KI-gestützte Markdown-Optimierung am Saisonende

Das echte Ausmaß des Problems

Markdown-Management ist der größte versteckte Margenkiller im Modehandel — und gleichzeitig derjenige Prozess, der am häufigsten mit einer Entscheidung pro Saison “abgearbeitet” wird. Die durchschnittliche Preisnachlass-Entscheidung im deutschen Modehandel ist pauschal: ein Datum, ein Prozentsatz, alle Kategorien gemeinsam.

Das Problem: Preiselastizität ist produktspezifisch. Ein Wintermantel in Größe 42 Schwarz hat eine andere Nachfragekurve als ein Wintermantel in Größe 36 Camel. Ein Produkt mit 80 Stück auf Lager und noch sechs Wochen Saisonlaufzeit braucht ein anderes Markdown-Profil als eines mit 12 Stück und vier Wochen. Pauschalrabatte sind zu grob für diese Heterogenität.

Laut einer Analyse von Metyis und BCG (2024) verlieren europäische Modehändler durch suboptimales Markdown-Management zwischen 3 und 8 % realisierter Marge auf ihre Saisonstocks. Für ein Label mit 5 Millionen Euro Jahresumsatz und 40 % Anteil saisonal verkaufter Ware bedeutet das 60.000–160.000 Euro verlorene Marge pro Jahr — allein durch zu frühe, zu späte oder zu tiefe Rabatte.

Gleichzeitig zeigen Fallstudien von KI-Markdown-Tools (C&A, G-Star, Torfs mit Markmi): Unternehmen, die KI für Markdown-Entscheidungen einsetzen, erzielen 5–10 % höhere Umsätze und 3–5 % bessere Marge auf ihre Saisonstocks.

Mit vs. ohne KI — ein ehrlicher Vergleich

Ehrlicher Hinweis: KI kann die Nachfrage nicht vorhersagen, sie kann sie extrapolieren. Ein unerwartetes Ereignis (Wetterumbruch, Wirtschaftsschock) macht auch die beste Markdown-KI obsolet. Der Vorteil liegt in der konsistenten Optimierung über hunderte von SKUs gleichzeitig — nicht in der Unfehlbarkeit.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Markdown-KI macht Entscheidungen besser, nicht schneller. Die wöchentlichen Empfehlungen müssen trotzdem geprüft, diskutiert und umgesetzt werden. Die eigentliche Arbeit — Preisänderungen ins System einpflegen, Filialteams informieren — bleibt. Wer Zeitersparnis sucht, ist hier falsch; wer Margeverbesserung sucht, ist richtig.

Kosteneinsparung — hoch (4/5) 2–5 % Margeverbesserung auf den Saisonstock klingt wenig. Auf 40 % des Umsatzes gerechnet ist das 0,8–2 % Gesamtmarge. Für ein Label mit 5 Millionen Euro Umsatz sind das 40.000–100.000 Euro mehr Marge — real und direkt messbar. Nicht so stark wie OTB-Optimierung, aber schneller zu implementieren.

Schnelle Umsetzung — mittel (3/5) Wöchentliche Abverkaufsdaten je SKU müssen vorliegen. Wenn ein POS- oder ERP-System diese Daten exportieren kann, ist die Integration in 6–10 Wochen erledigt. Das ist schneller als OTB-Planung, aber langsamer als Produktbeschreibungen oder Größenberatung. Für Labels ohne strukturierte Abverkaufsdaten je Produkt ist die Einstiegshürde höher.

ROI-Sicherheit — hoch (4/5) Der Kausalzusammenhang ist klar: Du kannst nach jeder Saison vergleichen, ob der realisierte Durchschnittspreis auf Saisonware mit KI-Markdown-Steuerung höher war als vorher. Das ist ein direkter, messbarer Wert. Erschwerend ist der Jahresvergleich: Wenn eine Saison grundsätzlich besser läuft (besseres Wetter, günstigere Konjunktur), ist die Attribution schwieriger.

Skalierbarkeit — hoch (4/5) KI-Markdown skaliert sehr gut mit der Sortimentsbreite. Egal ob 200 oder 2.000 SKUs — der algorithmische Aufwand bleibt konstant. Mehr Standorte bedeuten granularere Empfehlungen (Filiale X hat noch Kapazität, Filiale Y ist ausgelastet), ohne proportionalen Mehraufwand.

Richtwerte — stark abhängig von Saisonstock-Anteil am Umsatz, Ausgangsniveau der Markdown-Entscheidungen und Qualität der wöchentlichen Abverkaufsdaten.

Was KI-Markdown-Optimierung konkret macht

Prognose der Restlaufzeit je SKU: Das System kennt die Abverkaufsgeschwindigkeit der letzten Wochen und den aktuellen Lagerbestand. Daraus berechnet es: “Wie lange wird es dauern, diesen Bestand zum aktuellen Preis zu verkaufen?” Wenn die Antwort länger ist als die Saison noch dauert, ist eine Preismaßnahme nötig. Wenn sie kürzer ist, sollte nicht reduziert werden.

Preiselastizitätsmodellierung: Das System analysiert, wie sich Preisänderungen in der Vergangenheit auf die Abverkaufsgeschwindigkeit ausgewirkt haben. Produkt A hat sich bei -20 % Preisreduktion dreimal so schnell verkauft — das ist ein Elastizitätswert, den das System für zukünftige Empfehlungen nutzt. Produkt B hat auf Preisänderungen kaum reagiert — hier ist tiefere Reduktion nötig, oder das Produkt wird nicht mehr abgesetzt, egal bei welchem Preis.

Zeitpunktoptimierung: Nicht jeder Artikel braucht zur gleichen Zeit eine Preismaßnahme. Ein Mantel, der noch in Woche 6 der 10-wöchigen Saison gut läuft, sollte nicht in Woche 4 reduziert werden. Das System gibt produkt-spezifische Timing-Empfehlungen: “Jetzt reduzieren” vs. “Noch zwei Wochen warten”.

Was das System nicht kann: Kulturelle oder soziale Ereignisse antizipieren, die die Nachfrage unerwartet verschieben. Es optimiert auf Basis der Vergangenheit — wenn eine Kundschaft sich strukturell verändert, bemerkt das System das erst mit Verzögerung in den Abverkaufsdaten.

Konkrete Werkzeuge — was wann passt

Markmi — Spezialisierte KI-Markdown-Optimierung für Fashion-Retail. Kunden wie C&A, G-Star und Torfs berichten von 5–10 % höheren Umsätzen und 5 % besserer Marge durch KI-gesteuerte Markdowns. Das System berechnet 14,5 Millionen Kombinationen in 5 Tagen — manuell nicht möglich. Preise auf Anfrage.

SAP Retail / SAP OAA — SAP bietet Markdown-Optimierung als Teil des SAP Customer Activity Repository. Für Unternehmen mit SAP-Backbone die integrierte Lösung — kein zusätzliches System, aber Enterprise-Komplexität und -Kosten.

Netsol, EDITED — EDITED bietet Wettbewerbspreisanalyse und Markdown-Empfehlungen kombiniert. Besonders nützlich, wenn du Preisentscheidungen nicht nur auf eigene Abverkaufsdaten stützen, sondern auch auf Wettbewerbspreise reagieren willst.

Excel + Claude/ChatGPT als Einstieg — Für Labels, die noch keine Markdown-Software haben, ist ein erster Schritt: Wöchentliche Abverkaufsdaten je SKU in Excel exportieren und Claude für eine strukturierte Analyse nutzen. Das ist kein Ersatz für echte Optimierungssoftware, gibt aber erste Erkenntnisse über Abverkaufsmuster.

Zusammenfassung: Wann welcher Ansatz

• Jahresumsatz unter 2 Mio. EUR → Excel-Analyse mit KI-Unterstützung, Software noch nicht nötig
• 2–10 Mio. EUR Umsatz, Fashion-Fokus → Markmi oder spezialisiertes Markdown-Tool
• SAP-Umgebung vorhanden → SAP OAA/Retail-Modul prüfen
• Wettbewerbspreis-Monitoring wichtig → EDITED als Kombilösung

Datenschutz und Datenhaltung

Markdown-Optimierung arbeitet mit Transaktions- und Produktdaten — keine personenbezogenen Kundendaten, solange keine Loyalty-Daten (Kundenkarten, individuelle Kaufhistorien) in das System fließen.

Wenn Kundenkartendaten zur Segmentierung genutzt werden (z.B. “Welche Kundengruppe reagiert besonders auf Preisreduktionen?”), greift die DSGVO vollständig. Auftragsverarbeitungsvertrag erforderlich, Datenübermittlung in Drittländer absichern.

Markmi ist ein niederländisches Unternehmen mit EU-Datenhaltung. Für den deutschen Markt ist das ein Vorteil — DSGVO-konform und kein Drittlandtransfer nötig.

EDITED hat US-Ursprung und Datenhosting teilweise außerhalb der EU — vor Vertragsabschluss Datenverarbeitungsvertrag und Hosting-Ort klären.

Was es kostet — realistisch gerechnet

Einrichtung:

• Datenintegration (POS/ERP-Export, API-Anbindung): 20–60 Stunden intern oder 5.000–15.000 EUR extern
• Software-Lizenz Markmi: Preise auf Anfrage — erfahrungsgemäß 500–3.000 EUR/Monat je nach Sortimentsgröße
• Interne Einarbeitungszeit Merchandising-Team: ca. 10–20 Stunden

Laufende Kosten:

• Software-Lizenz: monatlich oder jährlich
• Aufwand für wöchentliche Empfehlungs-Reviews: ca. 2–4 Stunden/Woche in der aktiven Saisonphase

Realistisches ROI-Szenario: Damenmodegeschäft mit 3 Millionen Euro Umsatz, 40 % saisonal verkaufte Ware (1,2 Mio. EUR Saisonstock). Aktuell 18 % Restbestandsquote mit durchschnittlich 30 % Abschrift: direkter Abschrift-Verlust ca. 65.000 EUR. Mit KI-Markdown-Optimierung: realisierter Durchschnittspreis auf Saisonware 4 % höher (laut Markmi-Kundendaten). Effekt: ~48.000 EUR mehr realisierten Umsatz auf denselben Warenbestand. Kosten Markmi: ~12.000 EUR/Jahr. Netto-Gewinn: ~36.000 EUR.

Drei typische Einstiegsfehler

Fehler 1 — Wöchentliche Empfehlungen nicht umsetzen Das System liefert wöchentliche Preisempfehlungen. Wenn diese systematisch ignoriert oder erst nach zwei Wochen umgesetzt werden, verliert sich der Optimierungseffekt. Markdown-Timing ist zeitkritisch: eine Woche Verzögerung in der sechsten von acht Saisonwochen bedeutet, dass das Produkt nicht mehr rechtzeitig abverkauft werden kann. Die Empfehlung muss zum Zeitpunkt, zu dem sie empfohlen wird, umgesetzt werden.

Fehler 2 — Filialspezifische Bestände ignorieren KI-Systeme können stand ortgranulare Empfehlungen geben — Filiale A hat 30 Einheiten, Filiale B hat 5. Die Preisstrategie sollte sich unterscheiden. Wer alle Filialen identisch reduziert, lässt die granularen Erkenntnisse liegen und optimiert auf Gesamtniveau statt auf Standortniveau.

Fehler 3 — Kein Preis-Feedback nach der Saison Das System lernt aus dem Vergleich von Empfehlung und tatsächlichem Effekt. Wenn nach der Saison nicht ausgewertet wird — welche Preisempfehlungen haben die erwartete Abverkaufsbeschleunigung gebracht, welche nicht? — verbessert sich das Modell nicht. Die Qualitätssteigerung über mehrere Saisonen ist das, was Markdown-KI langfristig wertvoll macht.

Was mit der Einführung wirklich passiert

Merchandising-Teams reagieren oft ambivalent: Sie sind froh, Entlastung bei aufwändigen Berechnungen zu bekommen, gleichzeitig entsteht eine neue Aufgabe — wöchentliche Empfehlungen prüfen, diskutieren und umsetzen. Das ist mehr Kontinuität als vorher, wo eine große Markdown-Entscheidung pro Saison getroffen wurde.

Typischer Widerstand: “Aber dieses spezifische Produkt kenne ich — das wird auch ohne Reduktion noch laufen.” Das ist manchmal richtig. Erfahrene Merchandiserinnen kennen ihre Kundschaft und ihren Markt besser als jeder Algorithmus. Der Prozess sollte das ermöglichen: KI-Empfehlung als Standard, manuelle Override möglich mit Begründung.

Adoptionskurve: In der ersten Saison werden ca. 40–50 % der Empfehlungen umgesetzt, der Rest wird geprüft und manchmal überschrieben. In der zweiten Saison steigt die Übernahmequote, wenn das Team gemerkt hat, welche Empfehlungen sich bewährt haben. Ab der dritten Saison ist das System Teil des normalen Rhythmus.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir machen das schon gut — unsere Erfahrung ist durch keine KI zu ersetzen.” Stimmt für einzelne Produkte. Nicht für 800 SKUs gleichzeitig. Der Algorithmus macht nicht das Gleiche besser, er macht etwas anderes: er berücksichtigt 800 Produkte simultan, ohne dass Aufmerksamkeit ein begrenzender Faktor ist. Das ist keine Aussage über die Qualität menschlichen Urteils — es ist eine Aussage über Skalierung.

“Was, wenn das System falsch liegt?” Dann ist der Schaden meistens kontrollierbar. Eine zu frühe Preisreduktion kostet Marge, aber schafft Abverkauf. Eine zu späte kostet Marge am Saisonende, aber hätte die Alternative auch. Das System liegt nicht öfter falsch als manuelle Entscheidungen — es liegt in anderen Produkten falsch. Wer wissen will, ob es besser ist, muss eine Saison damit fahren und den Durchschnittspreis vergleichen.

Woran du merkst, dass das zu dir passt

Das passt gut:

• Deine Abschriften am Saisonende liegen regelmäßig über 20 % der Saisonware — das ist der Schwellwert, ab dem Optimierung wirtschaftlich spürbar wird
• Du hast wöchentliche Abverkaufsdaten je SKU aus einem POS- oder ERP-System — das ist die nicht verhandelbare Datenbasis
• Dein Merchandising-Team trifft Markdown-Entscheidungen aktuell pauschal oder nach Gefühl — je weniger strukturiert die heutigen Entscheidungen, desto größer der KI-Vorteil
• Du betreibst mehrere Standorte oder Kanäle — standortgranulare Empfehlungen machen den größten Unterschied bei verteilten Beständen

Das passt noch nicht:

• Dein Jahresumsatz liegt unter 1 Million Euro — die Lizenzkosten übersteigen den Optimierungsgewinn; strukturierte Excel-Analyse mit KI-Unterstützung reicht
• Du hast keine wöchentlichen Abverkaufsdaten je SKU — monatliche Daten oder Gesamtumsatz reichen nicht für Preiselastizitätsmodellierung
• Dein Sortiment hat unter 100 SKUs — der manuelle Aufwand für datengestützte Markdown-Entscheidungen ist dann beherrschbar ohne Software
• Du arbeitest ohne Lagerhaltung (reine Kommissionsware) — dann gibt es keine Restbestände, die optimiert werden müssen

Das kannst du heute noch tun

Mache jetzt eine einfache Abverkaufsanalyse deiner letzten Saison: Welche Produkte haben sich in den letzten vier Wochen vor Saisonende besonders langsam verkauft? Wann wurde reduziert, und hat die Reduktion den Abverkauf beschleunigt? Das lässt sich in einer Stunde mit den Daten aus deinem Kassensystem beantworten — und gibt dir ein gutes Bild davon, ob Markdown-Optimierung für dich ein relevantes Thema ist.

Quellen & Methodik

• Metyis / BCG, Markdown-Optimierung im Modehandel 2024 — 3–8 % Margenverlust durch suboptimales Markdown-Management (Anbieter- und Beratungsangaben)
• Markmi Kundendaten, 2025 — 5–10 % Umsatzsteigerung und 5 % Margenverbesserung bei C&A, G-Star, Torfs (Anbieterangaben, unabhängig nicht verifiziert)
• FashionUnited, Torfs KI-Markdown 2025 — Fallstudie G-Star: 14,5 Millionen Berechnungen in 5 Tagen
• BCG, AI-Powered Pricing in Retail 2024 — Überblick über KI-Pricing-Technologien im Retail (Beratungsangaben)
• Eigene Einschätzung — ROI-Szenarien, Zeitpläne und Einstiegsfehler basieren auf öffentlich verfügbaren Implementierungsberichten; keine repräsentative Studie