Mode · Trend- und Demand-Sensing aus Search-, Social- und frühen POS-Signalen

Eine Einkäuferin bei einem Fast-Fashion-Label bestellt 40.000 Stück einer Rippstrick-Strickjacke sechs Wochen vor dem Verkaufsstart. Wenn sie den ersten Verkaufsbericht sieht, ist der Produktionsslot in der Fabrik weg und die Farbsortierung fixiert. Liegt der Einkauf falsch, zahlt das Unternehmen mit Abschriften. Liegt er zufällig richtig, ist die Ware ausverkauft und Geld bleibt liegen, weil nicht rechtzeitig nachbestellt werden kann.

Demand Sensing ist die Disziplin, dieses Rätselfenster zu verkleinern. Statt sich auf die Zahlen der letzten Saison und Bauchgefühl zu verlassen, mischen Sie Live-Signale (was Menschen suchen, was sie teilen, was in den ersten zwei Wochen tatsächlich über die Kasse geht), um den Forecast zu korrigieren, bevor es zu spät ist.

Diese Lektion zeigt, wie Sie diese kombinierte Sicht aufbauen.

Was „Demand Sensing“ tatsächlich bedeutet

Demand Forecasting prognostiziert 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 →ünftige Verkäufe Wochen oder Monate im Voraus, meist aus historischen Mustern. Demand Sensing hat einen kürzeren Horizont: Es nutzt frische, hochfrequente Signale, um diesen Forecast nahezu in Echtzeit anzupassen.

In der Bekleidungsbranche ist der Nutzen groß, weil Produktlebenszyklen kurz und Fehler teuer sind. Ein verpasster Trend bedeutet Ladenhüter und Abschriften (Verkauf unter dem Vollpreis, um Bestände abzubauen). Ein verpasster Gewinner bedeutet verlorene Umsätze, die Sie nicht zurückholen können.

Drei Signalfamilien leisten den größten Teil der Arbeit:

• Search Intent: was Menschen bei Google eingeben, bevor sie kaufen.
• Social Velocity: wie schnell sich ein Style, eine Farbe oder eine Silhouette ausbreitet.
• Frühe Point-of-Sale-Daten (POS): was in den ersten Tagen eines Drops tatsächlich verkauft wird.

Jedes Signal ist für sich genommen verrauscht. Kombiniert sind sie deutlich verlässlicher.

Signal 1: Search Intent aus Google Trends

Google Trends ist kostenlos und zeigt das relative Suchinteresse über Zeit und nach Region. Es liefert keine absoluten Volumina, nur einen Index von 0 bis 100, aber entscheidend ist die Form der Kurve.

Praktische Anwendungen:

• Steigende Queries: vergleichen Sie „quiet luxury“ gegen „coquette“ gegen „barrel jeans“, um zu sehen, welche Silhouette zulegt.
• Saisonalität: „Leinenkleid“ steigt jedes Frühjahr stark an. Die exakte Anlaufwoche zu kennen, hilft beim Timing des Drops.
• Geografie: ein Begriff, der in Seoul oder London heiß läuft, geht einer US-Welle oft voraus.

Der entscheidende Punkt ist, die Steigung zu lesen, nicht das Niveau. Ein Style bei Index 30, der 15 Punkte pro Woche zulegt, ist interessanter als einer, der flach bei 80 liegt.

Eine Warnung: Suchinteresse ist keine Nachfrage. Menschen suchen „Y2K fashion“ aus vielen Gründen, die nichts mit Kaufen zu tun haben. Behandeln Sie es als Frühindikator, nicht als Verkaufszahl.

Signal 2: Social Velocity

Social-Plattformen zeigen, was sich verbreitet und wie schnell. Die nützliche Metrik ist Velocity: die Veränderungsrate bei Mentions, Saves oder Views, nicht die reine Gesamtzahl.

Was Sie verfolgen sollten:

• Hashtag- und Sound-Wachstum auf Short-Video-Plattformen, wo ein trendendes Audio einen Kleidungsstil über Nacht tragen kann.
• Save- und Share-Raten auf visuellen Plattformen, die Kaufabsicht besser anzeigen als Likes.
• Creator-Adoption: wenn Mid-Tier-Creator (nicht nur Mega-Influencer) eine Silhouette tragen, folgt oft die Mainstream-Nachfrage.

Seien Sie disziplinert bei dem, was Sie erheben. Das Scrapen personenbezogener Daten oder Verstöße gegen Plattform-Bedingungen erzeugen rechtliche und Reputationsrisiken. Nutzen Sie offizielle APIs, lizenzierte Social-Listening-Tools oder öffentlich berichtete Trenddaten und prüfen Sie die Plattform-Bedingungen, bevor Sie etwas abziehen.

🎬 [VIDEO: "How Zara Uses Data To Dominate Fashion" - youtube.com - ein klarer Durchgang durch das datengetriebene Kurzzyklus-Modell der Fast Fashion]

Signal 3: Frühe POS-Daten (die ersten zwei Wochen)

Point-of-Sale-Daten sind die Ground Truth: echtes Geld, echte Stückzahlen. Das Problem ist das Timing. Wenn die vollständigen Verkaufsdaten eintreffen, ist das Nachbestellfenster geschlossen.

Demand Sensing löst das mit dem Early Read: Nutzen Sie die ersten Tage des Abverkaufs, um den gesamten Verlauf zu projizieren.

Die Sell-Through-Rate ist der Anteil des erhaltenen Bestands, der in einem Zeitraum verkauft wurde. Wenn Sie 5.000 Stück an Stores geliefert und in Woche eins 1.200 verkauft haben, sind das 24 Prozent Sell-Through. Früher Sell-Through ist ein starker Prädiktor für die Performance über den gesamten Lebenszyklus, besonders im Vergleich zu einer Benchmark-Kurve ähnlicher vergangener Artikel.

Zwei Schritte machen frühe POS-Daten verlässlich:

1. Normalisieren Sie nach Exposure. Ein Style in 200 Stores zeigt mehr Stück als einer in 40, selbst wenn der zweite pro Store heißererDas 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 → läuft. Schauen Sie immer auf Stück pro Store pro Tag oder auf Sell-Through in Prozent, nicht auf absolute Stückzahlen.
2. Vergleichen Sie mit einer Referenzkurve. Fragen Sie: liegt dieser Artikel vor oder hinter dem typischen Woche-eins-Tempo seiner Kategorie? 30 Prozent vor der Kurve zu liegen, ist Ihr Signal zum Chasen (mehr nachbestellen).

Die drei Signale kombinieren

Kein einzelnes Signal ist vertrauenswürdig. Die Kunst liegt darin, sie so zu kombinieren, dass sie sich gegenseitig prüfen.

Ein einfacher, transparenter Ansatz: Wandeln Sie jedes Signal in einen normalisierten Score um und gewichten Sie es danach, wie viel Vorlaufzeit und Verlässlichkeit es bietet.

• Search: frühestes Signal, mittlere Verlässlichkeit.
• Social: früh, stark verrauscht, stark bei aufkommenden Ästhetiken.
• Frühe POS-Daten: am spätesten, aber am verlässlichsten, weil es echte Verkäufe sind.

Hier eine minimale Illustration der Logik (kein Produktionsmodell):

# Normalize each signal to a 0-1 score, then blend.
# Weights reflect reliability + lead time, and must be tuned to your data.

def demand_score(search_idx, social_velocity, sellthrough_vs_benchmark):
    # search_idx: Steigung aus Google Trends, skaliert 0-1
    # social_velocity: Wachstum der Mentions Woche zu Woche, skaliert 0-1
    # sellthrough_vs_benchmark: tatsächlicher / erwarteter Sell-Through Woche 1, gedeckelt
    weights = {"search": 0.25, "social": 0.30, "pos": 0.45}
    score = (
        weights["search"] * search_idx
        + weights["social"] * social_velocity
        + weights["pos"] * min(sellthrough_vs_benchmark, 1.5) / 1.5
    )
    return round(score, 3)

# Beispiel: starkes Social, POS läuft dem Plan voraus
print(demand_score(0.4, 0.8, 1.3))  # -> ein "Chase"-Kandidat

Solange keine POS-Daten existieren, stützt sich das Modell auf Search und Social. Sobald die Verkäufe der ersten Woche eintreffen, dominiert POS, weil es real ist. Genau darum geht es: Die Kombination verschiebt das Gewicht hin zu härterer Evidenz, sobald diese verfügbar ist.

Zwei LeitplankenLeitplankenRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen →:

• Backtesten Sie, bevor Sie darauf vertrauen. Lassen Sie das Modell gegen vergangene Drops laufen und prüfen Sie, ob hohe Scores tatsächlich die Gewinner vorhergesagt haben. Wenn nicht, sind die Gewichte falsch.
• Halten Sie einen Menschen im Loop. Das Kategoriewissen einer Einkäuferin fängt Dinge auf, die Daten übersehen, etwa ein Kleidungsstück, das gut fotografiert, aber schlecht sitzt.

Vom Score zur Entscheidung

Ein Score ist wertlos, wenn er keine Handlung auslöst. Ordnen Sie Scores konkreten 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 →ßnahmen innerhalb der Grenzen Ihrer Supply Chain zu:

• Hoher Score, vor der Kurve: chasen. Nachbestellen, wenn die Lead Time es zulässt, oder Open-to-Buy-Budget zu diesem Style verschieben.
• Mittlerer Score: halten und beobachten. Auf weitere POS-Tage warten, bevor Sie sich festlegen.
• Niedriger Score, hinter der Kurve: früh abschreiben oder Bestand in Stores umverteilen, in denen er besser läuft.

Geschwindigkeit zählt hier mehr als Präzision. Ein grobes Signal, auf das in Woche eins reagiert wird, schlägt ein perfektes Signal in Woche fünf, denn der Produktionsslot und die Verkaufssaison warten auf niemanden.

Open-to-Buy ist das Budget, das einer Einkäuferin in einem Zeitraum noch für neue Ware bleibt. Demand Sensing hilft, es für bewiesene frühe Gewinner auszugeben, statt alles festzulegen, bevor irgendein Signal existiert. Viele Fast-Fashion-Player halten bewusst einen Teil des Einkaufs zurück, um in der Saison nachzuchasen, und verlässliche Early Reads sind es, die diesen Rückhalt profitabel machen.

Häufige Fallen

• Aufmerksamkeit mit Nachfrage verwechseln. Viral heißt nicht verkäuflich. Nur POS bestätigt Zahlungsbereitschaft.
• Zu spät chasen. Wenn die Lead Time Ihres Lieferanten länger ist als das Verkaufsfenster des Artikels, ist ein großartiges Signal wertlos. Kennen Sie Ihre echte Nachbestell-Lead-Time.
• Overfitting auf ein Heldenprodukt. Ein Modell, das den einen großen Hit der letzten Saison erklärt, wird beim nächsten Sortiment versagen.
• Retouren ignorieren. Hoher Sell-Through mit hohen Retourenquoten ist ein falscher Gewinner. Netto-Stückzahlen, nicht Brutto, sagen die Wahrheit.

Die wichtigsten Punkte

• Demand Sensing nutzt frische, hochfrequente Signale, um einen Forecast nahezu in Echtzeit zu korrigieren, was in der Bekleidungsbranche am meisten zählt, weil Lebenszyklen kurz und Abschriften teuer sind.
• Lesen Sie die Steigung von Search- und Social-Signalen, nicht das Niveau, und normalisieren Sie frühe POS-Daten immer nach Store-Exposure und vergleichen Sie sie mit einer Benchmark-Kurve.
• Kombinieren Sie die drei Signale mit Gewichten, die sich zu POS verschieben, sobald echte Verkäufe eintreffen, und backtesten Sie diese Gewichte gegen vergangene Drops, bevor Sie ihnen vertrauen.
• Ein Score schafft nur Wert, wenn er mit einer konkreten Handlung verknüpft ist: chasen, halten oder abschreiben, alles innerhalb Ihrer realen Supply-Chain-Lead-Time.
• Halten Sie eine Einkäuferin im Loop und beobachten Sie die Netto-Stückzahlen nach Retouren, damit virale Aufmerksamkeit nie mit dauerhafter Nachfrage verwechselt wird.