signale via Social |
| T-Shirt Graphic | 256.000 | 42% | 24% | €1,1M | Pinterest Save Rate |
| Hoodie | 384.000 | 31% | 19% | €0,9M | Wetter-Langzeitprognose |
| Jeans Slim Fit (NOS) | 704.000 | 18% | 12% | €1,4M | Carry-Over-Stabilität |
| T-Shirt Basic (NOS) | 576.000 | 12% | 8% | €0,6M | In-Season Umverteilung |
Das gezeigte Ergebnis von €9,8M basiert bereits auf einer konservativen Schätzung — typischerweise sind im ersten Jahr 50–60% des Potenzials erreichbar, mit steigendem Impact in den Folgejahren. Der größte Hebel liegt bei den Trend-Kategorien (Wide Leg, Graphic Tees): Hier ist die aktuelle Planungsgenauigkeit am schlechtesten, und die externen Signale (Google Trends, Social Media) liefern den meisten Mehrwert.
07 Nächste Schritte
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.