Sortimentsplanung: Was Kunden wollen

Welcher Rock ist aktuell besonders beliebt? Sollte das Kleid weiter im Angebot bleiben oder nicht? Wie hat sich der Pullover im vergangenen Monat verkauft? Diese und weitere Fragen stellen sich Produktmanager in der Fashion-Branche Tag für Tag.

Bei bonprix hilft seit einiger Zeit das Prognosesystem Learning Collection bei den Antworten. Jessica Külper, Abteilungsleiterin Strategie und Innovationsmanagement, erklärt warum sich das Unternehmen mittlerweile bei der Warenauswahl von moderner Technologie unter die Arme greifen lässt und wie das funktioniert.

Frau Külper, wie haben Sie Ihr Sortiment bisher geplant?

Jessica Külper: Die bisherige Sortimentserstellung basiert auf den Erfahrungen und dem Wissen der Produktmanager, etwa in Bezug auf die Bedürfnisse und Wünsche unserer Kunden und Kundinnen. Außerdem fließen Wettbewerbsanalysen und aktuelle Trends in die Planung mit ein.

Seit einiger Zeit widmet sich das Prognose-Tool Learning Collection Ihrer Sortimentspolitik. Wie wird es eingesetzt?

Learning Collection ist ein neues, selbst entwickeltes Prognosesystem bei bonprix, das mithilfe von künstlicher Intelligenz zuverlässige Vorhersagen zu Nachfrage und Kauf trifft. Das System wertet neue Artikelideen von bonprix aus und prognostiziert, welche der Produkte sich voraussichtlich gut verkaufen lassen und welche wahrscheinlich wenig nachgefragt werden. Auf Basis dieser Analyse können unsere Mitarbeitenden das Sortiment noch besser planen und so das Angebot noch stärker an den Wünschen und Bedürfnissen unserer Kunden und Kundinnen ausrichten.

Jessica Külper ist Abteilungsleiterin Strategie und Innovationsmanagement bei bonprix.

Quelle: Bonprix

Welche Technologie steckt dahinter?

Das Tool für dieses Prognosesystem, die Artikel-spezifische Erfolgsanalyse (ASA), wurde von bonprix gemeinsam mit KI-Experten des Otto Group Data Lab entwickelt. Hinter dem Prognosesystem steckt ein Machine-Learning-Algorithmus, der sich auf Basis immer neu gewonnener Informationen kontinuierlich selbst optimiert, sodass die Vorhersagen zunehmend präziser werden.

Genauer erklärt: Das Modell wird fortlaufend mit historischen Daten gefüttert und darauf trainiert, in der Fülle der Datenmenge Regelmäßigkeiten zu erkennen und Prognosen zu liefern. Dabei werden alle bisherigen bonprix-Artikel – inklusive Artikel-Attributen und Verkaufszahlen – in einen Algorithmus eingespeist und das System erkennt in den Daten Zusammenhänge und Muster. Wir pflegen regelmäßig Kollektionen ein und lassen prognostizieren, welche Artikel häufig nachgefragt werden (Top-Artikel) und welche sich nicht gut verkaufen werden (Flop-Artikel). Als schlecht vorhergesagte Produkte werden nicht ins Sortiment genommen; andere Artikel wiederum werden optimiert, beispielsweise durch Anpassung der Farbe.

Aber was heute bei den Kunden angesagt ist, kann morgen wieder out sein, oder?

Wir prüfen in regelmäßigem Turnus, wie genau die Vorhersage des Modells zutrifft und den tatsächlichen Verkaufszahlen entspricht. Ist die Prognose über mehrere Monate konstant gut, wird sie es sehr wahrscheinlich auch in Zukunft zuverlässig sein. Und je mehr Informationen im Laufe der Monate und Jahre in den Algorithmus eingespeist werden, desto besser können die Prognosen im Zeitverlauf werden.

Warum braucht es solche Tools heutzutage?

Künstliche Intelligenz bietet großes Potenzial, Vorhersagen zu verbessern und Prozesse effizienter zu gestalten. Das letzte Wort hat am Ende zwar noch immer der Mensch. Aber KI kann durch ihre Fähigkeit, die verschiedensten Einflussfaktoren zu berücksichtigen, wertvollen Input liefern, um die wirklich besten Styles für die Kunden zu entwickeln.

War aller Anfang schwer? Wie sind Sie an die Implementierung herangegangen? 

Wir waren neugierig, inwiefern künstliche Intelligenz uns sinnvoll dabei unterstützen kann, unsere Sortimente noch effizienter und kundenorientierter zu planen. Um das herauszufinden, standen zunächst verschiedene Testläufe an. Auf Basis sämtlicher Produktdaten aus den Jahren 2016 bis 2018 ließen wir den Algorithmus das Jahr 2019 vorhersagen. Dieser Test wurde Ende 2019 durchgeführt, sodass wir die Prognosequalität direkt beurteilen konnten – und das Ergebnis hat uns beeindruckt. Die Prognose war so gut, dass wir anschließend in die Umsetzung gegangen sind. Das Learning Collection-Tool wurde im Sommer 2020 gelauncht und kommt seit der Erstellung der Januarkollektion 2021 bei bonprix jeden Monat zum Einsatz.

Was haben Sie seit dem Einsatz über Kundenwünsche und -verhalten gelernt, was Sie bisher nicht wussten?

Der Algorithmus kann aus der enormen Datenfülle nicht nur die Artikelnachfrage anhand einzelner Produktattribute einstufen, sondern auch prognostizieren, welche Kombinationen von verschiedenen Attributen am vielversprechendsten sind. So haben wir einige neue Erkenntnisse über die Wünsche unserer Kunden gewonnen. Ein Beispiel: Wir haben dank der KI-gestützten Learning Collection herausgefunden, dass Overalls mit dreiviertellangem Hosenbein von unseren Kunden viel eher gekauft werden als Overalls mit langem oder sehr kurzem Bein.

Wie hat sich die Arbeit des Product Managers seitdem verändert?

Die Abläufe zur Inspiration, Sortiments- und Kollektionserstellung haben sich nicht merklich verändert, da die Erkenntnisse aus dem KI-Logarithmus quasi auf Knopfdruck verfügbar sind, um sie in die finale Sortimentsgestaltung mit einfließen zu lassen. Somit sind die Prognosen der Learning Collection eine sinnvolle Ergänzung zu den persönlichen Erfahrungen, Kenntnissen zu Modetrends und dem Fachwissen – denn auch mit der Unterstützung der KI-Daten bleiben die Expertise und das Bauchgefühl unserer Produktmanager essentiell, wenn sie über Artikel und Kollektionen entscheiden.