Saisonplanung mit KI-Unterstützung

Das echte Ausmaß des Problems

Saisonale Fehlplanungen sind im Handel eine der kostspieligsten Fehlerquellen. Der Bundesverband des Deutschen Textilhandels (BTE) schätzt, dass deutsche Modehändler jährlich 10 bis 15 Prozent des Wareneinsatzes durch Überbestände am Saisonende abschreiben oder zu stark reduzierten Preisen abverkaufen müssen. Bei einem Einkaufsvolumen von 500.000 Euro bedeutet das 50.000 bis 75.000 Euro jährliche Verluste allein durch Fehlplanung.

Gleichzeitig passiert das Gegenteil: Saisonwaren werden zu spät eingekauft und die Saison ist gelaufen, bevor die richtige Menge vorrätig ist. Ein Händler, der Grillzubehör bestellt, wenn das erste Sommerwochenende kommt, hat einen Vorlauf von 6 bis 8 Wochen, die Nachfragespitze ist vorbei, wenn die Ware eintrifft.

Das dritte Problem ist Aktionsmanagement. Wann ist der optimale Zeitpunkt für eine Sommeraktion? Wann beginnt das Weihnachtsgeschäft wirklich, nicht kalendarisch, sondern in der Kaufrealität deiner Kunden? In welcher Woche sollte man mit dem Winterschlussverkauf beginnen, um noch echte Nachfrage zu bedienen, ohne zu früh die Marge zu zerstören? Diese Entscheidungen basieren in den meisten Betrieben auf Erfahrung, und Erfahrung berücksichtigt keine aktuellen Marktveränderungen.

Google-Trends-Daten zeigen: Suchanfragen nach Grillprodukten steigen je nach Witterung 3 bis 5 Wochen vor dem ersten tatsächlichen Kaufimpuls. Das ist ein vorauslaufendes Signal, das für die Saisonplanung nutzbar ist, wenn man es systematisch liest.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Saisonplanung passiert ein bis viermal jährlich, nicht täglich. Die eingesparte Zeit pro Planungszyklus ist spürbar, aber im Vergleich zu Schichtplanung (wöchentlicher Zeitgewinn) oder Produkttexten (täglicher Durchsatz) ist der Zeithebel gering. Das ist ein Qualitätsgewinn, kein täglicher Effizienzgewinn.

Kosteneinsparung, hoch (4/5) Der Hebel ist direkt und groß: Überbestände sind buchbare Verluste, verpasste Nachfragespitzen sind entgangener Umsatz. Wer 12 % Saison-Abschreibungen auf 8 % senkt, spart bei 500.000 Euro Wareneinsatz 20.000 Euro pro Jahr, das ist einer der größten Kostenhebel im Handel, vergleichbar mit Bestandsoptimierung.

Schnelle Umsetzung, mittel (3/5) Mit ChatGPT oder Julius AI kannst du die erste historische Analyse in ein bis zwei Tagen machen. Vollständige Integration mit Automatisierung und Echtzeit-Dashboards braucht 2 bis 4 Wochen. Kein ERP-Umbau nötig, aber du brauchst 2 bis 3 Jahre Verkaufshistorie als saubere Datengrundlage.

ROI-Sicherheit, mittel (3/5) Das Modell verbessert Prognosen gegenüber Bauchgefühl, aber du kannst die Qualität erst nach einer Vergleichssaison beurteilen. Anders als bei Such-Conversion gibt es keinen sofortigen Nachweis. Dazu kommt: Externe Faktoren (Wetter, Wirtschaftslage, Wettbewerb) können Prognosen trotz guter Methodik verfehlen.

Skalierbarkeit, niedrig (2/5) Die Saisonplanung ist das einzige Instrument in dieser Branche, das aktiv anti-skalierbar ist: Jede neue Saison bringt neue externe Variablen, die das Modell nicht kennt. Wachsendes Sortiment bedeutet mehr Kategorien und mehr Planungsarbeit. Ein Händler mit 15 statt 5 Produktkategorien hat keinen Effizienzgewinn durch das Tool, nur mehr Datenpflege.

Richtwerte, stark abhängig von Sortimentssaisonalität und Datentiefe der historischen Verkaufsdaten.

Was KI-Saisonplanung konkret macht

Das Verfahren heißt multivariate Zeitreihenanalyse. In der Praxis:

Das System analysiert deine Verkaufsdaten nach Woche und Produktkategorie über mindestens 2 bis 3 Jahre und identifiziert wiederkehrende Saisonmuster: Wann beginnt die Saison? Wie steil ist der Anstieg? Wo liegt der Höhepunkt? Wann beginnt der Abfall?

Zusätzlich fließen externe Signale ein: Google-Trends-Daten für deine Schlüsselbegriffe (als vorauslaufender Indikator), Wetterprognosen für wetterabhängige Kategorien, Ferienkalender für schulabhängige Sortimente. Diese Kombination erlaubt Prognosen, die einzeln keine der Quellen liefern könnte.

Der Output ist kein Zahlenberg, sondern konkrete Entscheidungsunterstützung: Empfohlenes Bestelldatum pro Kategorie (unter Berücksichtigung deiner Lieferzeiten), empfohlene Bestellmenge (mit Konfidenzintervall), und empfohlene Aktionszeitpunkte mit Begründung.

Konkrete Werkzeuge, was wann passt

Julius AI, Für datengetriebene Saisonanalysen: Historische Verkaufsdaten als CSV hochladen, saisonale Muster per Chat identifizieren lassen, Prognosen für die nächste Saison generieren. Günstig und ohne ERP-Integration. Ab 20 $/Monat.

Power BI, Für visuelle Saisonplanung: Heatmaps der Verkaufsintensität nach Woche und Kategorie, Vorjahresvergleiche, Trendlinien. Gut als Planungsdashboard für Einkaufs- und Marketingteam. Kostenlos bis 10 €/Nutzer/Monat.

ChatGPT, Als Analyseassistent mit CSV-Upload: Verkaufsdaten hochladen, saisonale Muster identifizieren lassen, Prognosen für optimale Einkaufszeitpunkte generieren. Ab 20 $/Monat.

Google Trends, Kostenlos nutzbar für Trendanalysen: Suchvolumen-Entwicklung für Produktkategorien als Frühindikator. Exportierbar als CSV für KI-Analysetools. Kein Ersatz für eigene Daten, aber wertvoller zusätzlicher Signal.

make.com, Für automatisierte Planungsworkflows: Google-Trends-Daten wöchentlich abrufen, mit Vorjahreswerten vergleichen, Benachrichtigungen senden wenn eine Saison signifikant früher beginnt.

Datenschutz und Datenhaltung

Saisonplanung arbeitet mit Verkaufsdaten auf Produktebene, keine Kundendaten, keine personenbezogenen Informationen, wenn aggregiert gearbeitet wird. DSGVO-Relevanz ist minimal.

Wenn Kassendaten personenbezogene Transaktionsdaten enthalten (z. B. Kundenkarten-Zuordnungen), solltest du für die Saisonanalyse auf aggregierte Exportformate zurückgreifen, Umsatz und Menge pro Artikel pro Woche, ohne Kundenbezug. Das ist für die Saisonplanung ausreichend und datenschutzrechtlich unkompliziert.

Bei API-Nutzung von ChatGPT oder Julius AI mit Produktverkaufsdaten: Kein Geschäftsgeheimnis-Risiko, wenn Kundendaten nicht enthalten sind. Trotzdem: Auftragsverarbeitungsvertrag mit dem Tool-Anbieter abschließen.

Was es kostet, realistisch gerechnet

Einstieg (ChatGPT + Google Trends + Excel)

• ChatGPT Plus: 20 $/Monat
• Google Trends: kostenlos
• 2–3 Stunden pro Saison für Analyse und Planung

Professionell (Power BI oder Tableau + Julius AI)

• Julius AI: 20 $/Monat
• Power BI Pro: 10 €/Nutzer/Monat
• Automatisierte Dashboards, visuelles Saison-Reporting

ROI-Szenario: Modehändler mit 600.000 € Jahresumsatz, bisher 12 % Saison-Abschreibungen (72.000 €). Durch bessere Saisonplanung Überbestände um 40 % reduziert (Schätzwert aus Praxisberichten) = 28.800 € weniger Abschreibungen. Gleichzeitig: 3 mal den richtigen Aktionszeitpunkt erwischt → geschätzter Mehrumsatz 8.000 €. Tool-Kosten: 500–800 €/Jahr. Netto-Effekt: über 35.000 €, wenn die Planung konsequent umgesetzt wird.

Der Knackpunkt: Die KI gibt dir die Empfehlung. Ob der Einkäufer sie auch umsetzt, wenn der Lieferant noch keine Kapazität hat oder die Geschäftsführung zögert, entscheidet über den tatsächlichen ROI.

Drei typische Einstiegsfehler

Fehler 1, Zu wenig historische Daten Saisonplanung braucht mindestens 2 vollständige Saisonzyklen als Datenbasis. Wer nur 12 Monate hat, kann keine Saisonmuster erkennen, er sieht nur einen Jahresverlauf. Mindest-Anforderung: 24 Monate, besser 36. Wer das nicht hat, sollte mit der manuellen Aufzeichnung beginnen, bevor er KI-Tools einsetzt.

Fehler 2, Nur eigene Daten, keine externen Signale Eigene Verkaufsdaten zeigen, was passiert ist, nicht was passieren wird. Google-Trends-Daten und Wetterprognosen sind vorauslaufende Signale, die in deinen eigenen Daten noch nicht sichtbar sind. Wer sie nicht einbezieht, plant reaktiv statt proaktiv.

Fehler 3, Planungsergebnisse nicht dokumentieren und prüfen Nach einer Saison musst du vergleichen: Wie weit lag die Prognose daneben? Warum? Was hätte besser geplant sein müssen? Ohne diesen Vergleich lernt weder das Modell noch das Team. Saisonplanung verbessert sich iterativ, wer nicht dokumentiert, dreht im Kreis.

Was mit der Einführung wirklich passiert, und was nicht

In der ersten Saison mit KI-Unterstützung wirst du Muster sehen, die du vorher nicht bewusst wahrgenommen hast, „Die Sommersaison beginnt bei uns faktisch in Woche 15, nicht Woche 18, wie wir immer dachten.”

Was nicht passiert: Deine Prognosen werden nicht perfekt. Wetter-Anomalien, Wettbewerbsaktionen oder wirtschaftliche Einbrüche liegen außerhalb jedes Modells. Die KI verbessert den Erwartungswert deiner Planung, sie beseitigt keine Unsicherheit.

Was oft überrascht: Der wertvollste Output ist manchmal nicht die Prognose, sondern die historische Analyse. Teams stellen fest, dass sie jahrelang in eine falsche Richtung geplant hatten, der Schlussverkauf zu früh begonnen, der Einkauf zu konservativ. Diese Erkenntnis allein ist mehrere Tausend Euro wert.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Markt ist unvorhersehbar, Wetter und Trends ändern sich zu schnell.” Unvorhersehbarkeit ist kein Argument gegen Planung, es ist ein Argument für bessere Planung mit Frühindikator-Systemen. Wetter ändert sich, aber es tut das mit vorlaufenden Signalen. Wetterprognosen und Trends geben dir Information, die intuitive Planung nicht hat.

„Wir haben das immer so gemacht, und es funktioniert.” Wenn es wirklich gut funktioniert, wird eine Analyse das bestätigen. Wenn die Abschreibungen am Saisonende regelmäßig über 10 Prozent liegen, funktioniert es nicht gut, es ist nur alternativlos. Daten zeigen, was wirklich passiert.

„Prognosen werden sowieso falsch liegen.” Prognosen werden immer in irgendeinem Maß falsch liegen. Der Punkt ist: Eine datenbasierte Prognose liegt systematisch weniger falsch als eine intuitive. Ziel ist nicht Perfektion, Ziel sind bessere Entscheidungen als zuvor.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du mindestens zwei vollständige Saisonzyklen als Datengrundlage hast
• Dein Sortiment stark saisonabhängig ist (mehr als 30 % des Umsatzes in 2–3 Monaten)
• Überbestände am Saisonende ein wiederkehrendes, messbares Problem sind

Das passt noch nicht zu dir, wenn:

• Du weniger als 18 Monate Verkaufshistorie hast, die Datenbasis ist zu dünn
• Dein Sortiment kaum saisonal ist, der Effekt wäre gering
• Dein Einkaufsprozess ist so flexibel (lokale Lieferanten, kurze Vorlaufzeiten), dass Planungsoptimierung keinen Vorteil bringt

Das kannst du heute noch tun

Exportiere die Wochenverkaufsdaten der letzten 2 bis 3 Jahre für deine drei umsatzstärksten Produktkategorien. Lade sie als CSV in ChatGPT und stelle die folgende Frage.

Quellen & Methodik

• Bundesverband des Deutschen Textilhandels BTE (2023): „BTE Handelspanel”, Saisonale Abschreibungsquoten im deutschen Modehandel; bte.de
• Google Trends (2024): Analyse von Suchanfragen-Saisonalität für Handel-Kategorien, kostenlos nutzbar; trends.google.com
• IFH Köln (2022): „Planungsprozesse im stationären Einzelhandel”, Einblicke in Einkaufsplanungs-Praxis; ifhkoeln.de
• Erfahrungswerte: Eigene Beobachtungen aus Saisonplanungs-Projekten mit deutschen Fachhändlern