Auslaufmodell-Prognose: Restbestände dynamisch abverkaufen statt vernichten

Das echte Ausmaß des Problems

Spielzeug ist ein Saisongeschäft mit harten Datumsgrenzen. Wenn im Frühjahr ein neuer Katalog erscheint, hört die Nachfrage nach den Vorgängermodellen nicht graduell auf — sie fällt oft innerhalb weniger Wochen auf annähernd null, weil Händler keine Nachbestellungen mehr platzieren und Endkunden auf die Neuheit warten. Das macht die Räumung der Auslaufartikel zu einer mathematisch klar definierten Aufgabe: Auf welchem Preis bei welchem Artikel, damit Lagerbestand und Saisondatum zum gleichen Zeitpunkt null erreichen?

In der Praxis läuft das selten so präzise ab. Branchenüblich sind Pauschalrabatte zu einem festen Termin — 20 Prozent im Oktober, noch einmal 30 Prozent im Dezember, Restposten im Januar — die das gesamte Auslaufsortiment betreffen, unabhängig davon, wie sich einzelne Artikel verhalten. Das Problem: Preissensitivität und verbleibende Nachfrage variieren stark zwischen SKUs. Ein Brettspiel, das noch aktiv nachgefragt wird, braucht keinen Frührabatt. Ein Außenspielzeug mit stark saisonaler Nachfrage hingegen sollte früh und tief reduziert werden, weil die Kaufbereitschaft im November schon fast null ist.

Die Folge dieser Pauschalstrategie ist strukturell: Gute Restläufer werden zu früh und zu günstig verkauft, während Problemfälle zu spät und zu zaghaft reduziert werden. Am Ende bleibt ein Bestand übrig, der mit Verlust an Restpostenaufkäufer geht oder vernichtet wird. Laut Erhebungen des deutschen Spielwarenverbands entsorgen Großhändler und Hersteller jährlich einen nicht unerheblichen Teil ihres Auslaufsortiments — exakte Zahlen werden nicht publiziert, aber Brancheninformationen und Erfahrungen aus Beratungsprojekten deuten auf Abschreibungsquoten von 5–15 Prozent des Gesamtbestands am Saisonende.

Dabei sind die tatsächlichen Kosten höher als der reine Warenabschreibungswert:

• Lagerkosten während des Zeitraums bis zur Entsorgungsentscheidung (durchschnittlich 25–34 Prozent des Warenwerts pro Jahr, laut Sage-Lagerkostenstudien)
• Entsorgungskosten selbst — bei Spielzeug oft Sondermüll durch Batterien, gemischte Materialien, Verpackungskunststoff
• Opportunitätskosten: Lagerplatz und Kapital, die für die neue Kollektion fehlen
• Händlerbeziehungen: Händler, die Überbestände aufgedrückt bekommen oder enttäuscht werden, bestellen zurückhaltender in der nächsten Saison

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Basierend auf Fallstudie Peak.ai: Britischer Multichannel-Retailer identifizierte Einsparungspotenzial von £ 2,4 Millionen durch KI-Markdown-Optimierung auf 15 % des Sortiments (entspricht ~1 % des Gesamtumsatzes). Erfahrungswerte aus Fashion- und Konsumgüter-Retail.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der größte Zeitgewinn liegt in der Vorbereitung: Statt wochenlanger Pricing-Meetings mit Tabellenkalkulationen bekommt das Category-Management täglich oder wöchentlich einen Entscheidungsvorschlag pro Auslauf-SKU. Was bleibt, ist die Überprüfung und Freigabe — typisch 3–5 Stunden pro Woche für eine:n Category Manager mit 150–200 Auslaufartikeln. Das ist deutlich weniger als der bisherige Aufwand, aber kein vollständig automatisierter Prozess: Bei größeren Preisentscheidungen ist und bleibt menschliches Urteil die letzte Instanz.

Kosteneinsparung — hoch (4/5) Der Hebel ist real und direkt messbar: Weniger Warenvernichtung, besserer durchschnittlicher Abverkaufspreis, freier Lagerplatz für die neue Kollektion. Bei einem Großhändler mit 85.000 Euro jährlicher Abschreibung und einer realistischen Reduktion von 60 Prozent des Abschreibungsvolumens ergibt das 51.000 Euro jährliche Einsparung — ohne die Lagerkosten und Entsorgungskosten, die dazukommen. Im Handel gibt es kaum eine Maßnahme, deren ROI so direkt am nächsten Saisonabschluss gemessen werden kann.

Schnelle Umsetzung — niedrig (2/5) Das ist die ehrlichste Schwäche dieses Ansatzes. Für verlässliche Preiselastizitätsschätzungen braucht das Modell mindestens eine, besser zwei abgeschlossene Saisonen mit tagesgenauen Verkaufsdaten pro SKU — inklusive der Reaktion auf frühere Preisänderungen. Dazu kommt die ERP-Integration, die in der Praxis 3–6 Monate in Anspruch nimmt. Wer diesen Sommer anfängt, hat realistische Chancen, die übernächste Herbstsaison damit zu managen — nicht die nächste.

ROI-Sicherheit — hoch (4/5) Im Gegensatz zu vielen anderen KI-Anwendungen, bei denen der Nutzen indirekt und schwer isolierbar ist, ist hier der Nachweis eindeutig: Sell-through-Rate vor und nach, Abschreibungsvolumen, durchschnittlicher Abverkaufspreis. Das lässt sich nach einer einzigen Saison abschließend messen. Voraussetzung: Eine saubere Kontrollgruppe oder zumindest Vorjahresvergleich mit ähnlichem Sortimentsvolumen.

Skalierbarkeit — hoch (4/5) Ein gut trainiertes Modell verarbeitet 200 oder 2.000 Auslaufartikel ohne proportional mehr Aufwand. Sobald die ERP-Integration steht, ist die SKU-Anzahl kein limitierender Faktor mehr. Der einzige Mehraufwand bei wachsendem Sortiment: mehr historische Datenpflege und gelegentliche Modell-Retrainings, wenn sich Sortimentsstruktur oder Kundenverhalten verändern.

Richtwerte — stark abhängig von Sortimentsgröße, ERP-Reife und verfügbarer Verkaufshistorie.

Was das System konkret macht

Der technische Kern ist Predictive Analytics: Das Modell lernt aus vergangenen Abverkaufsverläufen, wie stark die Nachfrage nach einem Artikel auf Preisveränderungen reagiert — also dessen Preiselastizität. Diese ist pro Artikel, Kategorie und Saison verschieden.

Konkret arbeitet das System mit folgenden Eingaben:

• Aktueller Lagerbestand pro SKU
• Tagesgenauer Abverkauf der letzten 1–2 Saisonen
• Bisherige Preishistorie inkl. der Verkaufsreaktion auf frühere Rabatte
• Restliche Laufzeit bis zum Katalogende bzw. Lagerfreigabetermin
• Saisonkurve (wann hat sich dieser Artikel bisher am meisten verkauft — vor Weihnachten? Im Sommer?)
• Optional: Wettbewerberpreise für Artikel mit starkem Marktpreisvergleich

Aus diesen Inputs berechnet das Modell für jeden Artikel täglich oder wöchentlich: Wie viele Einheiten werden bei aktuellem Preis bis zum Stichtag verkauft? Wenn das prognostizierte Datum zu spät liegt — also Restbestand nach Katalogende zu erwarten ist — empfiehlt das System eine Preisreduktion. Die Größe der Reduktion hängt davon ab, wie viel Zeit noch bleibt, wie groß der überschüssige Bestand ist, und wie stark Preisnachlässe bei diesem Artikel historisch die Nachfrage steigern.

Was das Modell nicht macht

Das Modell erfindet keine Nachfrage. Es kann nicht vorhersagen, dass ein Artikel durch eine Werbekampagne zur Last-Minute-Empfehlung auf Social Media wird. Es kann keine Lagerplanung rückwirkend korrigieren — wenn Überbestand fundamental zu groß ist, begrenzt das Modell den Schaden, löscht ihn aber nicht vollständig. Und es empfiehlt keine Rabatte unterhalb einer definierten Margengrenze, es sei denn, das Unternehmen gibt diese Grenze explizit frei.

Was bleibt: eine Empfehlung. Keine automatische Preisaktualisierung ohne menschliche Prüfung — zumindest nicht in der Anfangsphase.

Datenqualität als Voraussetzung: Was das Modell wirklich braucht

Dieser Abschnitt verdient eigene Aufmerksamkeit, weil er den häufigsten Grund für ein Scheitern erklärt.

Machine Learning-Modelle zur Preiselastizitätsschätzung brauchen nicht viele Daten — sie brauchen die richtigen Daten in sauberer Form. Für diesen Anwendungsfall bedeutet das konkret:

Tagesgenaue Abverkaufsdaten pro SKU — nicht wöchentlich, nicht aggregiert über Produktgruppen. Wenn das WMS oder ERP nur monatliche Umsatzzahlen per Kategorie führt, ist das Modell faktisch nicht trainierbar.

Preishistorie mit Wirkungsmessung — das System muss sehen können, dass nach einem Rabatt am 15. Oktober die Verkäufe von Artikel X um 40 Prozent gestiegen sind. Wenn historische Preisreduktionen nicht zeitlich verknüpft mit den Verkaufszahlen vorliegen, kann keine Elastizität berechnet werden.

Mindestens eine abgeschlossene Auslaufsaison — idealerweise zwei. Bei weniger als 12 Monaten historischer Verkaufsdaten pro Artikel sind die Prognosen so unsicher, dass ein einfaches Regelwerk (z. B. “bei Bestandsreichweite > 120 Tage um 10 % reduzieren”) oft gleichwertig ist.

Saubere SKU-Stammdaten — Artikel, die im ERP unter verschiedenen Nummern geführt wurden, obwohl es dasselbe Produkt ist, verfälschen das Modell. Gleiches gilt für Promotion-Verkäufe, die nicht als Sonderaktion markiert sind.

Was tun, wenn diese Daten nicht vorliegen? Vor der KI-Einführung ist dann die Datenbereinigung der sinnvollere erste Schritt: Exportiere die letzten zwei Jahre Abverkaufsdaten, prüfe sie manuell auf Vollständigkeit, markiere retrospektiv die Aktionszeiträume, und bereinige Mehrfach-Artikel-Nummern. Das kostet 4–8 Wochen — ist aber gleichzeitig wertvoll unabhängig vom späteren KI-Einsatz.

Konkrete Werkzeuge — was wann passt

7Learnings — für den Kernfall Das Berliner Unternehmen hat seine Markdown-Optimierung ursprünglich für den Modehandel entwickelt, aber die Grundlogik ist direkt auf Spielzeug und jedes andere Saisonwarensortiment übertragbar: Restbestand + Saisonende = optimale Preissequenz pro SKU. 7Learnings nutzt Machine Learning für Preiselastizitätsschätzungen auf SKU-Ebene und bietet ein performance-basiertes Preismodell an — das Unternehmen trägt damit ein Teil des Ergebnisrisikos mit. Für Retailer und Großhändler mit 100+ Auslaufartikeln pro Saison und mindestens einer abgeschlossenen Saison als Trainingsdatenbasis ist das die direkteste Empfehlung. EU-Hosting, ISO 27001, DSGVO-konform. Implementierungszeit: 3–5 Monate. Kein öffentlicher Preis, Einstieg über Demo und Pilot.

RELEX Solutions — für größere Retailer RELEX umfasst neben der Nachfrageprognose auch explizite Module für Clearance-Planung und Markdown-Optimierung. Für Spielzeuggroßhändler und -hersteller ab ca. 100–150 Mio. Euro Jahresumsatz, die ohnehin eine Demand-Forecasting-Plattform suchen, ist RELEX die vollintegrierte Lösung: ERP-Anbindung, SKU-Prognosen, Abschriften-Management in einem System. Die Kehrseite: Implementierungszeit 6–18 Monate, Kosten sechsstellig jährlich. Für Unternehmen, die nur die Auslaufsteuerung lösen wollen ohne umfassende Supply-Chain-Erneuerung, ist das zu groß.

Slim4 von Slimstock — Mittelweg Slimstock bietet Bestandsoptimierung und Nachfrageprognose für mittelständische Handelsunternehmen — inklusive Unterstützung für End-of-Life-Planung. Weniger spezialisiert auf Markdown-Sequenzen als 7Learnings, aber für Unternehmen, die gleichzeitig die gesamte Bestandssteuerung modernisieren wollen, ein sinnvoller Kandidat. Implementierungszeit: 3–6 Monate. Sechsstellige Jahreskosten.

Custom ML mit Python — für Unternehmen mit Entwickler-Ressourcen Für Großhändler oder Hersteller mit eigenem Datenteam oder engagierten IT-Ressourcen ist ein selbst gebautes Modell mit Prophet (Meta) oder LightGBM (Microsoft) eine realistische Alternative. Die Modelle sind Open Source, die Implementierung kostet 2–4 Monate Entwicklungszeit, die laufenden Infrastrukturkosten sind überschaubar (150–500 Euro/Monat für Cloud-Compute). Der Vorteil: maximale Anpassbarkeit, keine Abhängigkeit vom Anbieter, Daten verlassen das Unternehmen nicht. Der Nachteil: Wartungsverantwortung liegt intern — Modell-Retrainings, Datenqualitätsprüfungen, Fehleranalysen müssen eigene Ressourcen übernehmen.

Zusammenfassung — wann welche Lösung:

• 100+ Auslauf-SKUs, saubere ERP-Daten, 1+ Saisonen Geschichte → 7Learnings

• 100 Mio. EUR Umsatz, Supply-Chain-Erneuerung geplant → RELEX Solutions

• Mittelstand, Bestandsoptimierung + Auslaufplanung zusammen → Slim4
• Internes Datenteam vorhanden, maximale Kontrolle gewünscht → Custom Python/ML

Datenschutz und Datenhaltung

Die für diesen Anwendungsfall verarbeiteten Daten sind Verkaufstransaktionen, Lagerbestandsmengen und Preishistorien — keine personenbezogenen Kundendaten. Das reduziert den DSGVO-Aufwand erheblich im Vergleich zu Systemen, die Kundendaten für Prognosen nutzen.

Trotzdem sind zwei Aspekte relevant:

Auftragsverarbeitungsvertrag (AVV): Sobald ein externer Anbieter auf Unternehmensdaten zugreift — Verkaufsdaten, Produktstammdaten, Preisinformationen — ist nach Art. 28 DSGVO ein AVV abzuschließen. Das ist bei 7Learnings als deutschem Unternehmen unkompliziert; RELEX Solutions und Slim4 stellen AVV-Vorlagen für Enterprise-Kunden bereit.

Datenhaltung: 7Learnings hostet Daten in der EU (Deutschland/Europa), RELEX ist EU-ansässig (Finnland) mit explizit EU-basiertem Datenhosting. Custom-ML-Lösungen lassen sich vollständig auf eigener Infrastruktur oder auf EU-Regionen von AWS/Azure/Google Cloud betreiben.

Wenn interne Verkaufsdaten auch interne Kundennamen (z. B. Einzelhändler als Kunden) enthalten, sind diese als personenbezogene Daten zu betrachten — dann ist der DSGVO-Aufwand höher. In der Praxis empfiehlt sich: Vor der Systemeinrichtung die Datenmenge auf das Notwendige reduzieren (Verkaufszahlen und Preise ohne Kundennamen), wo möglich pseudonymisieren.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• ERP-Datenexport, Bereinigung und Historienaufbereitung: 4–8 Wochen interner Aufwand; ggf. 5.000–15.000 Euro für externe Datenbereinigung
• Implementierung 7Learnings: kein veröffentlichter Preis; Pilot typisch kategorienbasiert, danach Verhandlung
• Custom Python/ML: 30.000–80.000 Euro Entwicklung intern/extern, je nach Komplexität

Laufende Kosten

• 7Learnings: kein öffentlicher Preis; Performance-Modell = % der Margensteigerung; SaaS-Modell auf Anfrage
• RELEX: Sechsstellig jährlich (Implementierung + Lizenz)
• Custom ML: 150–500 Euro/Monat Cloud-Infrastruktur + interner Wartungsaufwand (1–2 Tage/Monat)

Gegenrechnung — konservatives Szenario Ausgangslage: 85.000 Euro Abschreibung pro Saison. Lagerkosten auf Restbestand (geschätzt 25 % des Warenwertes p. a., anteilig für 3 Monate): ca. 6.000 Euro zusätzlich. Entsorgung: 2.000–5.000 Euro. Gesamtkosten Restbestand-Problem: ~95.000 Euro pro Jahr.

Konservative Reduktion durch Markdown-Optimierung: 50 Prozent. Einsparung: ~47.500 Euro pro Jahr.

Das reicht, um eine Implementierung bei einem Anbieter wie 7Learnings (oder einen Custom-ML-Entwicklungsauftrag) innerhalb von 2–3 Saisonen zu amortisieren. Im optimistischen Szenario (Reduktion auf 70 Prozent) ist die Amortisation nach einer Saison möglich — aber das setzt voraus, dass das Modell gut trainiert ist und das Team die Empfehlungen konsequent umsetzt.

Wie du den ROI tatsächlich misst Nicht über eine theoretische Rechnung, sondern über zwei Messgrößen: Sell-through-Rate der Auslaufartikel am Saisonende (vor/nach), und durchschnittlicher erzielter Preis im Abverkaufsfenster (vor/nach). Beide Zahlen existieren im ERP — es braucht keine neue Infrastruktur für den Nachweis.

Typische Einstiegsfehler

1. Das Modell als Vollautomatismus einrichten. In der ersten Saison mit einem neuen Markdown-Modell ist automatische Preisupdates ohne menschliche Freigabe ein Risiko. Das Modell kennt Eigenheiten deines Sortiments noch nicht vollständig — ein Artikel, der wegen einer Sonderaktion auf Social Media plötzlich viral geht, kann durch ein zu frühes Preissignal unnötig unter Druck gesetzt werden. Empfehlung: Erste Saison mit Empfehlungen und manuellem Freigabeprozess; ab der zweiten Saison bei verifizierten Produktkategorien schrittweise automatisieren.

2. Preiselastizität mit Nachfrageelastizität verwechseln. Das Modell lernt, wie Kunden auf Preisnachlässe reagieren — nicht, warum ein Artikel schlecht läuft. Wenn ein Artikel unverkäuflich ist, weil er schlecht verpackt, falsch positioniert oder einfach nicht gefragt ist, hilft kein Rabatt. Das Modell wird in diesem Fall früh und tief reduzieren — was richtig ist — aber die Ware zu wenig als Profit zu retten, wird ebenfalls nicht funktionieren. Für diese Artikel ist eine explizite “Clearance-Entscheidung” sinnvoll: Sofortiger Abverkauf an Restpostenaufkäufer, bevor das Modell überhaupt anfängt, Rabatte zu empfehlen.

3. Nachfolgerprodukt und Auslaufmodell nicht entkoppeln. Das ist der Fehler, der den Markenschaden verursacht: Wenn das Auslaufmodell noch sichtbar auf der Website rabattiert wird, während der Nachfolger zu Vollpreis erscheint, trainieren Händler und Endkunden eine Erwartung: “Warte, bis der Preis fällt.” Ein gutes Markdown-Modell berücksichtigt deshalb, ob der Nachfolger schon im Markt ist — und wählt für diesen Fall diskretere Abverkaufskanäle (B2B-Sonderangebote an Händler, statt öffentliche Preisreduktion im Online-Shop).

4. Keine Pflege des Modells nach der ersten Saison. Das ist der stille Fehler, der nach 18 Monaten sichtbar wird: Das Modell wurde auf einer Saison trainiert, der Markt hat sich verändert, neue Wettbewerber sind eingetreten, das Sortiment wurde restrukturiert — aber das Modell läuft weiter auf alten Parametern. Preiselastizitätsmodelle müssen nach jeder Saison auf neuen Daten re-trainiert oder zumindest validiert werden. Wer das nicht einplant, hat nach drei Jahren ein Modell, das systematisch falsche Empfehlungen gibt.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist oft weniger schwierig als erwartet — die ERP-Anbindung ist handhabbar, die Datenaufbereitung einmalig aufwendig aber machbar. Das Schwierige ist die Veränderung der Entscheidungslogik im Category Management.

Der erfahrene Category Manager, der das Bauchgefühl verteidigt. Wer zehn Jahre lang Auslaufartikel mit Gespür für den Markt managed hat, wird einem Modell nicht sofort vertrauen. Das ist nicht Sturheit — das ist berechtigte Skepsis. Was hilft: nicht überzeugen, sondern beweisen. Lass das Modell eine Saison lang Empfehlungen geben, ohne dass die Category Managerin verpflichtet ist, sie umzusetzen. Zeige am Ende, wo das Modell besser und wo es schlechter lag als die manuelle Entscheidung. In der Regel ist das Ergebnis: Das Modell liegt bei Ladenhütern mit niedrigem Restbestand richtig, die Managerin bei Grenzfällen mit Sortimentskontext besser.

Händlerbeziehungen und die Preistransparenz-Frage. Wenn Händler sehen, dass Produkte wöchentlich in kleinen Schritten reduziert werden, entstehen manchmal Erwartungen und Beschwerden — “Wäre ich eine Woche gewartet, hätte ich 5 Prozent mehr Rabatt bekommen.” Das ist ein Kommunikationsthema, kein technisches. Lösung: Klare Rabattstaffeln kommunizieren, die zeitlich an Bestellfenster geknüpft sind — nicht an einen permanenten Preisrutsch.

Was nicht passiert: Das System löst nicht das Problem, dass zu viel Ware eingekauft wurde. Markdown-Optimierung ist Schadenbegrenzung — nicht Beschaffungsoptimierung. Wenn strukturell zu viel bestellt wird, weil die Einkaufsplanung fehlerhafte Absatzprognosen verwendet, ist die Lösung eine Trendanalyse und Sortimentsplanung mit besseren Prognosemodellen am Anfang des Prozesses — nicht am Ende.

Realistischer Zeitplan mit Risikohinweisen

Realistische Erwartung: 8–14 Monate bis zum ersten vollständigen Pilotabschluss mit belastbaren Ergebnissen. Wer im Januar beginnt, hat gute Chancen, das übernächste Herbst/Winterauslaufsortiment mit dem Modell zu steuern.

Häufige Einwände — und was dahintersteckt

„Wir haben zu wenige Auslaufartikel, um das aufzusetzen.” Wahr — unter 50–80 Auslauf-SKUs pro Saison ist der Aufwand für eine vollständige ML-Implementierung nicht zu rechtfertigen. Was dann sinnvoll ist: Ein Excel-basiertes Regelwerk mit drei oder vier Entscheidungsregeln (“Wenn Bestandsreichweite > 90 Tage: 15 % Rabatt. Wenn > 150 Tage: 25 % Rabatt. Wenn < 30 Tage bis Katalogende: Restpostenkanal”). Das ist kein KI-Ansatz, aber für kleine Sortimente oft ausreichend und deutlich besser als die jetzige Pauschalstrategie.

„Unsere Händler werden das nicht akzeptieren.” Der Einwand bezieht sich meistens auf die Angst vor zu häufigen Preisänderungen. Tatsächlich ist das Gegenteil oft der Fall: Statt einer scharfen “Ausverkauf ab Datum X”-Kommunikation erlaubt ein graduelles Markdown-System, mit Händlern individuelle Abnahmekonditionen zu vereinbaren. “Wir können Artikel Y noch bis Ende Oktober zum Preis Z liefern, danach nur noch im Clearance-Lot” — das ist eine andere Kommunikation als ein allgemeiner Ausverkauf.

„Wir haben das nie gemessen — woher wissen wir, was es uns bringt?” Das ist eine faire Frage. Tatsächlich wissen viele Unternehmen nicht exakt, wie hoch ihre jährlichen Abschreibungen auf Auslaufartikel sind, weil sie in verschiedenen Buchungskonten verteilt stecken. Der erste Schritt vor jeder Investitionsentscheidung ist deshalb: Abschreibungsvolumen der letzten 2–3 Saisonen aus dem ERP ziehen. Das alleine ist schon ein wertvoller Akt — und die Zahl, die dabei rauskommt, ist in der Regel überraschend groß.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Du hast jedes Jahr mindestens 80–100 Auslaufartikel, die in einem definierten Zeitfenster geräumt werden müssen
• Dein ERP führt Verkaufsdaten auf täglicher oder wöchentlicher Basis pro Artikel (nicht nur monatsaggregiert)
• Du hast mindestens eine abgeschlossene Auslaufsaison als Trainingsdatenbasis — idealerweise zwei
• Das Abschreibungsvolumen liegt bei >30.000 Euro pro Jahr (darunter ist der Implementierungsaufwand kaum zu rechtfertigen)
• Das Category Management hat Pricing-Autorität — es kann Preise eigenständig setzen, ohne jeden Schritt durch mehrere Genehmigungsebenen zu führen

Harte Ausschlusskriterien — wann du es (noch) nicht tun solltest:

1. Zu wenige SKUs oder zu niedriges Abschreibungsvolumen. Unter 50 Auslauf-SKUs pro Saison oder unter 30.000 Euro Abschreibungsvolumen: Der Setup-Aufwand übersteigt den erreichbaren Nutzen. Ein strukturiertes Regelwerk in Excel ist dann die bessere Wahl — kein Prestige, aber wirksam.

2. Keine sauberen tagesgenauen Verkaufsdaten im ERP. Wenn Abverkäufe nur auf Monatsbasis und aggregiert nach Produktgruppen vorliegen, ist kein brauchbares Preiselastizitätsmodell zu trainieren. Erst Datenhygiene aufbauen — dann KI. Das gilt auch wenn frühere Preisreduktionen nicht im ERP als solche markiert sind: Ohne Preis-Reaktionsdaten gibt es keine Elastizitätsschätzung.

3. Keine Pricing-Autorität im Category Management. Wenn jede Preisreduktion durch drei Ebenen genehmigt werden muss, sind die wöchentlichen Empfehlungen eines Markdown-Modells nicht umsetzbar. Dann ist zuerst die Governance zu klären: Wer darf Auslaufrabatte bis zu einem bestimmten Schwellenwert eigenständig freigeben? Das ist eine organisatorische Frage, nicht eine technische.

Das kannst du heute noch tun

Bevor du über Anbieter nachdenkst, mach den Datenspiegel: Öffne dein ERP und exportiere die Verkaufsdaten deiner letzten Auslaufsaison — alle Artikel, tagesgenau, inklusive Preishistorie. Wenn das nicht in weniger als einer Stunde geht, hast du dein erstes Erkenntnisziel schon erreicht: Die Datenstruktur ist das eigentliche Hindernis, nicht die fehlende Software.

Das folgende Analyse-Prompt hilft dir, mit den exportierten Daten schnell ein Bild zu bekommen — auch wenn du kein Data-Scientist bist:

Quellen & Methodik

• Peak.ai Fallstudie: “Case study: Powering your retail markdown strategy with AI” — britischer Multichannel-Retailer, £ 2,4 Mio. identifiziertes Einsparungspotenzial durch KI-Markdown-Empfehlungen auf 15 % des Sortiments (peak.ai/hub/success-story/retail-markdown-optimization/, abgerufen April 2026). Wert entspricht ~1 % des Gesamtumsatzes.
• 7Learnings Fallstudie und Produktbeschreibung: Berliner Anbieter für KI-gestützte Markdown-Optimierung mit Referenzkunden Tamaris, Tom Tailor, Intersport. Internes Referenzbeispiel: 7 % höhere Gesamtmarge gegenüber Pauschalaktion, Restbestandsreduktion von 25 % auf 14 % der Kollektion (7learnings.com, abgerufen April 2026).
• Lagerhaltungskosten 25–34 % des Lagerwertes: Sage GmbH, “Was sind Lagerkosten?”, sage.com/de-de/blog/lexikon/lagerkosten, Bezug auf REMIRA-Studie (remira.com/de/glossar/lagerhaltungskosten). Abgerufen April 2026.
• Implementierungsfehler — Organisationssilos: Peak.ai, “Retail markdown strategy is broken — here’s how to fix it” (peak.ai/hub/blog/retail-markdown-strategy-is-broken-heres-how-to-fix-it). Erfahrungswerte aus Praxisberichten.
• Tool-Preise und Spezifikationen: Veröffentlichte Informationen der jeweiligen Anbieter (7Learnings, RELEX Solutions, Slim4 von Slimstock), Stand April 2026. Kein Anbieter publiziert vollständige Preistabellen — alle Angaben sind Schätzwerte aus Marktinformationen und Branchenerfahrung.
• Prophet (Meta) und LightGBM (Microsoft): Open-Source-Bibliotheken für Zeitreihenprognose und Gradient Boosting; in der Praxis häufig eingesetzte Bausteine für Custom-ML-Ansätze in der Retail-Planung.

Du willst wissen, welches Abschreibungsvolumen bei euch wirklich anfällt und ob sich der Aufwand rechnet? Das klären wir gern in einem kurzen Gespräch — ohne Verkaufsgespräch, mit konkreten Zahlen.