Sortimentslokalisierung nach Klimaregion

Das echte Ausmaß des Problems

Deutschland gilt im europäischen Vergleich als klimatisch homogen, aber das stimmt für die Einkaufsplanung von Filialisten nicht. Zwischen Hamburgs Nordseeküste und dem Münchner Alpenvorland liegt ein Jahresmitteltemperaturunterschied von 8°C. Freiburg im Breisgau gilt als sonnigste Großstadt Deutschlands mit Weinbauklima, während die Lausitz kontinentale Sommer mit 35°C kombiniert mit Wintern bis minus 20°C erlebt. Brandenburg und die Niederlausitz sehen 400 mm Jahresniederschlag, rund halb so viel wie die Allgäuer Voralpen.

Für einen Textilhändler, einen Baumarkt oder einen Gartencenter-Filialbetrieb bedeutet das: Der ideale Startzeitpunkt für Frühjahrssortiment, die nötige Tiefe bei Winterwaren, die optimale Mengensplit zwischen Gummistiefeln und Sandalen, die Stückzahl an Schneeräumzubehör, all das unterscheidet sich zwischen Hamburg und München so stark wie zwischen zwei Ländern. Trotzdem liefern die meisten Filialisten im Mittelstand nach einer einheitlichen nationalen Saisonstammliste.

Das Resultat ist gut dokumentiert: Laut einer Analyse von RELEX Solutions können Abschriften auf Saisonware durch falsches regionales Matching 25–30% der ursprünglichen Warenmarge auffressen. Für einen Händler mit 80 Filialen und einem Saisonsortiment im Wert von 30 Millionen Euro sind das rund 7,5 bis 9 Millionen Euro verschenkte Marge pro Jahr, summiert über alle Standorte, über alle Saisons.

Der gegenteilige Effekt, Stockout in klimatisch passenderen Lagen, ist schwerer zu messen, aber mindestens genauso schmerzhaft: Eine Hamburger Filiale, die im Herbst früh ausverkauft ist, weil das zentrale Modell die Nachfrage nach Gummistiefeln unterschätzt hat, verliert nicht nur den Umsatz. Sie schickt Kundschaft zur Konkurrenz, und misst das nicht.

Besonders betroffen sind:

• DIY- und Baumärkte: Streusalz, Schneeschaufeln, Frostschutzmittel, Gartengeräte
• Textileinzelhandel: Winterjacken und Regenbekleidung vs. leichte Übergangsware
• Garten- und Pflanzenhandel: Frostempfindliche Pflanzen und Pflanzenschutz nach Region
• Schuhhandel: Wasserdichte Winterschuhe vs. Übergangsmodelle nach Mikroklima

Mit vs. ohne KI, ein ehrlicher Vergleich

Zahlen: Abschriften basierend auf RELEX Solutions Research und Erfahrungswerten aus Handelsimplementierungen. Planungsaufwand: Erfahrungswerte aus Projekten mit 50–150-Filialisten. Die tatsächlichen Ergebnisse hängen stark von der Datenqualität, der Filialdichte und der Sortimentstiefe ab.

Einschätzung auf einen Blick

Zeitersparnis, begrenzt (2/5) Diese Anwendung spart keine Zeit im operativen Alltag. Category Manager verbringen nach wie vor dieselbe Zeit mit Saisonplanung, Sortimentsentscheidungen und Lieferantengesprächen. Was sich ändert: Die Planungsgrundlage ist besser. Der Einkauf braucht weniger Iterationen, weil die ersten Mengen realistischer sind, aber das ist ein Qualitätsgewinn, kein Zeitgewinn. Klar unter dem Branchen-Durchschnitt, wo direkte Zeitentlastung bei Routineaufgaben die Normalerwartung ist.

Kosteneinsparung, sehr hoch (5/5) Das ist der eigentliche Hebel: Abschriften sind im Handel der sichtbarste Kostentreiber und direkt buchhalterisch messbar. Wer 15–25% der Abschriften auf Saisonware einspart, sieht das unmittelbar in der P&L. Bei einem Saisonsortiment von 10 Millionen Euro Wareneinkauf kann das 300.000 bis 750.000 Euro eingesparten Abschriften entsprechen, pro Jahr. Die Kosteneinsparung ist unter den Handels-Anwendungsfällen am direktesten messbar: stärker als Saisonplanung, die breitere Effekte hat, aber weniger scharf am Einzelartikel ansetzt.

Schnelle Umsetzung, schwierig (2/5) Das Modell braucht mindestens zwei Jahre POS-Historie pro Filiale, saubere Artikelstammdaten und eine Verknüpfung mit historischen Wetterdaten. Das Setup dauert realistisch 3–6 Monate, bevor das erste validierte Cluster-Ergebnis produktiv genutzt werden kann. Damit liegt dieser Anwendungsfall am unteren Ende des Branches, vergleichbar mit Bestandsoptimierung, die ebenfalls Datentiefe voraussetzt.

ROI-Sicherheit, hoch (4/5) Anders als bei indirekten Nutzenversprechen lässt sich dieser ROI tatsächlich isolieren: Du wählst zwei Filialgruppen aus, eine mit angepasstem Sortiment, eine mit Standardzuteilung. Nach einer Saison zählt man Abschriften, Fehlmengenmeldungen und Bestandswerte. Der A/B-Vergleich ist möglich und üblich. Der einzige Unsicherheitsfaktor: Das Wetter in der Messsaison kann atypisch sein und das Modell begünstigen oder benachteiligen, deshalb keine 5, aber eine belastbare 4.

Skalierbarkeit, sehr hoch (5/5) Das Kernmodell, Cluster-Mapping von Filialen nach Klimasignatur × Verkaufsmuster, kostet einmal Entwicklungszeit. Danach läuft es für 50 Filialen exakt so günstig wie für 500. Neue Filialen werden ins Cluster eingeordnet. Neue Artikelgruppen fügen einen weiteren Trainingslauf hinzu. Das ist die strukturell sauberste Skalierungskurve im Handel.

Richtwerte, stark abhängig von Filialnetz, Sortimentstiefe, Datenqualität und genutzter Plattform.

Was das System konkret macht

Der Machine-Learning-Ansatz besteht aus drei klar trennbaren Schritten:

Schritt 1, Filial-Klimacluster erstellen. Jede Filiale wird mit ihrem geografischen Standort einer DWD-Wetterstation zugeordnet. Aus den historischen Klimadaten, Jahrestemperatur, Frosttaganzahl, Niederschlag, Heiz- und Kühlgradtage, wird ein Klimaprofil je Filiale berechnet. Ein K-Means- oder hierarchisches Clustering-Verfahren gruppiert Filialen zu vier bis acht Klimaclustern. Nicht nach Bundesland oder Vertriebsregion, sondern nach tatsächlich messbarer Klimasignatur.

Schritt 2, Nachfragemuster je Artikel × Cluster modellieren. Für jede Artikelkategorie, die klimasensitiv ist (Winterwaren, Gartenbedarf, Regenbekleidung, Frostschutzmittel), werden die historischen Verkaufszahlen je Filiale und Saison ausgewertet. Ein Predictive-Analytics-Modell, in der Praxis oft ein Gradient-Boosting-Ansatz, schätzt die klimabereinigte Nachfrage pro Cluster. Das Ergebnis: Artikel A verkauft sich in Nordseefilialen in einer Saison drei Mal stärker als in Alpenfilialen; Artikel B hat im Gegenteil die stärkste Nachfrage in Lagen mit kontinentalem Klima.

Schritt 3, Sortimentsempfehlung je Cluster ausgeben. Das Modell erzeugt pro Filialcluster eine Empfehlung für die Saisonmenge je Artikel: Cluster 1 (maritimes Nordsee-Klima): 180 Einheiten Produkt X. Cluster 3 (alpines Voralpklima): 320 Einheiten. Cluster 6 (kontinentales Ostdeutschland): 240 Einheiten. Category Manager bestätigen, überschreiben oder passen an, das System macht einen Vorschlag, nicht eine Entscheidung.

Das Modell wird nicht täglich neu berechnet, sondern saisonal: Vor jeder Saisonbestellung läuft ein Planungslauf, der aktuelle Lagerbestände, vergangene Saison-Performance und ggf. Wetterprognosen für die kommende Saison einbezieht. Das ist kein Echtzeit-System, es ist ein Planungswerkzeug, das vor dem Einkauf sitzt, nicht dahinter.

Was die Klimaregionen in Deutschland wirklich bedeuten

Für Category Manager, die aus Hamburger oder Münchner Zentrale heraus planen, ist die Klimavielfalt Deutschlands abstrakt. Für das Modell ist sie der Kern der ganzen Logik:

Hamburg (maritimes Küstenklima): Jahresmittel ~9,5°C, ca. 15 Frosttage/Jahr, milde, feuchte Winter. Schneefall selten, oft Dauerregen im Herbst. Konsequenz: Wasserdichtes Schuhwerk und Regenbekleidung sind stärker nachgefragt als schwere Winterjacken; Streusalz und Schneeräumer wenig relevant.

München (feucht-kontinentales Klima / Alpenvorland): Jahresmittel ~8,0°C, ca. 60–70 Frosttage/Jahr, zuverlässige Schneephasen November bis März. Föhneffekte bringen immer wieder kurze Wärmeeinbrüche. Konsequenz: Winterwaren und Schneeräumzubehör haben verlässlich starke Nachfrage; frühe Frühjahrswaren riskanter.

Freiburg im Breisgau (wärmste Großstadt Deutschlands): Jahresmittel ~11,5°C, oft deutlich weniger Frostperioden als München, frühe Frühlingsperioden. Weinbauklima mit langen Sommern. Konsequenz: Frühjahrssortiment kann früher starten; Winterwareneinstieg später; Gartenbedarf im Frühjahr deutlich früher.

Brandenburg / Lausitz (kontinentales Binnenklima): Heiße Trockensommer (35°C möglich), kalte Winter mit stabilen Frostperioden, wenig Niederschlag (400 mm/Jahr). Konsequenz: Gartenbewässerungsprodukte im Sommer relevant; Winterwaren eher mittel bis hoch; Heizungsprodukte relevant.

Ein einfaches Cluster-Modell auf dieser Basis hätte bereits drei bis vier regional valide Sortimentsprofile, statt einer einheitlichen nationalen Liste.

Konkrete Werkzeuge, was wann passt

Die Wahl des Werkzeugs hängt stark davon ab, ob du im SAP-Ökosystem bist, wie viele Filialen du betreibst und wie viel Entwicklungskapazität du intern hast.

RELEX Solutions, wenn du Lebensmitteleinzelhandel oder Fachhandel mit 100+ Filialen betreibst. RELEX integriert Wetterdaten, saisonale Muster und standortspezifische Nachfragehistorie in einem System. Die Plattform ist auf genau diesen Use Case ausgelegt: Frischesortiment, saisonale Ware, Standortlokalisierung. Referenzen in DACH-Lebensmittelhandel (Penny, METRO). Einstiegshürde: Implementierung dauert 6–12 Monate, Lizenz im sechsstelligen Jahresbereich, mindestens 2 Jahre saubere Datenhistorie vorausgesetzt.

SAP Integrated Business Planning, wenn du im SAP-Ökosystem arbeitest. SAP IBP for Demand kombiniert historische Verkaufsdaten mit externen Signalen (Wetterdaten, Promotionkalender) und produziert ML-gestützte Demand-Forecasts auf Filialebene. Der Ansatz heißt dort “Demand Sensing” und “Location-Level Planning”. Stark integriert mit SAP S/4HANA, hoher Konfigurationsaufwand, 6–18 Monate Implementierung, Lizenz 80.000–200.000 €/Jahr für mittelgroße Implementierungen.

Slim4 (Slimstock), für mittelständische Filialisten. Slim4 ist für Unternehmen mit 50–200 Filialen und einem Fokus auf Bestandsoptimierung und Demand Forecasting ausgelegt. Die Plattform unterstützt standortspezifische Disposition und kann externe Faktoren einbeziehen, ist aber weniger auf klimabasiertes Cluster-Management spezialisiert als RELEX. Implementierung 3–6 Monate, sechsstellige Jahreslizenz.

Custom Python-Pipeline mit scikit-learn + DWD Open Data, für datenaffine Teams ohne Enterprise-Budget. Wer einen Data Engineer oder Python-erfahrenen Analysten hat, kann das Kern-Clustering selbst bauen: DWD-Wetterdaten per PLZ auf Filialen matchen, K-Means auf der Klimasignatur trainieren, ein Gradient-Boosting-Modell auf historischen POS-Daten pro Cluster fitten. Entwicklungsaufwand: 8–16 Wochen für einen ersten Prototyp, 30.000–80.000 € in externer Entwicklungsleistung oder internem Aufwand. Keine laufenden Lizenzkosten, dafür volle Eigenverantwortung für Modellpflege und Datenpipelines.

Open-Meteo, als Wetterdaten-Alternative zu DWD. Wenn du keine Dev-Ressourcen für die Rohdaten-Pipeline des DWD aufbauen willst, bietet Open-Meteo eine einfache REST-API mit 80+ Jahren historischer Wetterdaten, EU-Hosting und ab 29 €/Monat für kommerzielle Nutzung. Ideal für Prototypen und als Fallback neben dem DWD.

Zusammenfassung: Wann welcher Ansatz

• 100+ Filialen, Lebensmittel/FMCG: RELEX Solutions
• SAP-Ökosystem, komplexe Supply Chain: SAP IBP
• 50–200 Filialen, Mittelstand: Slim4
• Eigene Entwicklungskapazität, individueller Ansatz: Python + scikit-learn + DWD
• Wetterdaten-API ohne Dev-Aufwand: Open-Meteo

Datenqualität als Voraussetzung

Das ist der häufig unterschätzte Engpass. Kein ML-Modell auf der Welt verbessert schlechte Eingangsdaten, und für diesen Use Case sind die Anforderungen konkret:

Mindestens zwei Jahre Filialhistorie pro Artikel-Cluster. Ein einzelnes Jahr enthält in der Regel keine stabile saisonale Signatur: War der Winter 2023 überdurchschnittlich mild? War der Sommer 2022 außergewöhnlich heiß? Ein Modell, das nur auf solchen Einzeljahren trainiert, lernt Ausnahmen statt Regeln. Erst ab zwei, besser drei Jahren lässt sich zwischen Klimamuster und Wetterausnahme unterscheiden. Die Forschung zum Thema ist eindeutig: Wer nicht für Klimaeffekte kontrolliert, klassifiziert Artikelkategorien systematisch falsch, als wettersensitiv oder als wetterstabil, und baut darauf die Fehlprognose des nächsten Jahres auf.

Konsistente Artikeltaxonomie über alle Filialen. Wenn Filiale A “Winterjacke Herren” und Filiale B “Jacke Herren Winter” bucht, kann das Modell sie nicht zusammenführen. Ein Cluster-Modell auf inkonsistenten Stammdaten produziert nicht unsichere, sondern falsch sichere Ergebnisse.

Saubere Aktions- und Promotionsdaten. Wenn Filiale Hamburg im Oktober 2023 eine Streusalz-Promotion gemacht hat, sieht die Abverkaufskurve in diesem Zeitraum anders aus als in einer Filiale ohne Promotion. Ohne dieses Label kann das Modell nicht unterscheiden: War das klimabedingte Nachfrage oder promotiongetriebener Uplift? Das verfälscht das Klimacluster.

Was ihr vor dem Projekt bereinigen müsst:

• Duplikate und artikelbezogene Umbenennen in der POS-Datenbank identifizieren
• Prüfen, ob Aktionspreise in den historischen Abverkaufsdaten markiert sind
• Filialeröffnungen und -schließungen aus der Trainingsbasis ausschließen (neue Filialen haben keine repräsentative Historie)
• Filialen mit Datenlücken über mehr als vier Wochen pro Saison aus der Erstimplementierung herausnehmen

Ein pragmatisches Vorgehen: Starte mit den 30–40 “stabsten” Filialen, lange Geschichte, keine Umbaumaßnahmen, keine außergewöhnlichen Lokationseffekte. Trainiere und validiere dort. Dann skaliere auf den Rest.

Datenschutz und Datenhaltung

Dieser Use Case verarbeitet ausschließlich Transaktionsdaten (POS-Daten ohne Kundenbezug, Lagerbestände, Bestellhistorien) und öffentliche Wetterdaten. Damit ist das Datenschutzrisiko strukturell niedrig, wesentlich niedriger als bei Kundenloyalty-Daten oder personalisierten Empfehlungen.

Trotzdem gibt es Punkte, die vor dem Projektstart zu klären sind:

Wetterdaten, DWD und Open-Meteo: DWD Open Data ist kostenlos, in Deutschland gehostet und unter CC BY 4.0, kein AVV nötig, keine personenbezogenen Daten involviert. Open-Meteo ist schweizerisch/EU-gehostet; für kommerzielle Nutzung ist ein separater AVV auf Anfrage erhältlich.

Enterprise-Plattformen (RELEX, SAP IBP, Slim4): Hier werden strukturierte Unternehmensdaten aus ERP und POS in Cloud-Infrastrukturen übertragen. Alle drei Anbieter sind nach ISO 27001 zertifiziert und stellen AVV nach Art. 28 DSGVO bereit, aber du musst ihn aktiv anfordern und unterzeichnen. Prüfe den Hosting-Standort: RELEX ist finnisch, EU-Hosting vertraglich fixierbar. SAP IBP ist EU-Hosting in Frankfurt/Niederlanden wählbar. Slim4 ist hybrid, kläre den Standort explizit.

Custom Python-Pipeline: Wenn ihr die Pipeline auf eigenem Infrastruktur oder europäischer Cloud (Azure EU, AWS Frankfurt) betreibt, habt ihr maximale Kontrolle über die Datenhaltung. Kein Drittanbieter-Risiko. Dafür liegt die technische Verantwortung vollständig bei euch, Sicherheitsupdates, Zugangskontrollen, Backup.

Wenn Loyalty-Daten ins Modell einfließen sollen (z.B. um Kaufverhalten nach Altersgruppe oder Kundentyp zu segmentieren): Dann wird es schnell komplexer, DSGVO-Folgenabschätzung, Einwilligungspflichten und entsprechende Löschfristen kommen dazu. Empfehlung: Starte ohne Kundendaten. Das Klimacluster + Verkaufshistorie ist ausreichend und rechtlich sauber.

Was es kostet, realistisch gerechnet

Einmaliger Aufbau:

• Custom Python-Pipeline (Data Engineer + Modell-Entwicklung): 30.000–80.000 €, je nach Komplexität der Datenpipeline und Anzahl der Artikelcluster
• Enterprise-Plattform-Implementierung (RELEX, SAP IBP, Slim4): 100.000–500.000 € Implementierungskosten, abhängig von Filialzahl und ERP-Integration

Laufende Kosten:

• Custom-Modell: Infrastrukturkosten (Cloud-Hosting, DWD-Datenpipeline): 200–800 €/Monat + Entwicklerzeit für saisonale Modellaktualisierungen (ca. 2–4 Tage/Saison)
• Open-Meteo API (kommerziell): 29–99 €/Monat
• RELEX Enterprise-Lizenz: sechsstelliger Jahresbetrag auf Anfrage
• SAP IBP: 80.000–200.000 €/Jahr Lizenz für mittelgroße Implementierungen

Wie du den ROI tatsächlich misst: Wähle für den ersten Saisonzyklus zwei Filialgruppen von vergleichbarer Größe und Klimaähnlichkeit: eine mit ML-optimierter Sortimentsallokation, eine mit bisheriger Standardzuteilung. Nach der Saison vergleiche: Abschriftquote (€ und %), Out-of-Stock-Meldungen, Abverkaufsgeschwindigkeit. Das ist ein echter A/B-Test mit messbarem Ergebnis.

Konservatives ROI-Szenario: Ein Textilhändler mit 80 Filialen, Saisonsortiment im Einkaufswert von 20 Millionen Euro, aktuelle Abschriftquote 10%. Das sind 2 Millionen Euro Abschriften pro Jahr. Eine Reduktion um 20% spart 400.000 Euro jährlich. Ein Custom-Modell amortisiert sich bei diesem Volumen nach einem Jahr, eine Enterprise-Plattform nach 2–3 Jahren. Das ist die ehrliche Rechnung; Händler mit deutlich niedrigerem Saisonsortimentswert sollten erst ab 5–8 Millionen Euro Einkaufsvolumen in Klimaregion-basierte ML-Systeme investieren.

Typische Einstiegsfehler

1. Zu wenige Saisons für das Modell-Training. Der häufigste technische Fehler: Das Modell wird mit einer oder zwei Saisons trainiert und dann produktiv gesetzt. Das Ergebnis ist ein Überfit auf außergewöhnliche Jahre. Der Winter 2023/24 war in Deutschland überdurchschnittlich mild, ein Modell, das darauf trainiert wurde, unterschätzt Winterwarennachfrage systematisch. Die Forschung (MDPI 2022: “Accounting for Climate When Determining the Impact of Weather on Retail Sales”) zeigt: Ohne mehrjährige Klimakontrolle werden Artikelkategorien systematisch falsch als wetter- oder nicht-wettersensitiv klassifiziert. Mindestanforderung: 2 Jahre, besser 3. Wer das nicht hat, sollte erst Daten sammeln.

2. Klimacluster mit Vertriebsregionen gleichsetzen. Häufig landet ein Cluster-Modell bei denselben Regionen wie die Vertriebsstruktur, Nordwest, Nordost, Süd. Das ist meistens falsch. Die klimatisch relevante Grenze verläuft nicht entlang von Vertriebsgrenzen, sondern entlang geografischer Lagen: Voralpines Bayern ist klimatisch von der Münchner Innenstadt verschieden. Städtische Wärmeinseln (Berlin-Mitte vs. Berlin-Mahlsdorf) können relevante Unterschiede zeigen. Lass das Modell die Cluster aus den Daten lernen, überlagere sie nicht mit organisatorischen Grenzen.

3. Das Modell produziert Empfehlungen, die niemand nutzt. Ein häufiges Scheitern nach erfolgreicher technischer Implementierung: Die Sortimentsempfehlungen landen im System, aber Category Manager bestellen trotzdem nach Erfahrung. Warum? Weil die Empfehlungen nicht transparent sind. “Das Modell sagt 180 Stück” ist kein Argument, wenn der Planer nicht versteht, warum. Lösung: Erkläre für jeden Cluster, welche Klimavariablen entscheidend waren und wie stark. Zeige die Backtesting-Ergebnisse der letzten zwei Saisons. Ein Modell, dem man nicht vertraut, wird umgangen, und damit ist der ROI weg.

4. Kein Update-Prozess für Stammdatenänderungen. Das ist der stille Killer: Wenn die Filialtaxonomie sich ändert, Filialen umgebaut oder neue eröffnet werden, oder Artikelnummern recodiert werden, stimmt das Cluster-Mapping nicht mehr. Wer keine explizite Governance-Regel für “Modell-Update nach Stammdatenänderung” etabliert hat, arbeitet nach zwei Jahren mit einem Modell, dessen Input-Daten nicht mehr zu seiner Trainingsbasis passen. Plane mindestens eine jährliche Modellvalidierung vor der Saisonplanung ein.

Was mit der Einführung wirklich passiert

Die technische Implementierung ist der kleinere Teil. Der größere ist die Veränderung im Arbeitsalltag der Category Manager, und die verläuft selten so, wie es in Projekt-Pitches klingt.

Das Vertrauensproblem. Category Manager mit 15 Jahren Berufserfahrung kennen ihre Märkte. Wenn das Modell für die Hamburger Filiale 40% weniger Winterjacken empfiehlt als letztes Jahr, ist das eine herausfordernde Aussage, unabhängig davon, ob sie korrekt ist. Das erste Mal, dass eine Empfehlung stimmt und Geld spart, ist wertvoller als jede Schulung. Plane einen “Show, don’t tell”-Moment ein: Präsentiere nach der ersten Saison, wie die Modell-Filialen gegenüber den Standard-Filialen abgeschnitten haben. Zahlen überzeugen, Konzepte nicht.

Das Delegierungs-Dilemma. Wer entscheidet, wenn das Modell 180 Stück empfiehlt und der Category Manager 220 will? Ohne klare Eskalationsregel wird das zum dauerhaften Konfliktthema. Definiere vor dem Go-Live: Ab welcher Abweichung vom Modell braucht es eine Begründung? Was ist der Review-Prozess? Das Modell ist ein Vorschlag, die Entscheidung liegt beim Menschen, aber die Abweichung sollte dokumentiert sein.

Die Mittleren performen. In fast allen Implementierungen zeigt sich: Die Filialen, die am meisten von der Lokalisierung profitieren, sind nicht die extremen Klimalagen (Hamburg und München kennt jeder), sondern die mittleren, Kassel, Hannover, Leipzig. Dort ist die Varianz zwischen Standardzuteilung und Optimum am größten, weil das Modell eine Differenzierung einführt, die vorher nicht sichtbar war. Kommuniziere das vor dem Start.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Plane zwei vollständige Saisonzyklen ein, bevor du das Modell als “stabil” bezeichnest. Ein guter erster Saisonlauf kann auch Glück sein. Der zweite Lauf zeigt, ob das Modell generalisiert oder überfit ist.

Häufige Einwände, und was dahintersteckt

“Unsere Einkäufer kennen die Regionen schon.” Das stimmt. Das Wissen ist da, aber es liegt in Köpfen, nicht in Daten. Wenn der erfahrene Category Manager für Baumaterialien in Rente geht, ist das regionale Marktwissen weg. Das Modell macht implizites Wissen explizit und skalierbar: Es kann 120 Filialen × 400 klimasensitive Artikel gleichzeitig analysieren, was kein Mensch leisten kann. Das Modell ersetzt nicht das Urteilsvermögen, es gibt dem Einkäufer eine datenfundierte Startposition, von der aus er dann entscheiden kann.

“Wir haben zu wenige Daten.” Das ist der häufigste valide Einwand, und er verdient eine ehrliche Antwort. Wenn ihr weniger als zwei Jahre saubere POS-Daten pro Filiale habt, solltet ihr jetzt nicht mit dem ML-Modell starten. Stattdessen: Daten sauber erheben, Stammdaten konsolidieren, Aktionsdaten markieren. In 18–24 Monaten habt ihr eine valide Basis. Das ist kein Hindernis, sondern ein Zeitplan.

“Das Modell wird doch sowieso vom Zentraleinkauf überstimmt.” Ja, wenn ihr das zulasst. Die eigentliche Frage ist: Auf welcher Grundlage überstimmt der Zentraleinkauf? Wenn das Modell sagt “Hamburg braucht weniger Winterware” und die Zentrale sagt “wir bestellen trotzdem zentral”, dann ist das eine Entscheidung, die dokumentiert und nach der Saison evaluiert werden sollte. Modelle ändern das Verhältnis zwischen Zentrale und Filialen, das ist eine Governance-Frage, nicht nur eine Technikfrage.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 50 Filialen an unterschiedlichen Standorten in Deutschland oder im DACH-Raum, mit spürbarer klimatischer Varianz zwischen den Lagen
• Saisonware ist ein signifikanter Teil deines Sortiments, Gartenbedarf, Winterkleidung, Streumittel, Saisonpflanzen, Heizungsprodukte, oder ähnliches
• Deine Abschriftquote auf Saisonware liegt über 6% der Einkaufskosten, darunter ist der ROI schwer zu errechnen
• Du hast mindestens zwei Jahre saubere POS-Daten je Filiale und eine konsistente Artikeltaxonomie über alle Standorte
• Dein Category Management verbringt signifikante Zeit mit manueller regionaler Anpassung von Sortimentsplänen, ohne systematische Datengrundlage
• Du hast eine Person oder ein kleines Team, das Daten und Systemlogik versteht, oder einen externen Dienstleister, der das übernimmt

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 50 Filialen oder keine relevante klimatische Varianz im Filialnetz. Wenn alle deine Standorte in derselben Klimaregion liegen oder du weniger als 50 Filialen hast, ist die statistische Basis für ein Cluster-Modell zu dünn. Ein zentrales Sortiment mit manueller regionaler Anpassung durch den Category Manager ist dann effizienter und günstiger.

2. Weniger als zwei Jahre saubere POS-Datenhistorie oder uneinheitliche Artikelstammdaten. Ohne diese Basis produziert das Modell falsch sichere Ergebnisse, es gibt eine Empfehlung aus, die plausibler klingt als sie ist. Das ist gefährlicher als kein Modell.

3. Kein Saisonsortiment-Einkaufswert von mindestens 5–8 Millionen Euro. Darunter übersteigen Implementierungs- und Wartungskosten den erzielbaren ROI. In diesem Fall: manuelle Filialcluster-Analyse durch den Category Manager auf Excel-Basis, low-tech, aber proportional zum Volumen.

Das kannst du heute noch tun

Du kannst ohne Spezialsoftware und ohne Entwickler mit einer ersten Klimacluster-Analyse beginnen. Alles, was du brauchst: eine Liste eurer Filialen mit PLZ, historische Wetterdaten vom DWD (kostenlos) und ein einfaches Analyse-Tool.

Der erste Schritt ist nicht das Modell, er ist das Bewusstsein: In welchen Klimaregionen liegen eure Filialen tatsächlich, und wie unterscheiden sie sich? Diesen Schritt kannst du mit folgendem Prompt in ChatGPT, Claude oder einem ähnlichen Tool starten:

Quellen & Methodik

• RELEX Solutions, “Making the most of markdowns” (2024): Retailer, die Sortimentsallokation an lokale Nachfrage anpassen, erzielen bis zu 30% Reduktion bei Abschriften und Verderbskosten. Quelle: relexsolutions.com/resources/making-the-most-of-markdowns/
• H&M, Retail Dive (2018): H&M setzte algorithmische Sortimentsanpassung je Filiale ein, um einen Überhang von 4 Milliarden USD nicht abverkaufter Ware abzubauen, und nutzte Kaufhistorie, Rücksendedaten und standortspezifische Signale. Quelle: retaildive.com/news/hm-turns-to-big-data-ai-to-tailor-store-assortments/523137/
• Cazeils, N. et al., “Accounting for Climate When Determining the Impact of Weather on Retail Sales”, MDPI Climate (2022): Akademische Studie zeigt: Modelle, die Klimaeffekte nicht von Wettereffekten trennen, klassifizieren Artikelkategorien systematisch falsch als wetter- oder nicht-wettersensitiv. Direkte Auswirkung auf Sortimentsmodell-Qualität. Quelle: mdpi.com/2673-7116/3/3/30
• DWD Klimanormalwerte 1991–2020: Jahresmitteltemperaturen, Frosttaganzahlen und Niederschlagsmittel für Hamburg, München, Freiburg, Brandenburg, Grundlage der Klimaregionen-Beschreibungen. Quelle: opendata.dwd.de
• SAP IBP Lizenzpreise: Erfahrungswerte aus DACH-Implementierungen (Stand Mai 2026). Öffentliche Listenpreise werden von SAP nicht kommuniziert.
• Implementierungskosten Custom-Pipeline: Erfahrungswerte aus Data-Science-Projekten mit Handelsunternehmen (50–200 Filialen), Stand 2024–2026.
• RELEX Slim4/Slimstock Preise: Anbieter-Angaben auf Anfrage; keine öffentliche Preisliste verfügbar. Sechsstellige Jahresbeträge aus Implementierungsberichten.