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. Laut EHI Retail Institute liegt die durchschnittliche Überbestandsquote im deutschen Modehandel bei 12–18 % des Saisonvolumens.

Bei einem Label mit 3 Millionen Euro Einkaufsvolumen bedeutet das 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 — sehr hoch (5/5) Das ist der stärkste Hebel dieser Kategorie. Jeder Prozentpunkt Überbestandsreduktion ist direkter Margengewinn. Bei 3 Millionen Euro Einkaufsvolumen und einer Reduktion von 15 % auf 11 % Überbestand: 120.000 Euro, die nicht mit Abschrift abverkauft werden müssen. Das ist der direkte Effekt — ohne Conversion-Uplift oder SEO-Fantasien.

Schnelle Umsetzung — niedrig (2/5) Das ist der schwierigste Einstieg 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 Datenpflegaufwand: 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 — Kombiniert Demand-Sensing (tatsächliche Marktabverkäufe) mit OTB-Planungsfunktionen. Besonders stark bei der Frage: “Was kauft der Markt gerade?” — nicht nur “Was haben wir letztes Jahr verkauft?” Für Labels, die Marktdaten und eigene Daten zusammenführen wollen. Preise auf Anfrage, typisch im fünfstelligen Jahresbereich.

Centric PLM + OTB-Modul — Centric Softwares PLM-Lösung bietet integrierte OTB-Planungsfunktionen für Fashion-Brands. Vorteil: einheitliche Datenbasis für Design, Einkauf und Planung. Nachteil: Enterprise-Lösung, die ohne PLM-Hintergrund keinen Sinn ergibt.

SAP-basierte OTB-Planungstools — Für Unternehmen mit SAP-ERP gibt es 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.

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

• Kein ERP, unter 500 SKUs → Excel-Bereinigung + ChatGPT-Analyse als Einstieg
• ERP vorhanden, 200–1.000 SKUs → spezialisiertes OTB-Modul (Stylumia, Centric)
• SAP-Umgebung → SAP-natives OTB-Modul 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.

Für SaaS-Lösungen wie Stylumia (US-Anbieter): Datenverarbeitungsvertrag und EU-Standardvertragsklauseln vor Datenweitergabe abschließen. 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, Centric OTB — typisch 20.000–60.000 EUR/Jahr je nach Sortimentsgröße
• 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, aktuell 15 % Überbestandsquote (600.000 EUR in Restware). Durch bessere OTB-Planung Reduktion auf 11 % (440.000 EUR): 160.000 EUR Margengewinn durch weniger Abschriften. Kosten Software: 30.000 EUR/Jahr. Netto-ROI nach Kosten: ~130.000 EUR. Wichtig: Das Szenario setzt voraus, dass KI-Prognosen tatsächlich in Einkaufsentscheidungen überführt werden — was in der ersten Saison oft nur zu 60–70 % geschieht.

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 endet, ist das verstecktes Profitpotenzial — auch bei wachsendem Umsatz.

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
• 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 50 SKUs — 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