Prognosen sind schwierig. Die Zukunft der Mode vorherzusagen, ist ungeheuer schwierig. Daher verlässt sich die Modeindustrie größtenteils immer noch auf crude Methoden wie Open-To-Buy, die nichts anderes sind als verherrlichte Top-down-Gleitende Durchschnitte. Dennoch würden die meisten supply chain practitioners argumentieren, dass, solange es in der realen Welt nichts gibt, das Open-To-Buy tatsächlich schlagen kann, Open-To-Buy nicht veraltet ist – egal, wie grob die Methode auch sein mag. Tatsächlich entsprachen unsere eigenen Beobachtungen bis vor kurzem dem, was Modeunternehmen uns sagten: für Mode funktioniert wirklich nichts, und Schätzungen bleiben die beste Option unter all den anderen, noch weniger zufriedenstellenden Alternativen.

Unsere probabilistic forecasting Engine, die letztes Jahr veröffentlicht wurde, wurde zum Wendepunkt für die Modewelt. Nach jahrelangem Kampf mit den Modennachfragemustern haben wir endlich eine Vorhersage-Engine, die nativ auf die speziellen Herausforderungen des Modesektors ausgerichtet ist. In den letzten Monaten haben wir die supply chains mehrerer Modeunternehmen gesteuert, und tatsächlich – es funktioniert wirklich! Angesichts der Erfolgsbilanz der Forecasting-Anbieter in der Modebranche standen die Chancen nicht gerade zu unseren Gunsten.

Die Nachfrage in der Mode wird typischerweise durch Neuheiten angetrieben, und new products kommen durch Kollektionen zusammen. Kollektionen sind aus Modesicht unerlässlich; gleichzeitig stellen sie jedoch eine enorme Herausforderung für die Vorhersage dar.

Die Nachfrage muss für Produkte prognostiziert werden, die noch nicht verkauft wurden.

Mode dreht sich nicht um Produkte, die schon lange nicht verkauft wurden, Mode dreht sich um Produkte, die überhaupt noch nicht verkauft wurden. Diese Sichtweise passt grundlegend nicht zum time-series Vorhersageansatz, der die Grundlage nahezu aller Prognosesysteme bildet – allerdings nicht bei Lokad. Tatsächlich haben Zeitreihen im Fall der Mode aus zeitreihenanalytischer Sicht überhaupt keine historische Tiefe, sodass es nichts gibt, worauf man sich bei der Prognose stützen könnte.

Die probabilistische Vorhersage-Engine von Lokad verfolgt einen völlig anderen Ansatz: Sie nutzt aktiv die verschiedenen Produkteigenschaften – Marke, Stil, Farbe, Stoff, Größe, Preisklasse, Kategorie etc. – um eine Nachfrageprognose auf Basis der Leistung ähnlicher Produkte in den vorherigen Kollektionen zu erstellen.

Eines der Dinge, die die Vorhersage-Engine von Lokad nicht macht, ist, dass sie erfordert, Produkte manuell zwischen Kollektionen zu pairen. Erstens: Das Herstellen dieser Pairs ist sehr kompliziert und extrem zeitaufwändig. Supply chain practitioners sollen nicht die Sklaven ihrer eigenen Systeme sein; wenn die Systeme verlangen, dass Tausende von Produkten manuell abgeglichen werden, ist es sehr wahrscheinlich, dass diese Zeit besser in die Erstellung einer manuellen Prognose investiert wird, die direkt von menschlichen Einsichten profitiert. Zweitens macht eine 1-zu-1-Zuordnung zwischen alten und neuen Kollektionen in der Mode meistens überhaupt keinen Sinn. Neue Kollektionen werden voraussichtlich die Codes auf subtile, aber wichtige Weise neu definieren: Ein Produkt kann zu vielen werden und umgekehrt. Eine Methodik, die ausschließlich auf 1-zu-1-Pairings setzt, liefert garantiert eher naive Ergebnisse bezüglich der zukünftigen Kollektionen.

Die Vorhersage-Engine von Lokad dreht sich ganz darum, all diese Ähnlichkeiten vollständig automatisiert mittels Machine-Learning-Algorithmen zu berechnen. Artificial Intelligence ist derzeit in den Medien total angesagt, aber im Kern läuft es auf Machine-Learning-Algorithmen hinaus, die in den letzten drei Jahrzehnten stetige und doch allmähliche Fortschritte gemacht haben. Lokad nutzt mehrere Klassen von Machine-Learning-Algorithmen, die speziell für supply chain Zwecke zugeschnitten sind.

Darüber hinaus liefert Lokad probabilistische Prognosen. Anstatt eine einzige Nachfrageprognose – den Median oder den Mittelwert – zu liefern, die (fast) garantiert falsch ist, liefert Lokad die Wahrscheinlichkeiten für (fast) alle Nachfrageszenarien. Dieser Aspekt ist für die Modebranche von entscheidender Bedeutung, da Unsicherheit irreduzierbar ist; und eine gute Bestellplanung beruht häufig auf einer Risikoanalyse.

In der Mode sind die beiden Hauptgefahren verpasste Chancen, wenn nicht genügend Lagerbestand vorhanden ist, und Lagerabschreibungen, wenn die Waren während der Verkaufsperiode zu einem sehr aggressiven Rabatt verkauft werden müssen – um die verbleibenden Bestände einer Kollektion zu liquidieren. Lokad verfügt über native Fähigkeiten, um mit dieser spezifischen Risikoanalyse umzugehen, die in der Mode so wichtig ist.

Interessiert an Lokads Fähigkeiten im Modebereich? Zögern Sie nicht, einen Demo-Termin mit uns zu vereinbaren.