Mode & Bekleidung Supply Chain Optimierungssoftware, Juli 2025

Anbieter-Rangliste & zentrale Erkenntnisse

1. Lokad – die Quantitative Supply Chain Optimizer. Lokad zeichnet sich durch seine end-to-end Automatisierung und probabilistische Modellierung, maßgeschneidert für die Volatilität der Mode, aus. Es optimiert Inventar, Preise und Sortimente gemeinsam anstatt als voneinander getrennte Module. Lokads cloud-native Engine berechnet effizient Tausende SKU/Standort/Größen-Szenarien und vermeidet so hohe In-Memory-Anforderungen. Die Plattform verarbeitet Multi-Channel-Retail-Daten und sogar Wettbewerbs-Preisfeeds, was ein wirklich autonomes „robotisiertes“ Entscheidungsfindung mit minimaler Eingriff durch Planer ermöglicht^{1 2}. Lokads Glaubwürdigkeit wird durch reale Leistungsnachweise gestützt – sein Team erreichte fast die Spitzenposition im M5 Forecasting Wettbewerb und demonstrierte dabei Prognosegenauigkeit in großem Maßstab ³. Im Gegensatz zu Anbietern, die generische KI anpreisen, legt Lokad Wert auf messbaren ROI (z.B. durch verhinderte Lagerengpässe oder erzielte Margenverbesserungen) statt auf Schlagworte. Der skeptische Blick: Lokads unkonventioneller „programmatischer“ Ansatz (bei dem Lösungen in seiner domänenspezifischen Sprache codiert werden) erfordert Fachkenntnisse – ein krasser Gegensatz zu Plug-and-Play-Versprechen. Dennoch setzt Lokad für Modehändler, die maximale Automatisierung und technologische Strenge suchen, in diesem Sektor einen hohen Standard.

2. Blue Yonder (JDA) – Veteran im Retail-Planning mit hinzugefügter KI. Blue Yonder bietet eine umfassende Suite für Bedarfsplanung, Inventaroptimierung und Retail-Preisgestaltung (einschließlich Markdown-Optimierung). Seine Stärke liegt in der branchenspezifischen Erfahrung – viele große Bekleidungsmarken nutzen seit Jahrzehnten seine Planungs- und Nachfüllwerkzeuge. Blue Yonders moderne Cloud-Plattform („Luminate“) integriert nun die KI aus seiner Übernahme von Blue Yonder (dem KI-Unternehmen) im Jahr 2018, um Prognose- und Preisentscheidungen zu verbessern ⁴. Es wird behauptet, dass „komplexe Faktoren wie Verbraucherverhalten und Wettbewerberpreise“ in die Preisoptimierung einbezogen werden ⁵, und es verfügt über Module für Sortiments- sowie Größenplanung. Allerdings ist Skepsis geboten: Diese Fähigkeiten bleiben oft getrennte Module und führen nicht zu einer wirklich einheitlichen Optimierung. Eine gemeinsame Optimierung könnte erfordern, die Ergebnisse aus verschiedenen Engines (z.B. eine für Inventar, eine für Preise) zu integrieren, anstatt einer ganzheitlichen Berechnung. Das Erbe der Plattform zeigt sich – zentrale Bestandteile wie Nachfrageprognosen und Preisgestaltung stammen aus unterschiedlichen Ursprüngen, und die Angleichung ihrer Datenmodelle kann nicht trivial sein. Blue Yonders jüngster Vorstoß zu einem „Knowledge Graph“ und einheitlicher Planung ist im Wesentlichen eine Antwort auf vergangene Herausforderungen bei Integration und Geschwindigkeit ⁶. Planer berichten weiterhin, dass sie sich auf das Konfigurieren von Alerts und manuellen Überschreibungen im Blue Yonder-System verlassen, um Ausnahmen zu bewältigen. Kurzum, Blue Yonder ist leistungsstark, kann sich jedoch wie ein zusammengeflickter Patchwork an Fähigkeiten anfühlen – in jedem Bereich hervorragend, jedoch nicht so nahtlos in der gemeinsamen Optimierung, wie es die Marketingaussagen suggerieren.

3. o9 Solutions – KI-gestützte integrierte Plattform. Als neuerer Anbieter gewann o9 mit einer einheitlichen Planungsplattform an Fahrt, die Merchandising, Nachfrageprognosen, supply chain und sogar Revenue Management abdeckt. Im Modebereich wirbt o9 mit KI-gesteuerter Sortimentsplanung, Preisoptimierung und Promotionen – alles in einem System ^{7 8}. Ein entscheidendes Alleinstellungsmerkmal ist der Fokus auf externe Datenintegration: o9s „digitales Gehirn“ kann Marktindikatoren, Wettbewerberpreise und Online-Signale aufnehmen, um die Prognosen zu unterstützen. Technisch basiert o9 auf einer modernen, graphbasierten Cloud-Architektur, die die massiven RAM-Anforderungen eines einzelnen Servers vermeidet, wie sie bei älteren In-Memory-Systemen erforderlich sind. (Bemerkenswert ist, dass o9 darauf hinweist, dass SAPs in-memory IBP erhebliche Einschränkungen in der Skalierbarkeit der Dimensionen aufweist ⁹.) Das bedeutet, dass o9 besser skaliert für die hohen SKU-Store-Kombinationen und langen Größenskalen der Modebranche. Es strebt eine nahezu Echtzeit-Neuplanung an, die unbeaufsichtigte Entscheidungen ermöglichen könnte, wenn sie vollständig realisiert wird. Der skeptische Blick: Liefert o9 tatsächlich robotisierte Entscheidungen oder lediglich schnellere Analysen für Menschen? Frühe Berichte deuten darauf hin, dass, obwohl o9s Plattform flexibel ist, die vollständige Automatisierung nach wie vor eine umfangreiche Konfiguration und Validierung durch den Händler erfordert. Seine Versprechen von KI und „schneller Modellierung“ bedürfen einer kritischen Prüfung – ohne veröffentlichte Benchmarks sollte man vage Behauptungen etwa von X% Prognoseverbesserung hinterfragen (zumal vereinfachtes ML manchmal ausgefeiltere Modelle schlägt ¹⁰). o9s Partnerschaft mit Unternehmen wie JD Sports zur Optimierung des Mode-Sortiments ist ¹¹ vielversprechend, aber der Nachweis eines ROI sollte über Pressemitteilungen hinaus verlangt werden.

4. Oracle Retail (Oracle SCM) – Umfassende Suite mit Altlasten. Oracle bietet eine Vielzahl von Retail-Planungswerkzeugen (aus den Retek- und Demantra-Genesen), die von der finanziellen Planung des Warenmerchandisings über Sortimentsplanung, Nachfrageprognose (Oracle Retail Demand Forecasting Cloud Service) bis hin zur Preisoptimierung (nach der Übernahme von ProfitLogic) reichen. Auf dem Papier kann Oracles Mode-Lösung das gesamte Unternehmen in die Lage versetzen, Waren, Sortimente, Kampagnen, Preise und Promotionen zu „analysieren, zu planen und zu optimieren“ ¹². Sie unterstützt branchenspezifische Anforderungen der Mode wie saisonale Zuteilung und Größenschemata, und viele globale Modehändler haben ein oder mehrere ihrer Module implementiert. Realitätscheck: Oracles Suite ist kein einziges integriertes System, sondern eine Reihe von Modulen, die oft Batch-Integrationen erfordern. Tatsächlich wurden Datenintegrationslücken dokumentiert – beispielsweise weist Oracles eigene Integrationsanleitung darauf hin, dass sein Prognosesystem nur mit Bruttoumsatzdaten (ohne Retouren) und Ladenverkäufen (ohne Lagerlieferungen)* gespeist wurde ¹³. In einer Branche, die von hohen Retourenquoten geplagt ist, ist das Auslassen von Retouren aus den Nachfragedaten ein schwerwiegender Fehler, der zu verzerrten Prognosen führt, wenn er nicht manuell korrigiert wird. Dies verdeutlicht, wie Oracles getrennte Architektur (Merchandising vs. Planungssysteme) Inkonsistenzen verursachen kann. Die starke Abhängigkeit von Oracles In-Memory-Datenbank (Oracle Exadata/HANA-Äquivalente) führt zudem zu hohen Rechenkosten für große Mode-Datensätze – was effektiv diejenigen bestraft, die versuchen, feingranulare, probabilistische Prognosen für Millionen von SKU-Farb-Größenkombinationen im Speicher zu erstellen. Oracles Lösungen sind leistungsstark, aber nicht leichtgewichtig: Nutzer sehen sich oft langen Implementierungszeiten gegenüber und müssen die Übergaben zwischen Preis-, Sortiments- und Inventarwerkzeugen beaufsichtigen, um „gemeinsame“ Ergebnisse zu erzielen. Kurzum, Oracle bietet Breite, doch echte gemeinsame Optimierung erfordert individuellen Integrationsaufwand, und Skepsis gegenüber jeglichen Aussagen nahtloser, sofort einsatzbereiter Synergien ist angebracht.

5. RELEX Solutions – Retail-orientierter Optimierer mit wachsendem Umfang. RELEX, bekannt für seine Ursprünge in der Prognose im Lebensmitteleinzelhandel, hat sich mit einer einheitlichen Plattform in den Bereichen Nachfrageprognose, Nachschub, Allokation und nun Preisgestaltung ^{14 15} auch im Mode- und Spezialhandel etabliert. Seine Stärke liegt in der Automatisierung der Ladenauffüllung: Viele Nutzer loben RELEX für automatische Nachbestellungen und interfiliale Transfers, die sich an den aktuellen Verkaufszahlen orientieren – was in der Fast-Fashion, wo sich Trends wöchentlich ändern, ein Gewinn sein kann. RELEX hat kürzlich ein KI-gesteuertes Preisoptimierungsmodul eingeführt, das es Händlern ermöglicht, automatisierte Preisempfehlungen zu erhalten, die Regeln wie Margenziele oder Wettbewerberpreisangleichung ¹⁶ einhalten. Dies deutet darauf hin, dass RELEX beabsichtigt, gemeinsame Aktionen bei Inventar und Preis durchzuführen (z.B. die Optimierung von Markdown-Zeiten basierend auf Lagerbeständen und Wettbewerberaktivitäten). Das System verarbeitet von Natur aus Multi-Channel-Daten (Laden und E-Commerce) und ist zu probabilistischen Prognosen in der Lage, wobei es Planer auf Vertrauensbereiche hinweist. Skeptischer Blickwinkel: RELEXs Herkunft im Lebensmitteleinzelhandel (hohe Frequenz, relativ stabile SKUs) bedeutet, dass es sich an die schwierigeren Probleme der Mode – kurzlebige Produkte und dünne Historien – anpassen musste. Nutzer sollten untersuchen, wie RELEX neue Produkte oder Modetrends prognostiziert (verwendet es attributbasierte Modelle? Soziale Medien Signale?). Seine Preisoptimierung, wenn auch vielversprechend, ist neu – vermutlich regelbasiert mit KI-Prognosen anstelle einer erprobten, vollständigen Preiselastizitätsoptimierung. Zudem preist RELEX – wie viele andere auch – „anpassbare KI“ und One-Click-Integration an, was kluge Käufer in Frage stellen. Ohne detaillierte Benchmarks bleiben Behauptungen von magisch minimierten Lagerengpässen und Verschwendung Marketingversprechen. Trotzdem hat RELEX in mehreren Einzelhandelsfällen einen glaubwürdigen ROI im Bestandsmanagement gezeigt, und sein Schritt hin zu einer All-in-One-Optimierung (Kombination von Sortiments-, Inventar- und Preisentscheidungen) passt gut zu den Anforderungen der Mode – vorausgesetzt, diese Komponenten arbeiten wirklich zusammen und nicht als unabhängige Optimierer, die lediglich aneinander gehängt werden.

6. ToolsGroup – Spezialist für Inventaroptimierung, der in den Retail-Bereich diversifiziert. ToolsGroup machte sich einen Namen mit serviceorientierter Inventaroptimierung und Prognosen (seine SO99+ Software) und verwendet seit langem Techniken wie probabilistische Modelle für langsam drehende Produkte. Es wurde im Modebereich für die Bedarfsplanung eingesetzt, und eine ToolsGroup-Lösung half der italienischen Marke Miroglio Fashion dabei, ein 16%iges Umsatzwachstum und einen Margenzuwachs von €1M (laut einer Fallstudie) durch verbesserte Bestandsallokation und Sell-Through zu erreichen ¹⁷. In den letzten Jahren erweiterte ToolsGroup seinen Tätigkeitsbereich durch die Übernahme des Retail-Planungsanbieters JustEnough, wodurch dem Portfolio Module für Sortiment, Allokation, Promotionen und Preisgestaltung (Markdown) hinzugefügt wurden ¹⁸. Das Ergebnis ist, dass ToolsGroup nun eine End-to-End-Retail-Planungssuite mit Komponenten wie „Price.io“ und „Markdown.io“ für die Preisgestaltung und sogar einem „Demand Sensing“-Modul für kurzfristige Prognoseanpassungen vermarktet ^{19 20}. Auf dem Papier erfüllt dies alle Anforderungen für den Modebereich: von der ersten Einkaufsplanung bis hin zu Preisanpassungen in der Saisonmitte. Warum Skepsis? Weil die Integration dieser Bausteine durch ToolsGroup noch in Arbeit ist. Die erworbenen Module (z.B. Preisgestaltung) sind separate Produkte, die unter der Marke vereinigt wurden, was Fragen aufwirft: Teilen sie wirklich in Echtzeit dieselbe Engine und Daten, oder werden Ergebnisse als Batch-Output von einem zum anderen übergeben? Eine vermeintlich „gemeinsame“ Optimierung, die tatsächlich sequenziell abläuft (Prognose → Bestandsplan → separates Preisoptimierungs-Tool), kann wichtige Rückkopplungsschleifen verpassen. Zudem bedeutet der starke Einsatz von In-Memory-Berechnungen bei ToolsGroup historisch, dass das Skalieren auf riesige SKU-Store-Kombinationen kostspielig sein kann – wenngleich Cloud-Einsätze und effizientere Algorithmen in Entwicklung sind. Die Erwähnung von Schlagwörtern wie „Demand Sensing“ erfordert ebenfalls Vorsicht: Viele Anbieter verwenden diesen Begriff, um anzudeuten, dass ihre ML die Prognosen mit den neuesten Daten anpasst, aber ohne klare Hinweise auf Fehlerreduktion könnte es sich nur um ein ausgefeilteres exponentielles Glätten handeln. Zusammenfassend bietet ToolsGroup ein breites Lösungsspektrum und hat einen ROI in der Inventaroptimierung nachgewiesen, aber eine harschere Bewertung sollte prüfen, wie gut die neuen Retail-Module tatsächlich zusammenarbeiten und ob ihre „KI“ durch Ergebnisse jenseits einiger Fallstudien belegt ist.

7. SAP (SAP IBP for Retail) – ERP-Riese mit Lücken in der Modeplanung. SAP dominiert Backend-Systeme im Modebereich (viele nutzen SAP S/4HANA oder AFS für ERP) und bietet Integrated Business Planning (IBP) als Cloud-Planungs-Add-on an. SAP vermarktet seine branchenspezifische Lösung für Mode als in der Lage, „Waren, Sortimente, Kampagnen, Preise und Promotionen“ basierend auf Kundeneinblicken zu planen und zu optimieren ¹². In Wirklichkeit sind diese Fähigkeiten auf verschiedene SAP-Tools verteilt: Merchandising- und Sortimentsplanung können in SAP Merchandise Planning oder CAR (Customer Activity Repository) Analytics angesiedelt sein, während „Demand Sensing“ eine Funktion in IBP ist, die kurzfristige Signale zur Anpassung der Prognosen nutzt, und die Preisoptimierung möglicherweise über ein separates Modul oder eine Partnerlösung erfolgt. Zu den Stärken von SAP IBP gehört eine robuste statistische Prognosebibliothek und eine starke Integration in SAPs Transaktionsdaten – nützlich für Modeunternehmen, die bereits SAP nutzen und einen konsistenten Datenfluss wünschen. Aus technischer Sicht wirft SAP IBP jedoch Bedenken auf: Es handelt sich um ein In-Memory-System (auf HANA aufgebaut) mit bekannten Skalierungsbeschränkungen hinsichtlich Datenmenge und Dimensionalität ⁹. Die Planung auf granularer Ebene (Style-Farbe-Größe-Store) stößt schnell an diese Grenzen oder treibt die Cloud-Kosten in die Höhe, wodurch Nutzer aggregieren müssen und dadurch Details verloren gehen (z.B. Planung nach Style oder Region). Zudem neigt SAPs Philosophie weiterhin zu planergesteuerten Prozessen: Pläne werden erzeugt und dann von Menschen überarbeitet oder genehmigt, oft über Excel-ähnliche Schnittstellen, mit zahlreichen Alerts und Ausnahmen. Dies reicht nicht an das Ideal der „Autopilot“-Optimierung heran. In der Praxis ergänzen Unternehmen, die SAP für Mode nutzen, dieses oft mit eigenen Analysen oder eng fokussierten Tools (zum Beispiel Open-Source-ML für neue Produktprognosen oder Drittanbieter-Preisoptimierungssoftware) – ein Zeichen dafür, dass man SAP nicht einfach einschalten kann und sofort eine hochmoderne Optimierung erhält. Skeptiker sollten SAPs Schlagwörter (z.B. „demand sensing AI“) gezielt hinterfragen: Wie stark wurde der Prognosefehler tatsächlich reduziert und bei welchem Zeithorizont? Ohne transparente Benchmarks könnten diese Aussagen mehr Verkaufsrhetorik als Realität sein ²⁰. SAPs geplante Integrationen verbessern sich, aber solange es nicht gelingt, Preis-, Inventar- und Sortimentsentscheidungen in einem algorithmischen Ablauf zu vereinen, bleibt es eine solide, aber stückweise Lösung, die beträchtliche Nutzerexpertise erfordert, um Mehrwert zu schöpfen.

8. Andere Bemerkenswerte (Kinaxis, Anaplan, Nextail, etc.) – Nischenlösungen und aufstrebende Akteure. Einige andere Anbieter verdienen Erwähnung für die Mode supply chain, obwohl sie aufgrund von Umfang oder Reife hinter den Marktführern rangieren. Kinaxis bietet eine Hochgeschwindigkeits-Planungs-Engine (beliebt in komplexen Fertigungs supply chains) mit Parallelität und Szenariosimulation, ist jedoch nicht auf die Merchandising- oder Preisanforderungen der Mode zugeschnitten – es fehlt an nativen Assortment- oder Preisoptimierungsfunktionen. Anaplan stellt eine flexible Cloud-Modellierungsplattform bereit, die von einigen Modeeinzelhändlern für Waren- und Finanzplanung genutzt wird, fungiert aber im Wesentlichen wie eine verbesserte Tabellenkalkulation: Jede „Optimierung“ oder Prognoseintelligenz muss vom Benutzer aufgebaut werden, und sein im Speicher befindlicher „Hyperblock“ kann bei detaillierten Mode-Daten im Großmaßstab an seine Grenzen stoßen. Unter den Neueinsteigern sticht Nextail als ein Start-up hervor, das sich speziell auf die Optimierung des Modeeinzelhandels konzentriert und KI-gesteuerte Empfehlungen für Zuteilungen, Transfers und Rabatte bietet. Nextails Ansatz ist vielversprechend (ihre Gründer stammen aus dem Fast-Fashion-Bereich) und sie behaupten, mit mittelgroßen Modeketten Erfolg zu haben, jedoch fehlt es ihnen als aufstrebender Anbieter an nachgewiesener Skalierbarkeit für globale Unternehmenseinsätze.

Branchenherausforderungen erfordern einheitliche Lösungen

Die Mode- und Bekleidungsbranche stellt außergewöhnliche supply chain Herausforderungen dar, die verdeutlichen, warum gemeinsame Optimierung (von Lagerbestand, Preisen und Assortment) so entscheidend ist. Mode basiert auf saisonalen Kollektionen mit kurzen Lebenszyklen, konfrontiert mit extremer Trendvolatilität und komplexen Größen-/Farbvariationen. In den letzten Jahren sind die Prognosefehltritte der Branche schmerzhaft offensichtlich geworden: Milliarden von Dollar an unverkaufter Lagerware häufen sich jährlich an, was zu margenvernichtenden Preisnachlässen führt ²¹. Konsumenten erwarten nun immer schnellere, trendgesteuerte Produktzyklen, verkürzte Entscheidungsfristen und lassen Marken wenig Spielraum für Fehler ²². Traditionelle Nachfrage-Muster sind unzuverlässig geworden – externe Schocks (Pandemien, plötzliche von Influencern getriebene Trends oder wetterbedingte Anomalien) können die Daten des letzten Jahres nahezu irrelevant machen ²³. Dieses Umfeld erfordert ein neues Maß an Agilität und Intelligenz von supply chain Software.

Traditionelle Planungsansätze scheitern in der Mode: Viele Einzelhändler nutzen immer noch einen sequentiellen Planungsprozess – zuerst das Assortment entwerfen, dann Lagerbestand einkaufen und schließlich hoffen, dass durch Preisnachlässe oder Umverteilungen nach Bedarf reagiert werden kann. Dieser Wasserfall-Ansatz führt oft zu Überbeständen unbeliebter Modelle und zu Lagerengpässen bei Verkaufsschlagern, da die Entscheidungen nicht miteinander verknüpft wurden. Wie der Gründer von Lokad feststellt, haben Modeunternehmen historisch mit einem isolierten Prozess zu kämpfen, der mit einem Sortimentsplan beginnt und in einer reaktiven Räumung endet, anstatt einer kontinuierlichen Optimierung über den gesamten Produktlebenszyklus ^{24 25}. Es bedarf eines Systems, das gleichzeitig abwägt, welche Produkte zu kaufen sind, wie diese verteilt werden sollen und wann/wie Preise festgelegt oder Rabatte gewährt werden.

Gemeinsame Optimierung ist somit der heilige Gral: Eine Optimierung des Lagerbestands ohne Berücksichtigung der Preise wird verkennen, wie Preisnachlässe die Nachfrage ankurbeln, und eine isoliert durchgeführte Preisoptimierung kann über das Ziel hinausschießen, was entweder zu Lagerengpässen oder zu Gewinnverlusten führt ²⁶. Beispielsweise könnte eine Preis-Engine einen tiefen Preisnachlass empfehlen, um den Verkauf anzukurbeln, ohne zu realisieren, dass eine leichte Umverteilung des Lagerbestands zwischen den Filialen die Nachfrage zum vollen Preis befriedigen könnte. Ebenso könnte ein Assortment-Planer den Lagerbestand unter der Annahme statischer Preise zuteilen, während dynamische Preisgestaltung Überangebote oder Engpässe abmildern könnte. Die akademische supply chain Theorie hat schon lange hervorgehoben, dass Assortment, Lagerbestand und Preise voneinander abhängige Stellschrauben sind – jede Software, die nicht alle drei simultan adressiert, lässt Geld auf dem Tisch liegen (oder, schlimmer noch, verlagert Probleme). Bemerkenswerterweise gestalten Lokad und einige andere ihre Algorithmen explizit so, dass sie Nachfrageprognosen als Funktion des Preises einbeziehen und dadurch Preise und Lagerbestände gemeinsam optimieren ²⁶. Dies steht im Gegensatz zu den meisten traditionellen Ansätzen, bei denen die Preisgestaltung von einem separaten Team mit anderer Software durchgeführt wird und nur lose mit den Lagerzielen koordiniert ist.

Allerdings wissen Anbieter, dass die Behauptung „gemeinsame Optimierung“ attraktiv ist, weshalb wir solche Aussagen kritisch hinterfragen müssen. Rote Flaggen umfassen Lösungen, die durch Akquisitionen ein breites Portfolio erreicht haben: Wenn ein Anbieter ein Preistool durch den Kauf eines anderen Unternehmens hinzugefügt hat, könnte die echte Integration oberflächlich sein. Die Software könnte technisch alle Komponenten bieten, jedoch nicht in einem einzigen Modell oder einer einheitlichen Datenplattform. Dies wurde bei der Übernahme von JustEnough durch ToolsGroup deutlich – nun kann behauptet werden, dass Assortment- und Rabattoptimierung vorhanden sind, doch Benutzer könnten feststellen, dass es sich tatsächlich um ein separates Modul mit eigener Schnittstelle und eigenen Annahmen handelt. Ähnlich umfasst Oracles Suite die Rabattoptimierung (aus einer Übernahme von ProfitLogic im Jahr 2005) neben ihren Planungsmodulen; in der Praxis tauschen die beiden Dateien mit Prognosedaten aus, optimieren jedoch nicht gemeinsam in Echtzeit. Solche Anschlusslösungen führen oft zu technologischer Schuldenlast: unterschiedliche Datenschemata, doppelte Artikelstammdaten oder nächtliche Batch-Jobs zur Synchronisation der Daten. Das typische Anzeichen ist das Fehlen einer Einzel-Durchlauf-Optimierung. Kann ein Anbieter nicht alle relevanten Daten (Lagerpositionen, Prognoseverteilungen, Preiselastizität etc.) in einen Solver eingeben, um SKU-pro-Filiale-Zuteilungen und Preisempfehlungen auszugeben, dann ist die „gemeinsame“ Optimierung eher ein menschlicher Prozess als reine Mathematik. Käufer sollten vom Anbieter verlangen, aufzuzeigen, wie eine Preisänderung augenblicklich durch die Lagerentscheidungen durchschlägt und umgekehrt – alles andere ist im Wesentlichen iteratives Herumbasteln.

Zentrale technische Fähigkeiten: Eine skeptische Bewertung

Um in der Mode erfolgreich zu sein, muss supply chain Software in bestimmten technischen Merkmalen herausragen. An erster Stelle steht dabei die probabilistische Prognose. Traditionelle Punktprognosen (z. B. die Vorhersage, dass die Nachfrage im nächsten Monat 100 Einheiten beträgt) sind in der unsicheren Umgebung der Mode völlig unzureichend. Stattdessen liefern probabilistische Prognosen eine vollständige Verteilung möglicher Ergebnisse ²⁷ – was Planern ermöglicht, Risiken zu verstehen (z. B. gibt es eine 20%-ige Wahrscheinlichkeit, dass die Nachfrage 150 Einheiten übersteigen könnte) und entsprechend zu planen. Alle führenden Anbieter werben mittlerweile mit irgendeiner Form von probabilistischer oder „KI“-Prognose, doch auch hier ist Vorsicht geboten. Ein echtes probabilistisches System wird die Prognoseunsicherheit für Neuprodukte, lange Vorlaufzeiten und sogar Retouren quantifizieren. Beispielsweise haben Mode-eCommerce-Plattformen hohe Retourenquoten (oft 20–40 % des Umsatzes); ein ausgeklügeltes Tool sollte nicht nur den Verkauf, sondern auch den Retouren-Durchfluss prognostizieren und in die Nettodnachfrage für die Auffüllung einfließen lassen. Realität: Sehr wenige Anbieter beherrschen die Retourenprognose gut. Die meisten behandeln Retouren als einen deterministischen Prozentsatz, der abgezogen wird – was bei schnell wechselnden Trends zu Fehlern führen kann, wenn sich die Retourenraten verändern. Wir sahen bereits, dass Oracles Planung Retouren in seinem Datenfeed nicht herausrechnet ¹³ – ein eklatanter Ausschluss. Die fortschrittlicheren Ansätze (Lokad, teilweise RELEX) berücksichtigen Retourenverteilungen in ihren Prognosemodellen.

Skalierbarkeit und rechnerische Effizienz sind ein weiteres entscheidendes Merkmal. Modeeinzelhändler können leicht Millionen von SKU-Standort-Kombinationen haben (z. B. 10.000 SKUs in Hunderten von Filialen und einem Online-Kanal, multipliziert mit Farb-/Größenvarianten). Lösungen, die auf riesigen In-Memory-Cubes oder manuellen Tabellenkalkulationen beruhen, stoßen bei diesem Maßstab an ihre Grenzen. SAP IBP, beispielsweise als In-Memory-Lösung, hat bekannte Einschränkungen hinsichtlich der Anzahl der Kennzahlen und Dimensionen, die gehandhabt werden können, bevor die Leistung nachlässt ⁹. Aus diesem Grund planen einige SAP-Nutzer auf einer höheren Aggregationsebene, wodurch Granularität verloren geht. Im Gegensatz dazu nutzt Lokad Cloud Computing, um große stochastische Modelle zu berechnen, ohne dass alles gleichzeitig im Speicher gehalten werden muss, und o9 behauptet einen ähnlichen cloud-nativen Ansatz. Auch spielt die Kosteneffizienz eine Rolle: Eine Lösung, die einen Cluster teurer Server und stundenlange Laufzeiten pro Plan benötigt, ist weniger praktikabel für eine häufige Ausführung. Wir sprechen Anerkennung an Tools aus, die moderne Rechenmethoden (z. B. GPU-Beschleunigung, verteiltes Rechnen) nutzen, um tägliche oder sogar intra-tägliche Reoptimierungen zu ermöglichen. Es wird kritisch gesehen, wenn Anbieter einfach nur mehr Hardware einsetzen – beispielsweise bat die Lösung eines großen Anbieters einige Kunden effektiv, 256 GB RAM für die Planungs-Engine bereitzustellen, ein brutal erzwungener Ansatz, der die IT-Kosten in die Höhe treibt. Skalierbarkeit bezieht sich nicht nur auf Big Data, sondern auch auf Geschwindigkeit: Kann das System schnell neu planen, wenn sich die Bedingungen ändern? Im schnelllebigen Modebereich sollte die Software, wenn ein Trendartikel plötzlich in den sozialen Medien durchstartet, den Nachfrageschub (über POS-Daten oder sogar externe Trenddaten) erkennen und den Lagerbestand umverteilen oder einen erneuten Einkauf vorschlagen innerhalb von Tagen, wenn nicht sogar Stunden. Alte Batch-Planungssysteme, die wöchentliche Zyklen fahren, können damit nicht umgehen, was zu entgangenen Verkäufen oder überreaktivem manuellen Eingreifen führt.

Eine weitere Schlüsselfähigkeit ist die Erfassung von Wettbewerbsintelligenz und anderen externen Signalen. Mode ist ein hochkompetitives, trendgetriebenes Geschäft – wenn ein Konkurrent ähnliche Produkte rabattiert oder ein bestimmter Stil auf TikTok boomt, wird dies Ihre Nachfrage beeinflussen. Dementsprechend beginnen erstklassige Lösungen, solche Daten zu integrieren. Beispielsweise kann Lokads Plattform Wettbewerber-Preis-Crawls (über Web-Scraping-Feeds) integrieren, sodass Preisentscheidungen im Kontext und nicht isoliert getroffen werden ^{28 29}. Das Preismodul von RELEX unterstützt zudem Regeln, um „Konkurrenzpreise anzugleichen“ als eine der automatisierten Strategien ¹⁶. Die skeptische Sichtweise ist, dass viele Anbieter der externen Datenintegration nur Lippenbekenntnisse leisten. Einige behaupten, über „Demand Sensing“ mittels sozialer Medien oder Wetterdaten zu verfügen – aber gibt es nachweisliche Verbesserungen, oder handelt es sich nur um eine Checkbox-Funktion? Wir empfehlen, nach konkreten Beispielen zu fragen: z. B. „Zeigen Sie, wie Ihre Prognose auf den 20%-Rabatt eines Konkurrenten letzten Monat reagiert hat. Wurde sie automatisch angepasst und war die Anpassung präzise?“ Wenn der Anbieter nur sagen kann „unser System ist fähig, wenn man es konfiguriert“, dann ist es vermutlich nicht wirklich in die algorithmische Logik eingebettet. Insbesondere sollte die Integration von Konkurrenzpreisen sowohl die Nachfrageprognosen als auch die Preisoptimierung beeinflussen – nur wenige Systeme können dies wirklich gut. Häufig wird dies von separaten Preisgestaltungsteams gehandhabt, was eine verpasste Gelegenheit für den supply chain Optimizer darstellt, Nachfrageschwankungen vorauszusehen. Fazit: Ein modernes supply chain Tool im Modebereich sollte externe Daten als erstklassigen Input behandeln und nicht als nachträglichen Gedanken. Fehlt dies, hinkt es hinterher.

Grad der Automatisierung ist vielleicht der deutlichste Unterschied zwischen traditionellen und Next-Gen-Lösungen. Das ultimative Ziel ist unbeaufsichtigte, robotisierte Entscheidungsfindung: ein System, das automatisch Bestell-, Zuteilungs- und Preisentscheidungen generiert, die so verlässlich sind, dass sie mit minimalen manuellen Anpassungen ausgeführt werden können. Das ist keine Science-Fiction – im Wesentlichen handelt es sich hierbei um das, was Amazon intern für viele Produkte praktiziert. Dennoch erreichen die meisten Anbieter noch nicht die vollständige Automatisierung, sondern bieten stattdessen eine Entscheidungsunterstützung mit Menschen im Entscheidungsprozess. Viele Planungssysteme bombardieren die Benutzer mit Alarmen und Ausnahmen: z. B. „diese 500 SKUs verzeichnen ungewöhnliche Verkaufszahlen, überprüfen Sie deren Prognosen“ oder „bei diesen Artikeln ist ein Lagerengpass prognostiziert, überlegen Sie eine Beschleunigung“. Zwar sind Ausnahmen besser als gar nichts, doch die Abhängigkeit davon zeigt, dass das System diese Probleme nicht eigenständig lösen kann. Wie ein supply chain Experte scherzte: „Die meisten Unternehmen, die glauben, sie würden nach Ausnahmefällen steuern, managen tatsächlich nach Alarm… und nach Alarm zu steuern, hilft, aber nur bedingt.“ ³⁰. Das skaliert Ihre Planer lediglich von vielleicht 1.000 auf 10.000 SKUs; eine wirklich ausnahmebasierte (fast vollständig automatisierte) Planung würde einem Planer ermöglichen, Hunderte Tausende von SKUs zu überwachen ³⁰. Wir kritisieren stark Lösungen, die übermäßig auf benutzerdefinierte Regeln oder endloses Parametertuning setzen. Wenn beispielsweise eine Software erfordert, dass Planer manuell Serviceniveau-Ziele für jeden Artikel festlegen oder aus 20 Prognosemodellen pro SKU wählen müssen, wird dem Benutzer Arbeit aufgebürdet, die eigentlich die Maschine übernehmen sollte. Dies war bei älteren Tools üblich (Planer wählten oft „model Type=Winter’s seasonal“ für eine SKU basierend auf ihrem Urteil). Moderne, KI-basierte Systeme sollen sich automatisch anpassen und lernen, anstatt den Benutzer zum Herumfummeln an den Reglern aufzufordern. Ebenso sollte man vorsichtig sein bei jedem Anbieter, der behauptet, „unser Tool wird markieren, was Ihre Aufmerksamkeit erfordert“ als primären Vorteil – warum kann das Tool diese Routineaufgaben nicht selbst lösen? Je autonomer das System tatsächlich ist, desto besser kann es ROI liefern, ohne dass die Arbeitskosten in die Höhe schnellen. Lokad etwa hat seine Philosophie der Entscheidungsautomatisierung veröffentlicht und argumentiert, dass der wahre Wert darin liegt, den menschlichen Engpass in alltäglichen Entscheidungen zu beseitigen ¹. Der Nachteil dabei ist, dass das Vertrauen in eine Maschine verlangt, dass sie dieses Vertrauen durch Genauigkeit und Transparenz verdient. Deshalb legen wir Wert auf Beweise wie den M5-Prognosewettbewerb: Ein Anbieter, der nachweisen kann, dass seine automatisierten Prognosen die der Konkurrenz schlagen, schafft das Vertrauen, ihm die Steuerung von Entscheidungen zu überlassen ^{3 20}. Im Gegensatz dazu sollten Anbieter, die keine solchen Beweise vorlegen können, aber „KI-Magie“ versprechen, mit gesunder Skepsis betrachtet werden.

Marketingversprechen vs. Realität: Substanz fordern

In dieser Marktforschung tritt ein klares Muster zutage: Anbieter sind im Marketing sehr gut, in der Umsetzung jedoch uneinheitlich. Als Fachleute mit einem ingenieurwissenschaftlichen Denkansatz begegnen wir jeglichen Behauptungen, die nicht durch Daten oder einen Vergleich mit Mitbewerbern gestützt werden, mit tiefgreifender Skepsis. Zum Beispiel, wenn ein Anbieter nach Einsatz seiner Software „50% Reduktion von Fehlbeständen“ oder „20% Umsatzsteigerung beim Sell-through“ bewirbt, fragen Sie: „Im Vergleich zu welcher Ausgangsbasis? Über welchen Zeitraum, und gab es ein kontrolliertes Experiment?“ Viel zu oft stammen solche Zahlen aus einmaligen Fallstudien, in denen Einflüsse wie neu eröffnete Filialen, die allgemeine Markterholung etc. nicht kontrolliert wurden. Öffentliche Wettbewerbe wie die M5 Forecasting Challenge bieten einen seltenen objektiven Benchmark – und bezeichnenderweise haben nur wenige der bekannten Anbieter ihre Technologie solchen Prüfungen unterzogen. Eine Ausnahme war Lokad, das nicht nur teilnahm, sondern auch hervorragend abschnitt ³. Das Ausbleiben vergleichbarer Ergebnisse bei anderen bedeutet nicht, dass diese per se minderwertig sind, sollte aber Käufer dazu veranlassen, rosige Behauptungen von „führenden KI-Prognosen“ zu hinterfragen, wenn diese Ansprüche nicht extern geprüft wurden. Bei der M5 übertraf ein Ensemble relativ einfacher Machine-Learning-Methoden die komplexeren Deep-Learning-Ansätze ¹⁰ – ein Resultat, das uns davor warnen sollte, dem Hype zu verfallen. Falls ein Anbieter ein „Deep-Learning“-Prognosemodul anpreist, sollte man fragen, ob es tatsächlich besser ist als gut abgestimmte, einfachere Modelle – die Antwort ist nicht offensichtlich, wenn nicht Fehlerkennzahlen oder Wettbewerbsergebnisse offengelegt werden.

Buzzwords verdienen besondere Erwähnung. Begriffe wie „demand sensing,“ „AI-powered,“ „machine learning,“ „plug-and-play integration,“ und zuletzt „generative AI“ prangen auf Anbieterbroschüren. Unser Forschungsansatz behandelt diese als rote Flaggen, sofern nicht das Gegenteil bewiesen ist. Demand sensing bezieht sich beispielsweise meist darauf, sehr aktuelle Verkaufsdaten sowie eventuell Wetter- oder Social-Media-Daten zu nutzen, um kurzfristige Prognosen anzupassen. Es klingt großartig – wer möchte nicht die Nachfrage „spüren“? – aber in der Praxis könnte der Einfluss nur marginal sein (und wenn Ihre Ausgangsprognose schlecht war, wird eine kurzfristige Anpassung um 10% Sie nicht retten). Wir stellten fest, dass Anbieter, die Demand Sensing offerieren, selten die tatsächliche Reduktion des Prognosefehlers veröffentlichen, was den Verdacht nahelegt, dass es sich um grundlegende Funktionen handelt, die lediglich mit einem KI-Ansatz neu verpackt wurden. „Plug-and-play integration“ ist ein weiteres Beispiel: Jeder erfahrende IT-Architekt im Einzelhandel wird schmunzeln, wenn man ihm vor Augen führt, dass die Integration von Planungssoftware in ein ERP, eine E-Commerce-Plattform, mehrere Kassensysteme und vielleicht ein PLM für Produktdaten jemals als Plug-and-Play realisierbar sein könnte. Datenintegration ist hart und chaotisch – besonders wenn es um die Bereinigung von Modedaten geht, bei denen etwa eine Farbe über Systeme hinweg fünf verschiedene Bezeichnungsvarianten haben kann. Ein Anbieter, der behauptet, es sei mühelos, hat es vermutlich noch nicht in einer komplexen Umgebung umgesetzt oder verwendet Konnektoren, die zwar grundlegende Felder abdecken, aber dennoch erhebliche Anpassungen erfordern. Daher raten wir zur Skepsis: Sehen Sie solche Angaben als mögliche Herunterspielung des tatsächlichen Aufwands. Fragen Sie stets nach Kundenreferenzen hinsichtlich des Integrationsaufwands und des Zeitplans.

Wir heben auch das Thema Akquisitionen und technologische Schulden hervor. Viele Anbieter auf „Enterprise-Level“ sind heute Konglomerate ehemals separater Unternehmen. Dies gilt für Blue Yonder (JDA + i2 + Blue Yonder AI + weitere), Oracle (Retek + ProfitLogic + Demantra etc.), Infor, Aptos und viele mehr. Obwohl Akquisitionen neue Fähigkeiten mit sich bringen können, hinterlassen sie den Anbieter oft mit einem Flickenteppich an Codebasen. Für Käufer kann dies zu einer uneinheitlichen Nutzererfahrung und einem langsameren Innovationstempo führen – da die F&E des Anbieters häufig damit beschäftigt ist, disparate Komponenten zum Laufen zu bringen. So dauerte es beispielsweise nach der Übernahme der KI-Engine von Blue Yonder durch JDA eine Weile, diese Algorithmen in die Produkte von JDA zu integrieren – und einige Kunden erlebten Verwirrung aufgrund sich überschneidender Tools. Im schlimmsten Fall wird der Buzzword „Integration“ genutzt, um Ihnen im Grunde zwei separate Produkte zu verkaufen, die Sie selbst zusammenführen müssen. Seien Sie daher äußerst wachsam: Wenn das Pricing-Modul eine andere Benutzeroberfläche oder einen anderen Technologiestack als das Inventarmodul aufweist, ist das ein deutlicher Hinweis. Wenn zudem das Support-Team für Forecasting getrennt von dem für Pricing-Optimierung agiert, liegt der Verdacht nahe, dass die Systeme ursprünglich nicht als Einheit konzipiert wurden. Der skeptische Ansatz in der Marktforschung besteht darin, Anbieterangaben zur „einheitlichen Plattform“ nicht ungeprüft hinzunehmen – stattdessen sollten detaillierte technische Fragen gestellt werden. Beispielsweise: „Gibt es ein gemeinsames Datenmodell und eine zentrale Datenbank für alle Module, oder müssen wir periodisch Daten zwischen den Modulen synchronisieren?“ oder „Kann Ihre Optimierung in einem Durchlauf sowohl Preis- als auch Inventarbegrenzungen berücksichtigen, oder optimieren wir nacheinander?“ Vage Antworten in diesem Zusammenhang deuten oft auf eine lose integrierte Lösung hin.

Abschließend kommen wir zum ROI – dem ultimativen Maßstab, der durch den Hype hindurchschneidet. Die Fashion supply chain software, die langfristig erfolgreich ist, wird diejenige sein, die nachweislich Geld einbringt oder einspart. Dies könnte etwa durch höhere Sell-through-Raten auf Vollpreis (weniger Preisnachlässe), niedrigere Lagerhaltungs- und Veralterungskosten, verbesserte Kundenzufriedenheitswerte (weniger Fehlbestände bei begehrten Artikeln) oder durch eine schnellere Reaktion auf Trends (Umsatzerfassung bei heißen Artikeln) geschehen. Die Anbieter, die wir am höchsten bewerten, schätzen wir aufgrund ihrer technischen Qualität als am besten geeignet für diese Ergebnisse ein. Doch selbst bei ihnen bewahren wir ein gewisses Maß an Zweifel, bis die Resultate bewiesen sind. Beispielsweise sollte Lokads probabilistischer Ansatz konzeptionell zu einem besseren ROI bei der Inventarverwaltung führen – sie zitieren Fälle und Wettbewerbssiege zu diesem Zweck – dennoch sollte ein potenzieller Kunde einen Pilotversuch durchführen, um den ROI im eigenen Kontext zu verifizieren. Blue Yonder mag einen Kunden anführen, der durch optimierte Preisnachlässe seine Margen steigerte – doch war es die Software oder die Strategie des Teams, die dies ermöglichte? Skepsis bedeutet stets, nach der glaubwürdigen Ausgangsbasis zu fragen: Wie wurden die Dinge zuvor gehandhabt, und wie genau hat die Software diese statistisch verbessert? Zudem warnen wir davor, dass der ROI die Total Cost of Ownership umfassen sollte. Eine Lösung, die zwar Kennzahlen verbessert, jedoch mit enormem Personaleinsatz verbunden ist (Planer, die unzählige Stunden mit dem System verbringen oder IT-Mitarbeiter, die Monate in die Integration investieren müssen), könnte den ROI durch erhöhte Arbeitskosten schmälern. Wahre Next-Gen-Lösungen streben einen hohen ROI bei geringem Aufwand durch Automatisierung an. So könnte ein vollständig robotisiertes System es einem Unternehmen ermöglichen, Planer auf wertschöpfendere Aufgaben (wie Produktentwicklung) umzustellen – ein versteckter ROI in Form gesteigerter Arbeitseffizienz.

Abschließend entwickelt sich der Markt für Fashion & Apparel supply chain optimization software hin zu ganzheitlicheren, intelligenteren und automatisierten Lösungen – dabei wimmelt es jedoch von überzogenen Versprechen. Eine skeptische, ingenieurorientierte Bewertung zeigt, dass derzeit nur wenige Anbieter (insbesondere jene wie Lokad, o9 und einige auf den Einzelhandel spezialisierte) dem Ideal der gemeinsamen Optimierung mit technischer Exzellenz nahekommen. Andere, darunter große Traditionsunternehmen, bieten lediglich einzelne Puzzleteile mit unterschiedlichem Integrationsgrad an und erfordern eine sorgfältige Handhabung, um den tatsächlichen Mehrwert zu sichern. Für Entscheidungsträger im Modeeinzelhandel lautet die Devise klar: Bestehen Sie auf Substanz statt auf Stil. Das heißt, verlangen Sie Belege für jeden behaupteten Nutzen, verstehen Sie die technischen Grundlagen (und deren Einschränkungen) jeder Lösung und wählen Sie letztendlich eine Plattform, die mit dem schnellen, volatilen Rhythmus der Branche harmoniert – eine Plattform, die algorithmisch Inventar-, Preis- und Sortimentsentscheidungen über Tausende von SKUs und Filialen mit minimaler menschlicher Intervention jonglieren kann. In einem Sektor, der durch Trendunsicherheiten und knappe Margen gekennzeichnet ist, werden die Gewinner diejenigen sein, die Technologie einsetzen, die nicht nur fortschrittlich, sondern auch glaubhaft und nachweislich leistungsfähig ist. Wie die Daten zeigen, ist eine gesunde Portion Skepsis bei der Auswahl von supply chain software nicht nur klug – sie ist notwendig, um den Lärm zu durchdringen und in Lösungen zu investieren, die tatsächlich Ergebnisse liefern ²⁰.

Fußnoten