Mode · Trends mit KI prognostizieren: von Runway-Signalen zu Nachfragekurven

2018 begann das Pariser Startup Heuritech, Millionen öffentlicher Instagram- und Street-Style-Fotos zu scannen und Kleidungsstücke Detail für Detail zu taggen: Ärmellänge, Silhouette, Farbe, Print. Als übergroße Blazer auf Influencern und Runways auftauchten, meldete das System ein steigendes Signal Monate bevor der Trend im Mainstream-Handel ankam. Buyer, die früh handelten, orderten die richtigen Mengen. Buyer, die warteten, jagten Ware nach oder verpassten das Fenster komplett.

Genau das ist das Versprechen von KI-Trendforecasting: diffusen visuellen und sozialen Buzz in eine Zahl zu verwandeln, gegen die Sie tatsächlich einkaufen können.

Warum das für den Buy zählt

In der Mode ist der „Buy“ die Festlegung. Monate vor einer Saison entscheiden Merchandiser, wie viele Einheiten jedes Stils, jeder Farbe und jeder Größe geordert werden. Liegt man richtig, verkauft man zum Vollpreis. Liegt man falsch, hat man entweder Stockouts (entgangene Umsätze) oder erstickt in Markdowns (entgangene Marge).

Klassisches Forecasting stützte sich auf die Vorjahresverkäufe plus Bauchgefühl des Einkäufers. Für Basics funktioniert das. Bei Trends scheitert es, denn die bewegen sich schnell und beginnen außerhalb Ihrer eigenen Verkaufsdaten: in Social Feeds, auf roten Teppichen und Runways.

KI schließt diese Lücke, indem sie externe Signale früh liest.

Die drei Datenebenen

KI für Trendforecasting verbindet drei Arten von Input.

1. Visuelle Signale (Computer Vision)

Computer Vision ist KI, die Bilder „sieht“ und Objekte sowie Attribute erkennt. Trainiert auf gelabelten Modefotos kann sie ein Runway-Bild betrachten und Tags ausgeben: „zweireihiger Blazer, Oversized-Schnitt, Erdton, Wolltextur“.

Genau das macht das Kernprodukt von Heuritech über Social Media und Runway-Bilder hinweg und erzeugt eine Wachstumskurve für jedes Attribut. Der Output lautet nicht „Blazer sind im Trend“. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → lautet: „Oversized-Blazer in neutralen Tönen wachsen um X Prozent in einem bestimmten Audience-Segment, projiziert auf die nächsten 12 Monate.“

2. Social- und Suchsignale

Google Trends ist ein kostenloses Tool, das relatives Suchinteresse über Zeit zeigt. Suchen Sie „Oversized Blazer“ und Sie sehen, ob die Neugier steigt, saisonal ist oder abflaut. Es ist ein grobes Instrument, aber öffentlich, kostenlos und ein nützlicher Gegencheck zu einem kostenpflichtigen Vision-Tool.

Dazu kommt Social Engagement: Hashtag-Volumen, Saves und Shares. Ein Kleidungsstück, das Leute speichern, ist ein Kleidungsstück, das Leute kaufen wollen.

3. Ihre eigene Verkaufshistorie

Externer Buzz sagt Ihnen, was steigt. Ihre internen Daten sagen Ihnen, wie Buzz für *Ihren* Kunden in Verkäufe umschlägt. Eine Luxusmarke und eine Fast-Fashion-Marke können dasselbe Runway-Signal sehen und es in sehr unterschiedliche Bestellmengen übersetzen.

Die Magie liegt in der Kombination aller drei. Externe Signale geben die Richtung. Interne Daten geben die Größenordnung.

Vom Signal zur Nachfragekurve

Hier das mentale Modell. Sie verwandeln ein steigendes Attribut in eine Menge.

Denken Sie in Stufen:

1. Erkennen: Vision-KI meldet „Oversized-Blazer, neutral“ als steigend in Ihrem Zielsegment.
2. Signal quantifizieren: Die Wachstumsrate in einen projizierten Nachfrageindex umrechnen (etwa 130 gegenüber einer Baseline von 100).
3. An Ihre Daten anbinden: Vergleichbare frühere Styles finden. Wie hat sich eine ähnliche Silhouette letztes Jahr bei Ihnen verkauft?
4. Skalieren: Den Signalindex auf Ihre Baseline anwenden, um Einheiten zu schätzen.
5. An die Realität anpassen: Preis, Lead Time, Kanal und Region einrechnen.

Eine einfache Version von Schritt 4 sieht so aus:

# Grobe Nachfrageschätzung: Baseline-Einheiten skaliert mit einem externen Trendindex
baseline_units = 5000        # verkaufte Einheiten eines vergleichbaren früheren Styles
trend_index = 1.30           # 30% steigendes Signal aus Vision- + Suchdaten
confidence = 0.75            # wie sehr Sie dem Signal vertrauen (0 bis 1)

# Mischen: setzen Sie nicht den ganzen Buy auf das Signal
forecast = baseline_units * (1 + (trend_index - 1) * confidence)
print(round(forecast))       # 5000 * (1 + 0.30*0.75) = 6125 Einheiten

Beachten Sie den Faktor confidence. Sie nehmen ein KI-Signal nie für den Nennwert. Sie gewichten es. Ein starkes Signal mit niedriger Confidence sollte Ihren Buy nicht sprengen.

Wo das Signal am stärksten ist (und am schwächsten)

KI-Forecasting ist nicht über das gesamte Sortiment gleich zuverlässig.

Stark: Richtungstrends mit klaren visuellen Attributen. Silhouetten (oversized, cropped), Farben (ein bestimmtes Grün, das dominant wird) und wiederkehrende Motive. Die zeigen sich in Bildern und Suchen mit genug Vorlauf zum Handeln.

Schwach: neue, noch nie gesehene Teile. Vision-Modelle lernen aus der Vergangenheit, eine wirklich neue Form hat also kein Trainingsvorbild. Ebenfalls schwach: Mikrotrends, die in Wochen hochschießen und wieder verschwinden, schneller als Ihre Produktions-Lead-Time. Wenn Sie sechs Monate brauchen, um ein Kleidungsstück zu fertigen, und der Trend acht Wochen hält, ist das Signal für Sie nutzlos.

Das ist die Kerndisziplin: Signalgeschwindigkeit an die Geschwindigkeit Ihrer Supply Chain anpassen. Ein Fast-Fashion-Player mit vier Wochen Lead Time kann Mikrotrends jagen. Ein Luxushaus, das ein Jahr voraus plant, braucht langsamere, haltbarere Signale.

Ein konkreter Workflow

Angenommen, Sie sind Buyer für Damenmode im Mid-Market und planen den kommenden Herbst.

1. Signal ziehen. Ihr Vision-Tool zeigt Oversized-Blazer in Erdtönen als steigend in Ihrer Audience von 25 bis 40. Google Trends bestätigt stetiges, nicht saisonales Suchwachstum. Gut, das sieht haltbar aus, nicht nach einem Spike.

1. Analogfall finden. Letzten Herbst haben Sie einen strukturierten Blazer verkauft. Er lief 5.000 Einheiten zum Vollpreis mit leichtem Markdown. Nutzen Sie ihn als Baseline.

1. Index mit Confidence-Gewichtung anwenden. Starkes Signal, ordentliche Confidence. Sie landen bei rund 6.000 bis 6.500 Einheiten.

1. Buy aufteilen. Legen Sie nicht alles im Voraus fest. Ordern Sie eine Kernmenge, halten Sie Open-to-Buy-Budget (nicht verausgabtes Einkaufsbudget in Reserve) zurück, um nachzukaufen, falls der Trend anzieht.

1. Testen und frühe Verkäufe lesen. Bringen Sie ein kleines Sortiment früh in den Markt. Echter Abverkauf in Woche eins schlägt jeden Forecast. Die Gewinner nachordern.

Die KI ersetzt den Buyer nicht. Sie gibt ihm eine begründbare Ausgangszahl und eine Frühwarnung.

🎬 [VIDEO: "How AI Predicts Fashion Trends" - youtube.com - ein kurzer Erklärer, wie Computer Vision Runway- und Social-Bilder liest, um Nachfrage zu prognostizieren]

Gegen die Fallen absichern

Garbage in, garbage out. Wenn Ihr Vision-Modell überwiegend auf westlichen Runways trainiert ist, verpasst es Signale in anderen Märkten. Kennen Sie die blinden Flecken Ihrer Trainingsdaten.

Korrelation ist nicht Kausalität. Ein steigender Hashtag kann einen viralen Moment abbilden, keine haltbare Nachfrage. Gegenchecken über unabhängige Quellen: Vision, Suche und Ihre eigenen frühen Verkäufe.

Die selbsterfüllende Schleife. Wenn jede Marke denselben KI-gemeldeten Trend einkauft, wird der Markt geflutet und alle reduzieren gleichzeitig. Ein frühes Signal ist nur ein Vorteil, wenn Sie vor der Masse handeln oder es anders interpretieren.

Overfitting auf das Tool. Der Forecast ist ein Input, keine Order. Halten Sie menschliches Urteil in der Schleife, besonders bei Entscheidungen zur Markenidentität, die die Daten nicht sehen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Die Fähigkeit aufbauen oder einkaufen

Die meisten Marken bauen Vision-Modelle nicht von null auf. Sie abonnieren Plattformen (Heuritech und ähnliche Anbieter) oder mischen ein Vendor-Signal mit kostenlosen Tools wie Google Trends und ihrem eigenen Analytics-Team.

Wenn Sie nicht technisch sind, ist Ihre Aufgabe nicht, das Modell zu programmieren. Sie besteht darin:

• Zu fragen, auf welchen Daten das Modell trainiert ist und wo seine blinden Flecken liegen.
• Ein Confidence-MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ß zu verlangen, nicht nur eine Vorhersage.
• Darauf zu bestehen, dass der Output auf eine Entscheidung abbildet, die Sie tatsächlich treffen (Einheiten, Farben, Timing).
• Die Forecast-Genauigkeit über Saisons zu verfolgen und das Tool zur Rechenschaft zu ziehen.

Ein Forecast, den Sie nicht auditieren können, ist ein Forecast, dem Sie nicht vertrauen können. Vergleichen Sie jede Saison, was das Modell vorhergesagt hat, mit dem, was tatsächlich verkauft wurde. In dieser Feedbackschleife entsteht der echte Mehrwert.

Der realistische Maßstab

KI wird Ihre Forecasts nicht perfekt machen. Mode wird von Kultur, Wetter, Prominenz und Zufall getrieben, Kräften, die kein Modell vollständig erfasst. Was gutes KI-Forecasting leistet, ist die Verschiebung der Chancen: frühere Signale, weniger Blindkäufe, engere Bestände, weniger Markdowns.

In einem Geschäft, in dem Markdowns still die Marge zerstören, ist schon eine moderate Verbesserung der Genauigkeit über ein großes Sortiment echtes Geld wert.

Key Takeaways

• KI verwandelt visuellen und sozialen Buzz in Bestellmengen, indem sie Computer Vision (Bilder lesen), Such- und Social-Signale sowie Ihre eigene Verkaufshistorie kombiniert. Externe Daten geben die Richtung, interne Daten die Größenordnung.
• Signalgeschwindigkeit an die Geschwindigkeit der Supply Chain anpassen. Fast Fashion kann Mikrotrends jagen, langsamere Produzenten brauchen haltbare Signale mit langen Lead Times.
• Jedes Signal mit Confidence gewichten und den Buy aufteilen. Eine Kernmenge festlegen, Open-to-Buy-Budget halten und den Forecast durch echten frühen Abverkauf bestätigen lassen.
• Unabhängige Quellen gegenchecken (Vision, Google Trends, frühe Verkäufe), um einen viralen Spike nicht mit haltbarer Nachfrage zu verwechseln.
• Das Modell jede Saison auditieren. Prognostizierten mit tatsächlichem Abverkauf vergleichen. Ein Forecast, den Sie nicht auditieren können, ist ein Forecast, dem Sie nicht vertrauen können.