KI-gestützte Open-to-Buy-Planung

Das echte Ausmaß des Problems

Der Open-to-Buy-Prozess (OTB), die Planung, wie viel Budget für welche Kategorie in welchem Zeitraum eingesetzt werden darf, ist das zentrale Steuerungsinstrument des Modeeinkaufs. Und er basiert in vielen mittelständischen Labels auf Excel, historischen Sell-through-Daten und der Erfahrung des Einkaufsteams.

Das Resultat ist strukturell vorhersehbar: Kategorien, die in der letzten Saison gut liefen, werden zu optimistisch eingekauft. Neue Trends werden zu konservativ bewertet. Wetterabhängige Kategorien (Wintermäntel, Leichtjacken) variieren je nach Herbst stark, aber die historische Datenbasis glättet das. Eine belastbare Branchenzahl zur Überbestandsquote im deutschen Modehandel haben wir nicht gefunden. Für die Rechnungen auf dieser Seite nehmen wir 12–18 % des Einkaufsvolumens an, deine eigene Quote liefert das Audit weiter unten.

Bei einem Label mit 3 Millionen Euro Einkaufsvolumen im Jahr bedeutet diese Annahme 360.000–540.000 Euro in Ware, die nicht zum Vollpreis abverkauft wird. Ein erheblicher Teil davon landet in Preisreduktionen, Outlets oder, im schlimmsten Fall, in der Vernichtung.

Predictive Analytics kann die Planung nicht fehlerlos machen. Aber die Entscheidungsqualität deutlich verbessern.

Mit vs. ohne KI, ein ehrlicher Vergleich

Ehrlicher Hinweis: KI-Prognosen sind keine Garantien. Ein unvorhergesehener warmer Herbst macht die beste Winterjacken-Prognose obsolet. Der Vorteil liegt nicht in Unfehlbarkeit, sondern darin, dass das System schneller auf Abweichungen reagiert und Korrekturkäufe gezielter empfiehlt als manuelle Nachbestellprozesse.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Die Planungszeit sinkt. Aber die Datenarbeit, Abverkaufsdaten aufbereiten, ERP-Daten bereinigen, Prognosen validieren, bleibt. KI-OTB ersetzt die Tabellenkalkulation, nicht die Einkaufs-Expertise. Wer weniger Zeit für Planung erwartet, wird enttäuscht; wer bessere Entscheidungen bei ähnlichem Zeitaufwand erwartet, ist richtig.

Kosteneinsparung, hoch (4/5) Weniger Überbestand heißt weniger Abschrift, und das ist direkter Margengewinn. Aber nicht in Höhe der Ware: Wer bei 3 Millionen Euro Einkaufsvolumen von 15 % auf 11 % Überbestand kommt, hat 120.000 Euro weniger Restware und spart die Abschrift darauf, nicht die 120.000 Euro selbst. Bei 35 % Abschrift sind das 42.000 Euro im Jahr. Dagegen stehen Software im fünfstelligen Bereich und die laufende Datenpflege. Das reicht für eine 4, nicht für eine 5.

Schnelle Umsetzung, niedrig (2/5) Einer der schwierigeren Einstiege dieser Kategorie. Saubere, strukturierte Abverkaufsdaten aus ERP oder POS sind Voraussetzung, und in vielen Labels liegt das nicht bereit. Datenbereinigung, ERP-Integration und erste Kalibrierungszyklen dauern typisch 4–6 Monate. Wer hier schnelle Ergebnisse erwartet, wird frustriert.

ROI-Sicherheit, hoch (4/5) Der Kausalzusammenhang ist messbarer als bei Trendanalyse oder Produktbeschreibungen: Du kannst nach jeder Saison ausrechnen, ob die OTB-Prognosen näher an der tatsächlichen Nachfrage lagen als die Vorjahresprognosen. Die Isolierung von Markteffekten (schlechtes Wetter, Wirtschaftslage) bleibt schwierig, aber die Verbesserungsrichtung ist klar erkennbar.

Skalierbarkeit, hoch (4/5) Ein KI-OTB-System skaliert gut: Mehr Standorte, mehr Kategorien, mehr SKUs, der algorithmische Aufwand wächst nicht proportional mit der Sortimentsbreite. Was wächst, ist der Datenpflegeaufwand: Jede neue Kategorie braucht historische Daten, jeder neue Standort eine saubere Anbindung ans ERP.

Richtwerte, stark abhängig von ERP-Datenqualität, Sortimentsstruktur und wie konsequent KI-Signale in tatsächliche Einkaufsentscheidungen überführt werden.

Was KI-OTB-Planung konkret macht

Zeitreihenbasierte Nachfrageprognose: Das System analysiert historische Abverkaufskurven nach Wochengranularität, nicht nach Saison. Das erlaubt es, saisonale Muster (erste drei Wochen Vollpreisabsatz, ab Woche acht Abverkaufsdruck), Wettereffekte und Trendveränderungen zu erkennen. Für jede Kategorie entsteht eine Prognose: “Wie viele Einheiten davon werden in Woche 1, 4, 8 der Saison abverkauft?” Diese Prognose wird dem Einkaufsrahmen gegenübergestellt.

Bestandsoptimierung je Kategorie: Das System erkennt strukturelle Muster: Kategorie X hat typischerweise einen scharfen Sell-through in den ersten vier Wochen, zu wenig Erstbestand führt zu Fehlmengen. Kategorie Y läuft gleichmäßig durch die Saison, Überbestand ist hier das Risiko. Diese Muster lassen sich in konkrete Bestellmengen übersetzen.

Nachbestelloptimierung in der laufenden Saison: OTB-Planung ist kein einmaliger Akt. In der laufenden Saison vergleicht das System wöchentlich Prognose vs. tatsächlichen Abverkauf. Wenn ein Produkt schneller läuft als erwartet, wird eine Nachbestellempfehlung generiert. Wenn etwas langsamer läuft, gibt es ein Signal für frühere Preismaßnahmen.

Was KI-OTB nicht kann: Das System kennt keine Trends, die nicht in den Daten abgebildet sind. Wenn eine neue Silhouette aus dem Nichts viral geht, sieht das Modell das erst, wenn die ersten Abverkaufsdaten eintreffen, also zu spät für eine Nachbestellung, wenn Vorlaufzeiten 10–16 Wochen betragen. OTB-KI ist gut in der Extrapolation bekannter Muster, nicht in der Antizipation von Diskontinuitäten.

Konkrete Werkzeuge, was wann passt

Stylumia , Liefert Nachfragesignale (Demand Sensing) aus E-Commerce-Daten, die du in die OTB-Planung einspeist. Besonders stark bei der Frage: “Was kauft der Markt gerade?”, nicht nur “Was haben wir letztes Jahr verkauft?” Die OTB-Budgetrechnung selbst beschreibt unsere Toolseite nicht, die bleibt in deinem Planungssystem. Preise nur auf Anfrage.

Centric PLM mit Centric Planning, Das Zusatzmodul Centric Planning deckt Sortiments- und Mengenplanung im PLM ab. Vorteil: einheitliche Datenbasis für Design, Einkauf und Planung. Nachteil: Enterprise-Lösung, typisch im fünf- bis sechsstelligen Jahresbereich, ohne PLM-Hintergrund sinnlos und für Marken unter 50 Mitarbeitenden laut unserer Toolseite zu groß.

SAP IBP , OTB-Planung in SAP-Umgebungen, Für Unternehmen mit SAP-ERP bietet SAP Integrated Business Planning Module für Demand-Forecasting und OTB-Integration. Stark in der Bestandsoptimierung, weniger stark in der Fashion-spezifischen Trendantizipation. Die richtige Wahl für Labels, die SAP als Backbone haben. Unsere Toolseite nennt für mittlere Implementierungen 80.000–200.000 € im Jahr, für KMU ohne SAP ist das unverhältnismäßig.

Excel + ChatGPT / Claude als Einstieg, Für Labels, die noch keine Planungssoftware haben, ist ein erster Schritt: Historische Abverkaufsdaten in Excel aufbereiten und ChatGPT für Musteranalyse nutzen. Das ist kein echtes KI-OTB-System, gibt aber erste Erkenntnisse über Abverkaufsmuster und hilft, die Datenbasis für spätere Software zu verstehen.

Zusammenfassung: Wann welcher Ansatz

• Unter etwa 3 Millionen Euro Einkaufsvolumen → Excel-Bereinigung plus KI-Assistent für die Musteranalyse
• ERP vorhanden, ab etwa 3 Millionen Euro Einkaufsvolumen → Nachfragesignale (Stylumia) oder Planungsmodul (Centric Planning)
• SAP-Umgebung → SAP IBP prüfen bevor externe Lösung
• Mehr als 5 Standorte → standortgranulare Lösung erforderlich, manuelle Planung nicht mehr skalierbar

Datenqualität als Voraussetzung

OTB-KI ist nur so gut wie die Abverkaufsdaten, die sie verarbeitet. Das ist der häufigste Stolperstein in der Praxis.

Was sauber vorliegen muss:

• Wöchentliche Abverkaufsdaten je SKU (Farbe, Größe, Standort) für mindestens zwei vollständige Saisonen
• Lagerbestandsdaten je Standort und SKU in Echtzeit oder täglich
• Bestelldaten inkl. Liefertermine und tatsächliche Liefermengen
• Historische Preisinformationen (wann wurde reduziert, auf welchen Preis?)

Was in der Praxis oft fehlt: Abverkaufsdaten aus verschiedenen Systemen (POS im Store, Shopify-Backend für Online) sind nicht konsolidiert. Historische Preisreduktionen fehlen in der Datenhistorie. Lagerbestandsdaten haben einen Tag Verzögerung, aber das OTB-System braucht aktuelle Werte.

Die wichtigste Investition vor einem OTB-KI-Projekt ist oft nicht das Tool, sondern die Datenbereinigung. Wer das unterschätzt, kauft eine teure Planungssoftware, die auf schlechten Daten schlechte Prognosen produziert.

Datenschutz und Datenhaltung

OTB-Planung arbeitet ausschließlich mit Produkt- und Transaktionsdaten, keine personenbezogenen Kundendaten, keine Profile. Aus DSGVO-Sicht ist dieser Anwendungsfall unkritisch, solange die Abverkaufsdaten aggregiert sind (also keine individuellen Kaufverläufe von Kundenkarten-Daten einfließen).

Wenn Kundenkartendaten zur Segmentierung genutzt werden, greift die DSGVO vollständig, Auftragsverarbeitungsvertrag erforderlich, Datentransfer in Drittländer nach Standardvertragsklauseln abzusichern.

Stylumia ist ein indischer Anbieter. Die Datenschutzerklärung erlaubt die Verarbeitung in Indien und weiteren Ländern und nennt weder AVV noch Standardvertragsklauseln. Für reine Abverkaufsdaten ohne Personenbezug ist das kein DSGVO-Problem, für Kundenkartendaten schon: dann AVV und Standardvertragsklauseln vorher verlangen. Für SAP-native Lösungen: Datenhaltung typisch in der SAP-eigenen Cloud-Umgebung, AVV über SAP-Rahmenvertrag.

Was es kostet, realistisch gerechnet

Einrichtung:

• Datenbereinigung und ERP-Integration: 80–200 Stunden intern oder 15.000–40.000 EUR extern
• Software-Lizenz Stylumia: nur auf Anfrage
• Software-Lizenz Centric: typisch fünf- bis sechsstellig im Jahr
• Software-Lizenz SAP IBP: 80.000–200.000 € im Jahr für mittlere Implementierungen
• Schulungsaufwand Einkaufsteam: 20–40 Stunden

Laufende Kosten:

• Software-Lizenz: monatlich oder jährlich je nach Anbieter
• Datenpflege: 2–4 Stunden/Woche für Datenqualitätskontrolle und Prognosevalidierung

Realistisches ROI-Szenario: Label mit 4 Millionen Euro Einkaufsvolumen im Jahr und 15 % Überbestand, also 600.000 EUR Restware zum Einkaufswert, die mit 35 % abgeschrieben wird. Jeder Prozentpunkt weniger Überbestand sind 40.000 EUR weniger Restware und 40.000 × 0,35 = 14.000 EUR weniger Abschrift. Sinkt die Quote von 15 % auf 11 %, sind das 4 × 14.000 = 56.000 EUR im Jahr.

Dagegen stehen die Software, hier mit 30.000 EUR im Jahr angesetzt, weil die Anbieter nur auf Anfrage anbieten, dazu 2–4 Stunden Datenpflege je Woche und einmalig 15.000–40.000 EUR für Datenbereinigung und Integration. Im eingeschwungenen Zustand bleiben 26.000 EUR im Jahr vor Datenpflege. Die Lizenz trägt sich erst ab gut zwei Prozentpunkten weniger Überbestand (30.000 geteilt durch 14.000).

Wichtig: In der ersten Saison übernimmt der Einkauf typisch nur 30–40 % der Empfehlungen (siehe unten). Dann bleiben 17.000–22.000 EUR Wirkung gegen 30.000 EUR Lizenz, das erste Jahr ist negativ, die Einrichtung holst du frühestens im zweiten oder dritten Jahr herein.

Drei typische Einstiegsfehler

Fehler 1, Software kaufen bevor Daten sauber sind Ein OTB-System, das mit inkonsistenten oder lückenhaften Abverkaufsdaten trainiert wird, produziert schlechte Prognosen. Die häufigste Reaktion: “Das Tool funktioniert nicht.” In Wirklichkeit funktioniert das Tool, aber die Daten sind das Problem. Investiere in Datenbereinigung, bevor du Software evaluierst.

Fehler 2, KI-Prognosen ohne Einkaufs-Expertise übernehmen Ein Algorithmus kennt keine Lieferantenengpässe, keinen Trade-Show-Trend, keine Besonderheiten des eigenen Sortiments. Ein erfahrener Einkäufer schon. Der beste Prozess: KI liefert Mengensignale, Einkauf validiert und adjustiert auf Basis von Marktkenntnis. Wer die KI-Empfehlung eins zu eins übernimmt, macht einen anderen Fehler als vorher, aber immer noch einen.

Fehler 3, Keine Nachauswertung nach jeder Saison OTB-Systeme lernen aus dem Vergleich zwischen Prognose und tatsächlichem Abverkauf. Wer nach der Saison nicht auswertet, wo hat die Prognose gestimmt, wo nicht, warum?, lässt den wichtigsten Kalibrierungsschritt liegen. Das System wird nicht besser. Nach der dritten Saison ohne Rückkoppelung ist die Prognosequalität nicht besser als in der ersten.

Was mit der Einführung wirklich passiert

Der erste Widerstand kommt von erfahrenen Einkäuferinnen: “Das System versteht nicht, wie unser Markt funktioniert.” Das ist kein irrationaler Einwand, ein Algorithmus hat keine Erinnerung an den Lieferanten, der dreimal hintereinander zu spät geliefert hat, und keinen Blick für den Messetrend, der gerade aufkommt.

Der effektivste Ansatz: KI als zweites Meinungsbild positionieren, nicht als Autorität. “Hier sind die historischen Mengensignale, jetzt lass uns schauen, wo deine Einschätzung davon abweicht, und warum.” Das erzeugt Akzeptanz und macht die implizite Expertise des Einkaufsteams explizit.

Typische Adoptionskurve: Erste Saison, Einkauf übernimmt 30–40 % der KI-Empfehlungen. Zweite Saison, nach ersten positiven Ergebnissen steigt die Übernahme auf 50–60 %. Ab der dritten Saison, das Team nutzt die KI-Empfehlungen als feste Referenz und begründet Abweichungen aktiv.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Unsere Daten sind nicht gut genug für so ein System.” Wahrscheinlich stimmt das, für die meisten Labels ist das der ehrliche Ausgangspunkt. Die Frage ist: Willst du daran etwas ändern? Schlechte Daten sind kein Naturgesetz, sondern ein Prozessthema. Die Datenbereinigung, die du für ein OTB-System brauchst, ist dieselbe, die du für bessere manuelle Planung brauchst. Der KI-Use-Case gibt dir den Grund, das endlich anzugehen.

“Wir machen das seit 20 Jahren so und der Umsatz wächst.” Der Umsatz wächst, und trotzdem gibt es am Saisonende Abschriften. OTB-Optimierung ist kein Umsatzthema, es ist ein Margenthema. Wenn 15 % des Einkaufsvolumens als Restware enden, steckt darin Profitpotenzial, auch bei wachsendem Umsatz: die Abschrift auf diese Ware, nicht ihr ganzer Wert.

Woran du merkst, dass das zu dir passt

Das passt gut:

• Deine Überbestandsquote am Saisonende liegt regelmäßig über 12 %, das ist die Schwelle, ab der Optimierung wirtschaftlich spürbar wird
• Du planst mindestens zwei Saisonen pro Jahr mit eigenem Einkauf und mehr als 200 aktiven SKUs, unter dieser Schwelle ist der Komplexitätsvorteil von KI gering
• Dein Einkaufsvolumen liegt bei etwa 3 Millionen Euro im Jahr oder darüber, darunter trägt die vermiedene Abschrift die Software kaum (siehe Rechnung oben)
• Du hast Abverkaufsdaten aus mindestens zwei vollständigen Saisonen in einem strukturierten System, das ist die Mindestdatenbasis für sinnvolle Prognosen
• Du betreibst mehrere Standorte oder Kanäle (Store + Online) und koordinierst Bestände zwischen ihnen, das ist der Punkt, an dem manuelle OTB-Planung exponentiell komplexer wird

Das passt noch nicht:

• Du hast unter 200 SKUs oder deutlich unter 3 Millionen Euro Einkaufsvolumen, da reicht ein strukturiertes Excel-Tracking mit Abverkaufshistorie
• Deine Abverkaufsdaten liegen in nicht exportierbaren Systemen oder in Excel-Dateien ohne konsistentes Format, zuerst Datenbasis schaffen
• Dein Einkauf funktioniert auf Kommissionsbasis ohne eigene Lagerhaltung, dann ist OTB nicht das richtige Instrument
• Du hast kein Budget für Datenbereinigung und Integration, das ist die teuerste Komponente, nicht die Software

Das kannst du heute noch tun

Mache eine ehrliche Bestandsaufnahme: Wie viel Prozent des Einkaufsvolumens der letzten Saison wurde nicht zum Vollpreis abverkauft? Was sind die drei Kategorien mit der höchsten Restbestandsquote? Welche dieser Kategorien haben sich wiederholend als Problem erwiesen, und nicht nur einmalig wegen unvorhergesehener Ereignisse?

Dieser einfache Audit dauert zwei bis drei Stunden und zeigt dir, ob und wo OTB-Optimierung einen Unterschied machen würde. Als ersten Schritt ohne Software:

Quellen & Methodik

• EHI Retail Institute, Kennzahlen Modehandel 2023, Durchschnittliche Überbestandsquoten im deutschen Modeeinzelhandel (12–18 % des Einkaufsvolumens)
• McKinsey, State of Fashion 2024, Verluste durch Überproduktion und schlechte OTB-Planung im globalen Modehandel
• Centric Software Anbieterangaben, 2024, OTB-Planungsfunktionen und Integrationsszenarien (Anbieterangaben)
• FashionUnited, Software in der Modebranche 2023, ERP- und OTB-Planungslandschaft für mittelständische Fashion-Unternehmen
• Eigene Einschätzung, ROI-Szenarien, Zeitpläne und Einstiegsfehler basieren auf öffentlich verfügbaren Implementierungsberichten; keine repräsentative Studie