KI-gestützte Preisoptimierung für Outlet, Sale und Second-Hand-Kanäle

Das echte Ausmaß des Problems

Mode lebt in Zyklen — und jeder Zyklus endet mit derselben Frage: Was machen wir mit dem Rest? Im deutschen Modehandel sind das keine Einzelfälle. Branchenerhebungen zeigen, dass 10–25 % einer typischen Saison-Kollektion am Ende des regulären Verkaufszeitraums nicht zum Vollpreis abverkauft wurde. Bei Fashion-Einzelhändlern kann das mehrere Hunderttausend Euro an gebundenem Kapital bedeuten — Ware, die noch Lagerfläche belegt, Abschriften erzeugt oder zu Schleuderpreisen verscherbelt wird.

Das eigentliche Problem ist nicht, dass die Ware existiert. Es ist, dass die Preisfindung für diese Ware blind abläuft.

Die Entscheidung “alles auf -30 %” ignoriert:

• Nachfrageunterschiede je Produkt: Ein Wintermantel in Größe XS hat eine andere Restnachfrage als derselbe Mantel in XXL. Ein Outdoor-Funktionsstück hält Nachfrage länger als ein trendgetriebenes Party-Top.
• Kanalunterschiede: Vinted-Käufer:innen suchen nach anderen Kriterien als Outlet-Kundschaft. Eine Bluse, die im Outlet bei 29 Euro kaum Aufmerksamkeit bekommt, kann auf Depop bei 34 Euro schnell gehen, weil der Suchbegriff passt.
• Zeitfenster: Wer zu früh zu stark reduziert, verliert Marge auf Artikel, die noch Wochen Restpotenzial gehabt hätten. Wer zu spät reduziert, schiebt den Abverkauf in ein Fenster, in dem der Wettbewerb bereits alle anderen Restbestände zum gleichen Zeitpunkt anbietet.

Laut einer Analyse von Hypersonix AI verbrennen Modehändler durch pauschale Markdown-Entscheidungen im Schnitt 10–20 % unnötige Marge auf ihren Saisonresten. Ein mittelgroßer Händler mit 2 Mio. Euro Saisonrest verliert damit 200.000–400.000 Euro realisierbare Marge pro Zyklus — durch Entscheidungen, die KI heute besser trifft als ein Merchandising-Team unter Zeitdruck.

Hinzu kommt der Druck des wachsenden Resale-Markts: Der deutsche Recommerce-Markt hatte 2024 ein Gesamtvolumen von rund 9,9 Milliarden Euro (Jahreswachstum 7,2 %), und Mode ist das Rückgrat dieses Wachstums. Plattformen wie Vinted, Zalando Pre-owned und Momox Fashion haben eine Nachfragebasis aufgebaut, die Fashion-Brands nutzen können — aber nur, wenn sie die Preisdynamik dieser Kanäle verstehen.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus Praxisberichten, u.a. Markmi-Kundendaten (C&A, G-Star, Torfs) und Rebag-Fallstudie. Abweichungen je nach Sortimentsstruktur und vorhandener Datenhistorie.

Der entscheidende Vorteil: Das System wacht 24/7 über den Abverkauf. Nicht nur beim wöchentlichen Merchandising-Meeting.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das Pricing-Team spart echte Stunden bei der wöchentlichen Analyse — kein manuelles Durcharbeiten von Excel-Listen mehr, keine Meetings über pauschale Rabattentscheidungen. Aber: Die operative Logistik des Outlet-Managements, die physische Verteilung der Ware, das Listing auf Plattformen — das alles bleibt manuell. KI übernimmt das Pricing-Denken, nicht den Outlet-Betrieb. Unter den Mode-Anwendungsfällen gehört das zu den niedrigeren Zeitersparnissen.

Kosteneinsparung — sehr hoch (5/5) Das ist der stärkste Hebel in dieser Kategorie. Unverkaufte Ware ist buchhalterisch bereits abgeschrieben — jeder Euro mehr, den du im Outlet oder auf der Resale-Plattform für einen Artikel erzielst, geht direkt als Margenzugewinn durch. Ein mittelständischer Modehändler mit 500.000 Euro Saisonrest kann durch 10 % höhere Erlöse 50.000 Euro zusätzliche Marge realisieren — ohne neue Ware zu kaufen, ohne mehr zu verkaufen. Kein anderer Anwendungsfall in dieser Branche hat einen so direkten Durchlauf von Maßnahmenwirkung zu Marge.

Schnelle Umsetzung — mittel (3/5) Ein erstes Modell mit Preis-Empfehlungen ist in 6–10 Wochen aufzubauen — das erfordert historische Abverkaufsdaten, eine Datenschnittstelle zum eigenen System und das Einrichten von Margin-Floors je Kategorie. Das ist handhabbar, aber kein Wochenend-Projekt. Im Vergleich zur KI-Markdown-Optimierung, die teils auf denselben Tools basiert, ist der Einstieg ähnlich schnell — das Multi-Kanal-Setup macht UC20 aber etwas aufwendiger.

ROI-Sicherheit — hoch (4/5) Der Nachweis ist direkt: realisierter Durchschnittspreis pro Outlet-Artikel diese Saison vs. letzte Saison, Sell-through-Rate bis zu einem definierten Datum, Restbestand nach dem Abverkaufszeitraum. Das sind keine indirekten Effekte — die Zahlen stehen im Kassensystem. Schwieriger ist es, den KI-Effekt sauber von anderen Veränderungen (anderem Wetter, anderer Kollektion, anderem Marktumfeld) zu isolieren. Deshalb nicht 5, aber klar besser als reine Kosteneinsparungen, die nur als Opportunitätsrechnung auftreten.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut, skaliert das System ohne Mehraufwand: 500 SKUs mehr in der nächsten Saison bedeuten keine 500 Stunden mehr manuelle Pricing-Arbeit. Einschränkung: Das System wird schlechter, wenn keine Verkaufsdaten für ähnliche Produkte existieren — neue Produktkategorien, neue Materialien oder Stilrichtungen ohne historische Abverkaufshistorie brauchen einen Kaltstart, der Wochen dauern kann.

Richtwerte — stark abhängig von Sortimentstiefe, Anzahl aktiver Kanäle und Datenqualität aus POS- oder ERP-System.

Was das Repricing-System konkret macht

Das Grundprinzip ist Predictive Analytics kombiniert mit kanalspezifischer Preisdifferenzierung. Das System arbeitet in drei Schritten:

Schritt 1 — Nachfrageprognose je Produkt und Kanal Das Modell lernt aus vergangenen Saisonen: Wie hat sich Artikel X in Kategorie Y mit Eigenschaft Z in der Vergangenheit verkauft? Mit welcher Geschwindigkeit ging Größe M weg im Vergleich zu Größe S? Welche Produkte hielten Preise länger, welche brauchten frühere Reduktionen? Für Resale-Plattformen kommen externe Daten hinzu: Wie viele ähnliche Artikel werden aktuell auf Vinted oder Zalando Pre-owned angeboten, zu welchem Preis, und wie viele werden tatsächlich verkauft?

Schritt 2 — Preis-Decay-Kurven je Kanal Für jeden Artikel berechnet das System eine Preis-Trajektorie: Wann sollte der Preis zum ersten Mal reduziert werden? Um wie viel? Wann folgt die nächste Stufe? Das System differenziert dabei nach Kanal — was im Outlet-Store funktioniert, gilt nicht zwingend für eine Vinted-Plattform, wo Suchbarkeit und Konkurrenzlage andere Dynamiken erzeugen.

Schritt 3 — Margin-Floor-Absicherung Jede Empfehlung prüft einen definierten Mindestpreis. Kein Artikel wird unter einen vorab festgelegten Preis-Floor reduziert — das schützt die Marge und verhindert, dass das System Preise in den negativen Deckungsbeitrag empfiehlt. Dieser Floor ist je Produktkategorie und Kanal konfigurierbar und kann auch Brand-Schutz-Regeln beinhalten (dazu mehr im nächsten Abschnitt).

Das Ergebnis ist keine vollautomatische Preissetzung, sondern eine Empfehlungsmaschine: Das System schlägt vor, das Pricing-Team entscheidet und gibt frei. Vollständige Automatisierung ist möglich — aber für die meisten Brands empfehlen wir einen menschlichen Freigabeschritt, besonders für Kanäle, die sichtbar auf das Markenbild einzahlen.

Resale und Outlet: Wenn die Brand-Kontrolle endet

Hier liegt der entscheidende Unterschied zur klassischen KI-Markdown-Optimierung: Innerhalb des eigenen Shops oder der eigenen Filialen kontrollierst du den Preis vollständig. Sobald ein Artikel auf Vinted landet, verlässt er diese Kontrolle — und kehrt nie mehr zu ihr zurück.

Was das konkret bedeutet:

Sekundärmarkt beeinflusst den Primärmarkt. Wenn deine Artikel auf Vinted regelmäßig für 9,99 Euro gehandelt werden, weiß das potenzielle Neukunden — und es prägt ihre Zahlungsbereitschaft im Hauptsortiment. Studien zur Markenwahrnehmung zeigen: Häufige, tiefe Discounts im Secundary Market korrelieren mit sinkender Preistoleranz im Primärkanal. Das ist die Coach-Falle — der US-Accessoire-Hersteller verlor in den 2010er Jahren durch aggressive Outlet-Expansion nachhaltig Markenequity, die erst nach Jahren mühsamer Repositionierung wieder aufgebaut wurde.

Kanal-Sichtbarkeit schafft Preisanker. Ein Artikel, der auf Zalando Pre-owned offiziell für 25 Euro verkauft wird, setzt einen Referenzpreis. Wer danach 70 Euro im Hauptshop zahlen soll, fragt sich, warum. KI-gestützte Repricing-Systeme können dafür Guardrails definieren: eine Mindestpreisregel je Plattform (z.B. Pre-owned nie unter 40 % des originalen UVP), eine Sperrfrist (keine Listings auf Resale-Plattformen, solange der Artikel noch im Hauptsortiment aktiv ist) und eine Kanal-Hierarchie (erst Outlet-Store, dann eigener Sale-Event, dann Plattform).

Das Mengenrisiko auf Plattformen. Wenn alle 200 Stück einer SKU gleichzeitig auf Vinted gelistet werden, drücken sie gegenseitig die Preise. KI-Systeme können das Listing zeitlich strecken und die Menge je Kanal steuern — so entsteht keine künstliche Überversorgung.

Für Brands mit Markenpreisstrategie — also alles oberhalb des Fast-Fashion-Segments — ist dieser Abschnitt kritischer als jede Pricing-Optimierung. Ein System, das den letzten Cent aus einem Artikel herausholt und dabei nachhaltig den Markenwert beschädigt, rechnet sich langfristig nicht.

Die Faustregel: Je aspirierende die Marke, desto mehr muss das System auf Margin-Protection ausgelegt sein — und desto weniger auf Sell-through-Maximierung um jeden Preis.

Konkrete Werkzeuge — was wann passt

Für die Outlet- und Resale-Preisoptimierung gibt es kein einzelnes Tool, das alle Kanäle gleichzeitig abdeckt. Die Praxis ist eine Kombination aus spezialisierten Werkzeugen je nach Reife des Unternehmens.

7Learnings — für den gesamten Preis-Lifecycle Das Berliner Unternehmen hat sich auf Fashion-Preisoptimierung spezialisiert und deckt die gesamte Markdown-Sequenz ab — vom Einführungspreis bis zur letzten Saisonabschrift. Referenzkunden wie Tamaris, Tom Tailor und Intersport belegen die Praxis-Tauglichkeit. 7Learnings ist die beste Wahl, wenn du einen ganzheitlichen Ansatz suchst und historische Verkaufsdaten aus mindestens einer Saison mitbringst. Preise auf Anfrage; es gibt ein performance-basiertes Modell (% der Margensteigerung). EU-Datenhaltung, ISO 27001.

Markmi — für das Markdown-Management mit Fokus auf Mode Spezifisch auf Fashion-Merchandising-Teams ausgelegt. Markmi berechnet automatisch Zeitpunkt und Tiefe von Preisnachlässen je SKU — mit Szenario-Analysen, damit das Team verschiedene Ziele (Sell-through vs. Margin-Floor) durchspielen kann. Kundendaten von C&A, G-Star und Torfs zeigen 5–10 % Umsatzsteigerung und 2–5 % bessere Marge im Saisonabverkauf. Geeignet ab ca. 500 aktiven SKUs pro Saison. Keine öffentlichen Preise, EU-Datenhaltung.

Omnia Retail — für das Wettbewerbs-Monitoring auf Resale-Plattformen Omnia kann Preise auf verschiedenen Kanälen gleichzeitig monitoren — inklusive Marktplätzen. Wenn du wissen willst, zu welchen Preisen ähnliche Artikel deiner Wettbewerber auf Zalando, idealo oder anderen Plattformen angeboten werden, liefert Omnia diese Daten in Echtzeit. Für die Resale-spezifische Analyse ist es kein Spezialtool — aber als Grundlage für kanalspezifische Preisentscheidungen nützlich. Ab 399 €/Monat (SMB-Plan), EU-Datenhaltung.

ChatGPT / Claude für den Einstieg ohne Setup Wer erstmals verstehen will, wie datengetriebenes Outlet-Pricing funktioniert und welches Potenzial im eigenen Bestand liegt: Exportiere deine Abverkaufsdaten der letzten Saison als CSV, lade sie hoch und frage nach Mustern — welche Artikel hätten früher reduziert werden müssen? Welche wären länger auf Vollpreis laufbar gewesen? Das ist kein Produktivsystem, aber ein schnelles Validierungsinstrument, das zeigt, wo die Hebel liegen.

Zusammenfassung: Wann welcher Ansatz

• Einstieg mit bestehenden Daten → ChatGPT / Claude mit CSV-Upload
• 500–5.000 SKUs, Fokus auf Abverkaufsphase → Markmi
• Gesamter Preis-Lifecycle vom ersten Tag an → 7Learnings
• Wettbewerbs-Monitoring über Kanäle hinweg → Omnia Retail (ergänzend)

Datenschutz und Datenhaltung

Die Daten in diesem Use Case sind fast ausschließlich Produkt- und Transaktionsdaten — keine personenbezogenen Kundendaten im Kern. Das macht die DSGVO-Anforderungen überschaubar:

• 7Learnings: Berliner Unternehmen, EU-Datenhaltung, ISO 27001 und SOC 2 Type II zertifiziert. Primär Verkaufsdaten, Preisverläufe, Lagerbestände — kein Personenbezug. Einfacher AVV-Abschluss.
• Markmi: EU-Datenhaltung (NL). Verarbeitet Abverkaufsdaten und Bestände. Kein personenbezogener Datensatz im Kern. AVV auf Anfrage.
• Omnia Retail: EU-Datenhaltung (NL). Verarbeitet Produktpreise und Wettbewerbsdaten — keine Kundendaten.

Kritischer Punkt: Wenn du Kaufdaten auf Artikelebene mit Kundenkonto-IDs verknüpfst, um Nachfrageelastizität zu messen, werden Kundendaten verarbeitet — dann gelten volle DSGVO-Anforderungen inklusive AVV-Abschluss.

Für Resale-Plattformen wie Vinted oder Depop gilt: Du gibst Produktpreise vor, hast aber keinen Datenzugriff auf Plattform-Analysen für deine Listings — es sei denn, du nutzt die Business-APIs dieser Plattformen, die teilweise begrenzt verfügbar sind.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Datenvorbereitung und Datenqualitäts-Check: 1–4 Wochen intern (wöchentliche Abverkaufsdaten je SKU, historische Preisverläufe, kanalspezifische Umsätze)
• Externe Einrichtung/Onboarding eines Spezialtools: typisch 5.000–15.000 Euro für Erstkonfiguration, Datenanbindung und Schulung
• Alternativ ohne Spezialtool: ChatGPT/Claude mit aufbereiteter CSV — nahezu kostenlos, aber manuell und nicht skalierbar

Laufende Kosten (monatlich)

• Markmi: SaaS-Lizenz auf Anfrage; typisch im vierstelligen Bereich/Monat je nach Sortimentsgröße
• 7Learnings: Performance-basiert (% der Margensteigerung) oder SaaS auf Anfrage
• Omnia Retail: ab 399 €/Monat (SMB-Plan)
• ChatGPT Business / Claude Pro: 20–30 €/Nutzer/Monat

Konservatives ROI-Szenario Ein Modehändler mit 800.000 Euro Saisonrest im Outlet und auf Resale-Kanälen. Aktuell realisierter Erlös: 60 % des Outlet-Abgabepreises (Rest: Abschriften und Lagerabtrag). Mit KI-Repricing: Annahme 8 % höherer realisierter Erlös auf 70 % des Bestands (die 30 %, bei denen keine historischen Daten vorliegen oder die Margin-Floor bereits erreicht ist, bleiben unverändert). Das ergibt: 800.000 € × 0,7 × 0,08 = 44.800 € zusätzliche Marge pro Saison — bei Tools-Kosten von typisch 8.000–20.000 Euro/Jahr. Das konservative Szenario amortisiert sich damit innerhalb einer Saison.

Wie du den ROI tatsächlich misst Nicht durch eine Hochrechnung, sondern durch Vergleich: Realisierter Durchschnittspreis je Outlet-SKU diese Saison vs. Vorjahr (kollektion- und sortimentsbereinigt), Sell-through-Rate zum gleichen Stichtag im Vorjahresvergleich, Abschriftenquote in Prozent des Outlet-Bestands. Wer diese drei Zahlen vor dem Projekt kennt, kann die Wirkung exakt beziffern.

Drei typische Einstiegsfehler

1. Outlet-Pricing ohne Kanal-Differenzierung konfigurieren Der häufigste Fehler: Das System wird so eingestellt, dass es Preise für “die Outlet-Phase” optimiert — als wäre Outlet ein einzelner Kanal. In der Praxis hat ein Artikel im eigenen Outlet-Store eine andere Preis-Elastizität als derselbe Artikel auf Vinted, und eine andere als auf Zalando Pre-owned. Wer keinen eigenen Preisrahmen je Kanal definiert, riskiert, Resale-Plattformen zu “subventionieren” (niedrigerer Preis als nötig) und den eigenen Outlet zu “unterpreisen” (zu schnell zu tief zu gehen). Lösung: Vor der Konfiguration je Kanal einen Margin-Floor und eine maximal zulässige Rabatttiefe definieren.

2. Zu früh zu viele Kanäle gleichzeitig Wer Outlet, eigener Sale-Event, Vinted, Zalando Pre-owned und Depop gleichzeitig mit KI-Pricing steuern will, überfordert die Datenbasis und das eigene Team. Jeder Kanal braucht historische Daten, kanalspezifische Regeln und ein Monitoring-Konzept. Lösung: mit einem Kanal starten (meistens der eigene Outlet oder Online-Sale), dort ein funktionierendes System aufbauen und erst dann expandieren.

3. Das System läuft — und niemand schaut mehr hin Das ist der gefährlichste Fehler, weil er schleichend passiert. Nach sechs Monaten funktioniert das Repricing-System. Das Team gewöhnt sich daran. Dann wechselt der Markt: ein Wettbewerber räumt zur gleichen Zeit Restbestände, eine Plattform ändert ihren Suchalgorithmus, eine neue Fast-Fashion-Marke drückt die Preise in einem Segment nach unten. Das Modell passt sich nicht automatisch an — es braucht einen Auslöser. Lösung: Monatliche Prüfrunde für die top-20-auffälligsten Abweichungen zwischen Preis-Empfehlung und tatsächlichem Abverkauf. Wenn die Trefferquote der Prognosen unter 70 % fällt, muss das Modell neu kalibriert werden.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Das Merchandising-Team verbringt weniger Zeit mit Spreadsheets und mehr Zeit damit, Preis-Empfehlungen zu bewerten und Ausnahmen zu definieren. Die wöchentliche Markdown-Diskussion wird kürzer — weil statt einer Debatte über Bauchgefühle eine Empfehlung mit Daten auf dem Tisch liegt, die das Team kommentieren und anpassen kann, aber nicht mehr von Grund auf selbst berechnen muss.

Was nicht passiert: Das System entscheidet nicht autonom, welche Artikel auf welche Plattform gehen. Das ist eine strategische Entscheidung, die Brand-Überlegungen einschließt, die kein Modell vollständig abbilden kann. Auch die Logistik — wer pflegt die Vinted-Listings? Wer schickt die Ware in den Outlet? — bleibt unverändert manuell.

Die häufigsten Widerstands-Muster:

“Wir kennen unsere Artikel.” Stimmt — und das Wissen erfahrener Merchandiserinnen und Merchandiser über Kundensegmente und Trends ist wertvoll. Dieser Widerstand entschärft sich, wenn das System transparent macht, warum es welchen Preis empfiehlt (welche Abverkaufskurven, welche Vergleichsartikel, welcher Margin-Floor). Kein Black-Box-Ansatz — die KI schlägt vor, das Team entscheidet.

“Was, wenn das System falsch liegt?” Jeder Preis hat einen Freigabe-Schritt. Das Team kann Empfehlungen überschreiben. Was sich nach einigen Monaten zeigt: Das System liegt in der Breite besser als Bauchgefühl — auch wenn es bei einzelnen Artikeln daneben liegt. Der Vergleich läuft nicht Artikel gegen Artikel, sondern Portfolio gegen Portfolio: Wie entwickelt sich die Durchschnittsmarge über alle Outlet-Artikel?

“Wir haben das immer so gemacht.” Dieser Einwand braucht keine Gegenargumentation — er braucht einen Piloten. Eine Saison, eine Kategorie, mit und ohne KI-Empfehlung. Der Vergleich spricht selbst.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Kollektion ist zu individuell für Algorithmen.” Das hört sich nach einem starken Argument an. Ist es aber in der Regel keines. Das System braucht keine identischen Artikel zum Vergleich — es arbeitet mit Produkteigenschaften (Kategorie, Material, Farbe, Fit, Zielgruppe, Saison). Auch ohne direktes Vergleichsstück kann eine Lernkurve aus hundert ähnlichen Artikeln entstehen. Wo das Argument tatsächlich zieht: bei One-of-a-Kind-Stücken, Vintage-Einzelteilen oder Handarbeiten mit Unikateigenschaft — hier ist KI-Repricing tatsächlich nicht sinnvoll.

„Das Modell weiß nichts von unserem Brand Image.” Richtig — und deshalb gehören Brand-Schutz-Regeln in die Konfiguration, nicht in das Modell selbst. Margin-Floors, Sperrfristen, verbotene Kanäle für bestimmte Produktgruppen: Das ist keine KI-Aufgabe, das ist eine Strategie-Entscheidung des Unternehmens. Die KI optimiert innerhalb dieser Grenzen, nicht ohne sie.

„Was, wenn eine Resale-Plattform ihren Algorithmus ändert?” Das passiert — und es ist ein reales Risiko. Vinted ändert Suchalgorithmen, Zalando Pre-owned entwickelt sich weiter. Ein gutes System hat deshalb eine Feedback-Schleife: Wenn die Sell-through-Rate auf einem Kanal deutlich hinter der Prognose zurückbleibt, ist das ein Signal zur Kalibrierung. Wer das ignoriert, hat nach sechs Monaten ein veraltetes Modell, das selbstbewusst falsche Empfehlungen gibt.

Woran du merkst, dass das zu dir passt

Du erkennst diesen Use Case, wenn:

• Ihr habt regelmäßig Saisonreste, die über Outlet, eigene Sale-Events oder externe Plattformen abverkauft werden — nicht als Ausnahme, sondern als fester Teil des Saisonzyklus
• Preisreduktionen im Sale sind heute pauschale Regelentscheidungen — alle -30 % ab Datum X — ohne individuelle Betrachtung je Produkt oder Kanal
• Ihr vermarktet über mindestens zwei Kanäle gleichzeitig, aber habt keinen systematischen Ansatz, um zu entscheiden, welcher Kanal für welchen Artikel besser zahlt
• Die Abschriftenquote ist bekannt und schmerzt — ihr wisst, dass ein Teil der Ware unter Einstandspreis oder sogar an Restpostenverkäufer geht
• Ihr habt Abverkaufsdaten auf SKU-Ebene aus mindestens einer abgeschlossenen Saison (Wochenwerte aus POS oder ERP)

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Unter ca. 300 aktiven SKUs im Outlet pro Saison. Das Modell braucht Masse, um statistisch relevante Muster zu erkennen. Bei 80 oder 100 Outlet-Artikeln ist der manuelle Aufwand für eine sinnvolle Repricing-Strategie beherrschbar — und das Modell lernt zu wenig, um verlässliche Prognosen zu machen.

2. Keine historischen Abverkaufsdaten auf SKU-Ebene aus mindestens einer Saison. Das ist die harte Daten-Voraussetzung: wöchentliche Verkaufszahlen je Artikel, realisierte Preise, Bestandsveränderungen. Wer diese Daten nicht hat oder nicht exportieren kann, muss zuerst die Dateninfrastruktur aufbauen — KI-Repricing kommt danach.

3. Keine definierten Margin-Floors und Kanal-Strategie vor der Implementierung. Ein Repricing-System ohne klare Grenzen optimiert in die falsche Richtung. Wenn das eigene Team keine Antwort auf die Frage hat — “Was ist der minimale Preis, zu dem wir einen Artikel in Kanal X verkaufen wollen, und warum?” — ist das Tool ein Hebel ohne Stopper. Das Ergebnis: kurzfristig hohe Sell-through-Raten, langfristig Markenschaden.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude, exportiere die Abverkaufsdaten deiner letzten Outlet-Saison als CSV (Artikel-ID, Startpreis, Abverkaufspreis, Startdatum, Abverkaufsdatum, Kanal, verkaufte Menge), und stell folgende Fragen:

• Welche Artikel haben mehr als 4 Wochen gebraucht, um zu 50 % abverkauft zu sein?
• Welche Artikel hätten bei einem 10 % niedrigeren Startpreis vermutlich früher abgegangen — und was bedeutet das für den Gesamterlös?
• Welche Artikel sind am Ende noch liegen geblieben, obwohl sie früh hätten tiefer reduziert werden können?

Das dauert 20 Minuten. Was du danach weißt: wo die konkreten Hebel in deinem eigenen Bestand liegen — bevor du irgendeinen Tool-Vertrag unterzeichnest.

Für den strukturierten Ansatz, den du dann mit einem Spezialtool umsetzen kannst:

Quellen & Methodik

• Rebag-Fallstudie (Sell-through +18 % in 3 Monaten): Gräbner Omahna IT Consulting, „KI-Preisoptimierung: So setzt künstliche Intelligenz neue Standards für ReCommerce-Plattformen” (ao-itc.de, 2024). Rebag ist ein US-amerikanischer Luxus-Resale-Händler, das Ergebnis ist nicht direkt auf europäische Fashion-Brands übertragbar, gibt aber eine realistische Größenordnung.
• Metyis-Fallstudie (bis zu 4 % Bruttomargen-Uplift, bis zu 10 % höhere Sellout-Rate): Metyis, „Paving the way for sustainable fashion in the digital age with AI-powered markdown optimisation” (metyis.com, 2024). Umgesetzt bei europäischen Premium-Fashion-Brands; Retailer nicht namentlich genannt.
• Markmi-Praxis (C&A, G-Star, Torfs): FashionUnited, „More Margin, Less Hassle: Markmi’s AI Assistant Optimizes Fashion Markdowns for Better Results” (fashionunited.com, Februar 2025). Bericht 5–10 % Umsatzsteigerung und 2–5 % Margensteigerung im Saisonabverkauf.
• Margin-Verluste durch pauschale Markdowns (10–20 %): Hypersonix AI, „From Markdown Mayhem to Margin Discipline: AI Strategies for Smarter Clearance in Fashion” (hypersonix.ai, 2024). Vendor-Quelle; unabhängige Validierung steht aus.
• Deutscher Recommerce-Markt (9,9 Mrd. Euro, CAGR 7,2 % in 2024): AIM Group / Research and Markets, „Germany Recommerce Market Report 2025” (aimgroup.com, 2025).
• Vestiaire/Resale: AI überbewertet Fast Fashion: Alibaba Insights, „AI Fashion Resale Pricing Tools vs Manual Research: Do They Overvalue Fast-fashion Pieces” (2024). Wichtiger Hinweis auf Modellgrenzen bei Fast-Fashion-SKUs ohne saubere Preishistorie.
• Coach-Brand-Equity-Erosion: Branding Strategy Insider, „The Impact of Discounting on Brand Equity” (brandingstrategyinsider.com); Killan Branding Whitepaper „Discounting: the brand equity quicksand” (killianbranding.com, 2024).
• Preisangaben Markmi, 7Learnings, Omnia Retail: Öffentliche Anbieter-Webseiten und eigene Recherche (Stand Mai 2026).
• Zara-Benchmarks (85 % Sell-through at Full Price): Fashion AI School, „Dynamic pricing & AI in fashion retail” (fashionaischool.com, 2024). Branchenreferenz für Best-in-Class-Abverkauf.

Du willst wissen, welches Potenzial in deinem konkreten Outlet-Bestand steckt und welches Tool zu eurer Systemlandschaft passt? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.