Mode · Die Style-Color-Size-Hierarchie und den Produktstamm im Griff haben

Ein Retail-Analyst zieht einen Report: „Unser Top-Seller letzte Saison war Produkt 4471829.“ Niemand im Raum weiß, was das ist. Eine Farbe? Eine Größe? Ein Style? Es stellt sich heraus: Es war ein einzelner SKU, die schwarze Variante in Größe M eines Kleids, das in vier Farben und sechs Größen angeboten wurde. Das Kleid selbst verkaufte sich gut. Dieser eine SKU nicht. Der Analyst hätte einen erfolgreichen Style wegen einer einzigen Datenzeile fast abgesetzt.

Das ist die häufigste Datenfalle in der Fashion-Branche. Wenn die Produkthierarchie falsch ist, erbt jede nachgelagerte Analyse den Fehler.

Die drei Granularitätsebenen von Fashion-Produkten

Fashion-Produkte existieren auf mehreren Detailebenen. Wer sie verwechselt, ruiniert die Analyse.

Style (auch „Stylenummer“ oder „Produkt“): das Design selbst. Beispiel: ein „Riviera Midi Dress“. Eine kreative Idee.

Style-Color (auch „Option“ oder „Colorway“): der Style in einer bestimmten Farbe. Das Riviera-Kleid in Black, in Sand, in Olive. Drei Optionen.

SKU (Stock Keeping Unit): die kleinste verkaufsfähige Einheit, Style-Color plus Größe. Riviera-Kleid, Black, Größe M. Das ist die Einheit mit Barcode, die im Regal liegt.

Ein Style kann also in Dutzende SKUs zerfallen. Ein Kleid mit 4 Farben und 6 Größen = 24 SKUs aus einem einzigen Design.

Warum das Analysen kaputt macht

Analysten und Führungskräfte denken in Styles („hat das Riviera-Kleid funktioniert?“). Aber Transaktionsdaten kommen auf SKU-Ebene an. Wenn Sie SKUs nie korrekt aggregieren, beantworten Sie die falsche Frage.

Typische Fehler:

• Best-Seller-Listen nach SKU sortiert. Ein Style, der sich gleichmäßig über 24 SKUs verkauft, sieht schlechter aus als ein Novelty-Artikel, der auf einen SKU konzentriert ist, selbst wenn der Style dreimal so viele Einheiten verkauft hat.
• Blindheit für die Size Curve. Sie sehen nicht, dass Größe M in Woche zwei ausverkauft war, während Größe XXL sich nie bewegt hat, weil Größen zu früh aggregiert oder gar nie getrennt wurden.
• Farb-Kannibalisierung. Black „gewinnt“ immer, weil es in mehr Styles angeboten wird, nicht weil Kunden es bei diesem einen Style bevorzugen.

Die Lösung sind nicht mehr Daten. Es ist ein sauberer Produktstamm.

Der Produktstamm: Ihre Single Source of Truth

Ein Produktstamm ist die verbindliche Referenztabelle, die jedes Produkt beschreibt und die Hierarchie abbildet. Jeder SKU verweist auf eine Style-Color, diese verweist auf einen Style. Sales, Inventory und Returns joinen alle darauf zurück.

Eine minimale Zeile im Produktstamm sieht so aus:

Die Attribute, auf die es wirklich ankommt

Jenseits der Hierarchie-IDs entscheiden vier Attributfamilien über Erfolg oder Scheitern von Fashion Analytics:

Saison. Fashion läuft nach Saisonkalendern, nicht nach dem gregorianischen Jahr. Spring/Summer 2026 (SS26) und Autumn/Winter 2026 (AW26) sind die echten Einheiten. Ohne Saison-Tag 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 Sie nicht like-for-like vergleichen oder den Sell-through gegen die Uhr einer Saison messen.

Warenhierarchie (Department, Class, Subclass). Das ist die Taxonomie, mit der Buyer planen: Department (Womenswear) zu Class (Dresses) zu Subclass (Midi Dresses). Sie erlaubt sauberes Aggregieren und Benchmarks einer Class gegen eine andere.

Lifecycle-Status. Ist das ein Core-Produkt (Saison für Saison im Programm, wie ein einfaches weißes T-Shirt), Seasonal (nur eine Saison im Programm) oder Fashion/Trend (kurzes Leben, hohes Risiko)? Ein Sell-through von 40 % bedeutet bei einem Core-Basic etwas völlig anderes als bei einem Trendteil.

Produktattribute für KI. Stoff, Fit, Ausschnitt, Ärmellänge, Muster, Preisstufe. Sie speisen Recommendation Engines, Nachfrageanalysen auf Attributebene („haben Puffärmel mehr verkauft als enge?“) und die Suche.

Für ein gemeinsames Vokabular dieser Attribute sind die GS1-Standards für Apparel eine solide kostenlose Referenz, inklusive der GTIN (Global Trade Item Number), dem globalen Barcode-Standard hinter den meisten SKUs.

Ein durchgerechnetes Beispiel: korrekt aggregieren

Nehmen wir an, das Riviera-Kleid hat für SS26 folgende SKU-Verkäufe (illustrative Zahlen):

Black:  S=40, M=120, L=90,  XL=30   = 280 units
Sand:   S=15, M=45,  L=35,  XL=10   = 105 units
Olive:  S=10, M=30,  L=20,  XL=5    = 65 units

Falsche Analyse (SKU-Ebene): „Top-SKU ist Black-M mit 120 Einheiten. Platz zwei geht an einen einzelnen SKU eines anderen Styles.“ Das Kleid geht unter.

Richtige Analyse (Style-Ebene): alle SKUs aggregieren.

Gesamteinheiten des Styles = 280 + 105 + 65 = 450 Einheiten. Jetzt ist das Riviera-Kleid klar ein Held.

Nun die Size Curve auf Style-Ebene (jede Größe über die Farben summiert):

S = 40+15+10 = 65   (14%)
M = 120+45+30 = 195 (43%)
L = 90+35+20 = 145  (32%)
XL = 30+10+5 = 45   (10%)

Diese Konzentration von 43 % auf M ist ein echtes Signal: nächste Saison tiefer in M einkaufen, sonst ist der Style mitten in der Saison ausverkauft und Sie lassen Einheiten liegen. Sie sehen das nur, wenn Sie SKUs auf Style-Ebene aggregieren, Größe als Dimension behalten und nicht alles in eine Zahl zusammenfallen lassen.

Sell-through (eine zentrale Fashion-Metrik): verkaufte Einheiten geteilt durch erhaltene Einheiten, über einen Zeitraum. Wenn Sie 600 Einheiten des Riviera-Kleids erhalten und 450 verkauft haben, ist der Sell-through = 450 / 600 = 75 %. Ob das gut ist, hängt vom Lifecycle-Status ab und davon, in welcher Saisonwoche Sie sind. 75 % in Woche 4 bei einem Trendteil sind hervorragend; dasselbe zum Saisonende bei einem Core-Artikel ist mäßig.

🎬 [VIDEO: „Retail Merchandise Hierarchy Explained“ - youtube.com - ein kurzer Durchgang, wie Departments, Classes und SKUs in Retail-Planungssystemen ineinander geschachtelt sind]

Datenqualitäts-Metriken für den Produktstamm

Ein Produktstamm ist nur nützlich, wenn 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 → sauber ist. Verfolgen Sie diese Governance-Metriken:

Attributvollständigkeit. Anteil der aktiven SKUs, bei denen alle Pflichtattribute gefüllt sind. Wenn 30 % Ihrer Produkte kein Stoff-Tag haben, ist die Analyse auf Attributebene unzuverlässig. Ziel: hohe Vollständigkeit (viele erfahrene Retailer streben 95 %+ bei Kernfeldern an; betrachten Sie das als Benchmark-Ziel, nicht als universellen Wert).

Hierarchie-Integrität. Jeder SKU muss auf genau eine Style-Color und einen Style verweisen. Orphan-SKUs (ohne Parent) und doppelte Zuordnungen sind die klassischen Defekte.

Eindeutigkeit / Duplikatsrate. Dasselbe physische Produkt zweimal unter zwei Style-IDs angelegt (oft aus einem Lieferanten-Feed und einer manuellen Erfassung) verteilt seine Verkäufe auf zwei Zeilen und verdeckt die echte Performance.

Konsistenz. „Blk“, „Black“ und „BLACK“ als drei verschiedene Farbwerte sind ein Fehler in der Textnormalisierung, der jeden Farbreport zerlegt.

Ein schneller Integritätscheck, den jeder Analyst laufen lassen kann:

-- Orphan-SKUs ohne passenden Style finden
SELECT s.sku_id
FROM sku s
LEFT JOIN style_color sc ON s.style_color_id = sc.style_color_id
WHERE sc.style_color_id IS NULL;

Wenn diese Query Zeilen zurückgibt, ist Ihre Hierarchie defekt und jede Aggregation zählt stillschweigend zu niedrig.

Governance: wer ist verantwortlich

Benennen Sie einen Data Owner für den Produktstamm, üblicherweise im Merchandising oder im Master Data ManagementMaster Data ManagementMaster Data Management (MDM) ist die Disziplin, eine einzige, konsistente und verlässliche Version der zentralen Geschäftsobjekte eines Unternehmens zu erstellen und zu pflegen: Kunden, Produkte, Lieferanten.Vollständige Definition ansehen → (MDM). Neue Produkte sollten Validierungsregeln passieren (Pflichtfelder, gültige Farbliste, gültige Saison), bevor sie ins System kommen. Das ist günstiger, als nach einer Saison mit verschmutzten Verkaufsdaten aufzuräumen.

Woher die Daten tatsächlich kommen

In der Praxis wird der Produktstamm aus mehreren Quellen zusammengesetzt, und jede bringt ein Risiko mit:

• PLM-Systeme (Product Lifecycle Management) wie die von Centric oder PTC halten die Design- und Entwicklungsdaten (Stoff, Fit, initiale Attribute).
• ERP-Systeme (SAP, Oracle, Microsoft Dynamics) halten die kommerzielle und die Bestandssicht.
• PIM-Tools (Product Information Management) verwalten die kundenseitigen Attribute und Texte für den E-Commerce.
• Lieferanten- und Fabrik-Feeds liefern Rohproduktdaten, oft unsauber und inkonsistent formatiert.

Der Produktstamm ist die Abstimmungsschicht über diese Quellen. Wenn PLM „Riviera Midi“ sagt und das E-Commerce-PIM „Riviera Dress Long“, erhalten Sie doppeltes Reporting, solange kein Governance-Prozess einen kanonischen Namen erzwingt.

Die saisonale Komplikation

Fashion verwendet Stylenummern wieder oder führt Core-Produkte über Saisons hinweg. Entscheiden Sie früh: Behält ein wiederkehrendes Core-T-Shirt seine Style-ID über Saisons hinweg (gut für langfristige Trendanalyse) oder bekommt es eine neue, saisonal gestempelte ID (gut für den Saison-Sell-through)? Es gibt keine universell richtige Antwort, aber Sie müssen eine Regel wählen und durchsetzen. Beides zu mischen ist der schnellste Weg, Jahresvergleiche zu korrumpieren.

Die wichtigsten Erkenntnisse

• Kennen Sie Ihre Ebene. Style, Style-Color (Option) und SKU beantworten unterschiedliche Fragen. Transaktionsdaten kommen auf SKU-Ebene; Menschen denken in Styles. Aggregieren Sie immer bewusst und ranken Sie Best-Seller nie auf reiner SKU-Ebene.
• Behalten Sie Größe als Dimension, nicht als Rauschen. SKUs auf Style-Ebene zu aggregieren und dabei die Size Curve zu erhalten, zeigt Nachfragekonzentration (etwa 43 % in Größe M), die zu klügeren Einkäufen führt.
• Der Produktstamm ist die Lösung. Eine saubere Referenztabelle mit Hierarchie-IDs plus Saison, Warenklasse und Lifecycle-Status macht jede nachgelagerte Metrik vertrauenswürdig.
• Messen Sie die Qualität des Stamms direkt. Verfolgen Sie Attributvollständigkeit, Hierarchie-Integrität, Duplikatsrate und Wertekonsistenz. Benennen Sie einen klaren Owner und validieren Sie Produkte bei der Erfassung, nicht nach einer schlechten Saison.
• Stimmen Sie Ihre Quellen ab. PLM, ERPERPEine integrierte Kernsoftware für zentrale Abläufe: Finanzen, Einkauf, Supply Chain, HR und Produktion auf gemeinsamer Datenbasis.Vollständige Definition ansehen →, PIM und Lieferanten-Feeds halten jeweils eine partielle, inkonsistente Sicht. Der Produktstamm existiert, um über alle hinweg eine kanonische Wahrheit zu erzwingen.