Machine-Learning-Anwendungen im Modehandel

IN Handel Machine Learning — 14 September, 2017

Viele Modehändler werden in den kommenden Jahren Machine-Learning-Verfahren einsetzen, um ein personalisiertes Einkaufserlebnis für den Konsumenten zu schaffen. Die neuen Methoden ermöglichen es dem Handel, mit wirtschaftlich vertretbarem Aufwand der durch die Digitalisierung und Vertikalisierung wachsenden Komplexität Herr zu werden. Trotz dieses klaren Bekenntnisses zum Machine-Learning-Ansatz fehlen aber häufig noch konkrete Vorstellungen, wie die Technologie sinnvoll eingesetzt werden kann.

Machine-Learning-Anwendungen im Modehandel

Wer sind meine Kunden? Welche Produkte kann ich meiner Zielgruppe anbieten? Welche Mengen kann ich zu welchen Preisen an welchem Ort absetzen? Wann ist der richtige Zeitpunkt für welches Angebot? Wie muss ich dieses Angebot idealerweise gestalten und steuern? Fünf existenzielle Fragen des Modehandels, die viele Händler nur unvollständig aus persönlicher Erfahrung beantworten können. Relevant für den Konsumenten werden diejenigen sein, die diese Fragen besser beantworten als der Wettbewerb.

Die wichtigen Treiber Kunde, Produkt, Kanal und Preis prägen den Modehandel seit jeher. Neu ist, dass Plattformen und Vertikale zunehmend die Spielregeln des Marktes verändern und durch ein wachsendes Überangebot an Ware der Druck auf alle Anbieter wächst. Wer in diesem Umfeld auch weiterhin Geld verdienen möchte, muss Ware optimal disponieren und intelligente Wege finden, die Preisbereitschaft der Kunden für unterschiedliche Produkte abzuschöpfen.

Ohne Daten, Technologie und ausgereifte Machine-Learning-Algorithmen können diese Aufgaben realistischerweise nicht mehr bewältigt werden. Unerschöpflich viele Artikel, wechselnde Farbthemen, immer wieder neue Materialien und Stile, gewaltige Preisbandbreiten für vermeintlich ähnliche Artikel und ein dynamischer Preispfad im Saisonverlauf schaffen Komplexität, die Mitarbeiter nicht mehr bewältigen können.

Im Kern gibt es heute drei etablierte Anwendungsfelder für Machine Learning im Modehandel.

Anwendungsfeld 1 – Absatzprognosen

Wie viele klassisch geschnittene Lacoste-Polos aus meliertem Petit Piqué in der Farbe Orange werden wir in der Größe 4 zum Preis von 99 Euro im Monat Mai 2018 verkaufen? Eine typische Frage, die sich Händler so oder ähnlich in diesen Tagen vielleicht stellen und deren präzise Beantwortung sehr wertvoll wäre.

Machine Learning macht solche Absatzprognosen auf Knopfdruck abrufbar, sofern ausreichend Daten bereitgestellt werden, die prognostische Kraft für die Absatzmenge haben. Das sind exemplarisch:

  • Monatsspezifische Verkaufsvolumina des Artikels in den Vorjahren
  • Monatsübergreifende Entwicklung der Verkaufsvolumina des Artikels
  • Aktuelle modische Bedeutung von „Petit Piqué“
  • Aktuelle modische Bedeutung der Farbe „Orange“
  • Entwicklung der Verkaufsvolumina der Größe 4 und deren Äquivalente bei Shirts
  • Prognosen von Sonnenstunden und Außentemperaturen im betreffenden Monat
  • Anzahl der Verkaufstage im betreffenden Monat
  • Platzierung der Ware im Verkaufsraum
  • Besondere Ereignisse wie Schulferien, Feiertage oder Aktionen
  • Einschätzung der Mitarbeiter

Alle diese Daten nutzen auch gründliche Einkäufer bei ihren Dispositionsentscheidungen, verarbeiten diese in der Regel aber unvollständiger und lückenhafter als Machine-Learning-Systeme.

Je prägnanter diese Daten gepflegt sind, desto besser. Irrelevante Informationen belasten Machine-Learning-Systeme genauso wie Entscheider und erhöhen die Anzahl an Lernzyklen, die Systeme und Entscheider brauchen, um verlässliche Prognosen abzuliefern.

Machine Learning ist deshalb nach heutigem Stand der Technik nur so gut wie der Mensch, der diese Systeme bedient. Dabei ist nicht nur analytisch-mathematische Kompetenz wichtige Voraussetzung, sondern gleichfalls auch ein tiefes Verständnis für Menschen und Ware. Nur so gelingt es, die Intelligenz in den Köpfen der Mitarbeiter auf Machine-Learning-Systeme zu übertragen.

Erfolgsfaktor sind smarte Wege zur Codierung der Daten. Beste Ergebnisse erzielen Machine-Learning-Systeme, wenn Variablen erstens wenige Ausprägungen haben und sie zweitens objektive Merkmale sowie das subjektive zeitgeistige Empfinden des Konsumenten gleichermaßen spiegeln.

So sollten Farben zum Beispiel nicht in jeder feinen Nuance erfasst werden, sondern über die drei Variablen „Hauptfarbe“ (Schwarz, Weiß, Blau etc.), „Abtönung“ (hell, dunkel) und „Zeitgeist“ (trendy, modern, klassisch) codiert werden.

Anwendungsfeld 2 – Preisoptimierungen

Was ist der richtige Preis? Was der UVP? Kann man es wagen, über den UVP zu gehen? Ist es sinnvoll, unter den UVP zu gehen? Wann ist der richtige Zeitpunkt für Reduzierungen? Fragen, die sich Modehändler täglich stellen und auf die es häufig nicht wirklich befriedigende Antworten gibt.

Vorreiter bei der Preisoptimierung ist der Onlinehandel. Im Zuge einer dynamischen Preisgestaltung werden hier Preise ständig nach oben und nach unten korrigiert. Bei der Preisfindung werden dabei sowohl die Preise der Wettbewerber als auch diverse andere Faktoren in Betracht gezogen.

Ein maßgeblicher Treiber ist dabei die Logistikkapazität: Um ein durchgängig reibungsloses und verlässliches Serviceversprechen bis vor die Haustür zu garantieren, wird die Nachfrage durch gezielte Preiserhöhungen reduziert, wenn wenig Logistikkapazität vorhanden ist. Ist hingegen ausreichend Logistikkapazität vorhanden, wird durch Preissenkungen offensiv die Nachfrage stimuliert.

Grundlage dieser Preisstrategien sind Machine-Learning-Systeme, die aufgrund der sehr guten Datenlage im Onlinegeschäft präzise Prognosen der Preisabsatzfunktion von einzelnen Artikeln erlauben: Entscheider müssen also nicht vermuten, welche Auswirkungen Preiserhöhungen und Preissenkungen auf die Absatzmenge eines Artikels haben. Vielmehr wissen Entscheider mithilfe von Machine Learning relativ genau, welche Auswirkungen ihre Aktivitäten haben werden.

Der stationäre Modehandel ist noch immer weit entfernt von solchen Praktiken. Das wird aufgrund des grundsätzlich anders gelagerten Geschäftsmodells und einer über Jahre anders sozialisierten Rolle beim Konsumenten auch noch eine Weile so bleiben. Ungeachtet dessen bieten Machine-Learning-Systeme bereits heute perfekte Möglichkeiten, Preisentscheidungen zu objektivieren und den erzielten Rohertrag pro Quadratmeter Verkaufsfläche wieder deutlich zu steigern, z. B. durch eine verbesserte Steuerung der Preisabschläge.

Beste Ergebnisse werden Anbieter erzielen, die ihre Machine-Learning-Systeme nicht nur mit den objektiven Eigenschaften wie Marke, Warengruppe, Farbe etc. versorgen, sondern gleichzeitig ihre historischen Abverkaufsdaten mit moderelevanten, subjektiven Produkt- und Kundenmerkmalen anreichern – und darüber hinaus Experteneinschätzungen in die Prognose miteinbeziehen.

So gesehen multiplizieren Machine-Learning-Systeme die Leistung der Teams im Modehandel und entlasten Mitarbeiter von Routinen. Ohne smarte Mitarbeiter werden aber auch Machine-Learning-Systeme in naher Zukunft nicht smart agieren können.

Händler, die intensiv mit Daten arbeiten, vertrauen diesen im Laufe der Zeit und entwickeln aus diesem Vertrauen heraus die Bereitschaft, Entscheidungsprozesse bei der Warendisposition und bei der Preisfindung komplett zu automatisieren. Die Führung und Kontrolle der Systeme bleibt aber in der Verantwortung des Menschen.

Anwendungsfeld 3 – Kaufprognosen

Beim Konsum geht es häufig um mehr als den Kauf eines einzelnen Produktes. Wer ein Pferd kauft, braucht vermutlich auch Zaumzeug, Sattel, Anhänger, Futtermittel etc. Wer einen Grill kauft, wird irgendwann vermutlich auch Grillkohle, Fleisch, Grillreiniger und viele weitere Produkte benötigen. Wer einen Anzug kauft und das perfekte Outfit wünscht, kauft häufig auch noch das passende Hemd, den passenden Gürtel, die richtigen Schuhe – und auch die perfekten Socken.

Wer also ein Pferd, einen Grill oder einen Anzug kauft, wird mit hoher Wahrscheinlichkeit weitere Käufe tätigen. Was bei diesen plakativen Fällen gilt, lässt sich auf den Nonfood-Konsum insgesamt übertragen: Viele Kunden kaufen vor allem dann, wenn sich ihre Lebensumstände oder Gewohnheiten ändern. An diesen sogenannten „Tipping-Points“ ändern sich Konsummuster: Es wird kurzfristig viel gekauft – und dann häufig über lange Zeiträume gar nichts mehr.

Machine-LearningSysteme können helfen, diese wichtigen Brüche im Konsumverhalten zu identifizieren, Wege zu finden, um die dahinterliegende Story zu verstehen und damit die richtigen Kunden zur richtigen Zeit mit den relevanten Botschaften zu versorgen.

Anbietern wie Amazon gelingen dank Machine Learning erste Erfolge bei der Kaufprognose.

Wer in diesem Thema die Nase vorn hat, dem gehört die Zukunft: Anbieter, die Machine Learning klug für sich einsetzen, werden die eingangs aufgezeigten existenziellen Fragen des Modehandels besser beantworten; sie werden Trends, Strömungen und Gelegenheiten schneller erkennen als der Wettbewerb und sich damit einzigartige und auf Dauer angelegte Beziehungen zu ihren Kunden erarbeiten.

 

Dr. Carsten Lurse Dr. Carsten Lurse

Strategieberater und Manager für Konsumgüter und Handel sowie Partner und Gesellschafter der Unternehmensberatung h+p