KI-gestützte Markdown-Optimierung am Saisonende

Das echte Ausmaß des Problems

Markdown-Management ist ein unterschätzter Margenkiller im Modehandel, und gleichzeitig ein 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.

Wie viel Marge Modehändler durch zu frühe, zu späte oder zu tiefe Rabatte verlieren, dazu haben wir keine abrufbare unabhängige Studie gefunden. Was es gibt, sind Anbieterangaben: Markmi nennt für Kunden wie C&A und Torfs 3 bis 7 % Margenverbesserung im Abverkauf am Saisonende, für Torfs wirbt es zusätzlich mit +30 % Umsatz und +8 % Marge. Der Anbieter misst sein eigenes Produkt, und die Angabe bezieht sich auf den Abverkauf, nicht auf den ganzen Umsatz. Was das für dich bedeutet, rechnet der Kostenabschnitt unten durch.

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, mittel (3/5) Markmi nennt 3 bis 7 % Margenverbesserung im Abverkauf am Saisonende. Die Angabe gilt für den Abverkauf, nicht für den ganzen Umsatz: Bei einem Label mit 5 Millionen Euro Umsatz, 40 % Saisonware und einem Viertel davon im Abverkauf sind das 3 bis 7 % von 500.000 Euro, also 15.000 bis 35.000 Euro im Jahr, vor Lizenzkosten und als Anbieterangabe. Spürbar, aber kein Hebel, der jede Lizenz trägt. 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, mittel (3/5) 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. Der Jahresvergleich ist aber schwach: Wenn eine Saison grundsätzlich besser läuft (besseres Wetter, günstigere Konjunktur), weißt du nicht, was davon das System war. Belastbarer ist ein Pilot, bei dem eine Warengruppe mit KI und eine vergleichbare ohne läuft, in derselben Saison.

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 aus Gent, Belgien. Der Anbieter nennt Kunden wie C&A und Torfs und wirbt mit 3 bis 7 % Margenverbesserung im Abverkauf am Saisonende sowie 80 bis 95 % weniger Aufwand dafür. Unabhängig geprüft ist das nicht. Preise nur auf Anfrage, angeboten werden Pilotprojekte über eine Saison.

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 belgisches Unternehmen (Markmi BV, Gent) und arbeitet laut eigener Angabe DSGVO-konform. Wo genau die Produktdaten gehostet werden, sagt die Website nicht eindeutig, lass dir den Serverstandort im AVV bestätigen.

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 extern nach Angebot
• Software-Lizenz Markmi: nur auf Anfrage, je nach Sortimentsgröße und Umsatzvolumen; eine öffentliche Preisliste gibt es nicht
• Interne Einarbeitungszeit Merchandising-Team: ca. 10–20 Stunden

Laufende Kosten:

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

Realistisches ROI-Szenario (Annahmen bis auf die Anbieterangabe): Damenmodegeschäft mit 3 Millionen Euro Umsatz, 40 % saisonal verkaufte Ware (1,2 Mio. EUR). Annahme: Ein Viertel davon, 300.000 Euro, wird im Abverkauf am Saisonende umgesetzt. Markmi nennt 3 bis 7 % Margenverbesserung im Abverkauf. Auf diesen Umsatz bezogen sind das 3 bis 7 % von 300.000 Euro, also 9.000 bis 21.000 Euro im Jahr.

Rechnete man die Anbieterangabe auf die gesamte Saisonware, kämen 36.000 bis 84.000 Euro heraus. Das trägt die Angabe nicht, sie gilt für den Abverkauf.

Dagegen steht die Lizenz, die Markmi nur auf Anfrage nennt, plus die Datenintegration. Die Rechnung lohnt sich also nur, wenn die Jahreslizenz deutlich unter 9.000 bis 21.000 Euro bleibt. Frag im Angebot genau danach, und setz statt der 300.000 Euro deinen eigenen Abverkaufsumsatz der letzten Saison ein.

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: Wie viele Empfehlungen das Team in der ersten Saison übernimmt, ist offen. Zähl es mit, die Übernahmequote ist neben dem Durchschnittspreis die wichtigste Kennzahl der Pilotsaison. Sie steigt, wenn das Team sieht, welche Empfehlungen sich bewährt haben, und erst dann wird 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:

• Dein Abverkauf am Saisonende ist groß genug, dass 3 bis 7 % davon die Lizenz tragen, im Rechenbeispiel oben sind es 300.000 Euro Abverkaufsumsatz
• 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 2 Millionen Euro: Bei 40 % Saisonware und einem Viertel davon im Abverkauf bringen 3 bis 7 % höchstens 6.000 bis 14.000 Euro im Jahr, das trägt kaum eine Speziallizenz; 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

• Markmi, Startseite (Anbieterangabe), 3 bis 7 % Margenverbesserung im End-of-Season-Sale, bis zu 80 bis 95 % weniger Aufwand, Fallbeispiel Torfs mit +30 % Umsatz und +8 % Marge; Kunden u. a. C&A und Torfs. Abgerufen am 3. Oktober 2026: markmi.ai. Unabhängig nicht geprüft.
• BCG, AI-Powered Pricing in Retail 2024, Überblick über KI-Pricing-Technologien im Retail (Beratungsangaben)
• Abverkaufsanteil, Umsatzgrößen und Zeitpläne im Rechenbeispiel: keine Quelle, Annahmen; eine unabhängige Studie zu Margenverlusten durch Markdown-Management im deutschen Modehandel haben wir nicht gefunden