Knappheit modellieren und Hero-Produkte mit Warteliste zuteilen

Die Kundin, die 80.000 $ ausgegeben hat und trotzdem leer ausging

Eine Kundin betritt eine Boutique, in der sie über drei Jahre 80.000 $ ausgegeben hat. Sie fragt nach einer bestimmten Hero-Handtasche. Die Verkäuferin lächelt und sagt, sie sei nicht verfügbar. Gleichzeitig verlässt eine andere Kundin, die weniger ausgegeben hat, den Laden mit genau dieser Tasche.

Das ist kein Zufall. Und es ist auch nicht immer Günstlingswirtschaft. Immer häufiger ist es eine Datenentscheidung.

Knappe „Hero-Produkte“ (die Flaggschiff-Artikel, die eine Marke bewusst knapp hält, etwa eine bestimmte gequiltete Flap Bag oder eine Tote aus exotischem Leder) lassen sich nicht einfach auf Nachfrage kaufen. Kundinnen und Kunden kommen auf eine informelle oder formelle Warteliste, und die Marke entscheidet, wem der Artikel angeboten wird. Genau an dieser Entscheidung kommen Daten ins Spiel.

Diese Lektion zeigt, wie Sie ein einfaches Allokationsmodell bauen: ein Scoring-System, das Kunden auf der Warteliste für einen knappen Artikel rankt. Als Inputs nutzen wir Lifetime Spend, Kategorien-Diversität und Resale-Flipping-Risiko.

Warum Knappheit konstruiert und nicht zufällig ist

Zuerst der Kerngedanke. Knappheit ist hier eine Angebotsentscheidung. Die Marke kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte mehr produzieren, entscheidet sich aber dagegen, weil Rarität Preis, Begehrlichkeit und Brand EquityBrand EquityThe commercial value your brand adds beyond functional product attributes: the price premium, preference and loyalty it generates.Vollständige Definition ansehen → (den kommerziellen Wert der Markenreputation) stützt.

Wer im Detail verstehen will, warum Luxus-Pricing sich anders verhält als bei normalen Gütern, findet die klassische Referenz im „rarity principle“, das Kapferer und Bastien in ihrer Arbeit zur Luxusstrategie diskutieren. Einen gut lesbaren Überblick über die Dynamik der Luxusnachfrage gibt dieses offen zugängliche McKinsey-Material zu State of Fashion.

Die entscheidende Konsequenz für Daten: Die Nachfrage übersteigt das Angebot mit Absicht, die Marke muss also rationieren. Rationieren heißt, Kunden auszuwählen. Kunden auszuwählen ist ein Ranking-Problem, und Ranking ist genau das, was Datenmodelle gut kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Was die Marke tatsächlich optimieren will

Bevor Sie Daten anfassen, legen Sie das Ziel fest. Ein häufiger Fehler ist, auf eine einzige Zahl (Spend) zu optimieren, während die Marke mehrere Dinge gleichzeitig im Blick hat.

Eine gut gemachte Allokation balanciert in der Regel:

• Loyalität belohnen. Knappe Artikel an Kunden geben, die die Marke konsistent unterstützen.
• Die Beziehung vertiefen. Kunden bevorzugen, die über Kategorien hinweg kaufen (Schuhe, Ready-to-wear, Schmuck), nicht nur die begehrte Tasche.
• Den Primärmarkt schützen. Kunden vermeiden, die Artikel sofort mit Aufschlag weiterverkaufen, was Knappheit untergräbt und den Resale-Kanal flutet.

Diese drei Ziele lassen sich sauber auf drei Datensignale abbilden.

Die drei Input-Signale

1. Lifetime Spend

Das einfachste Signal. Der Gesamtwert der KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe eines Kunden, idealerweise über alle Kanäle und Boutiquen, nicht nur über einen Store.

Achten Sie auf zwei Fallen. Erstens zählt Recency: Wer vor fünf Jahren viel gekauft hat und seither nichts, ist etwas anderes als ein aktuell aktiver Kunde. Zweitens: Retouren nicht doppelt zählen. Nutzen Sie Net Spend (KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe minus Retouren).

2. Kategorien-Diversität

Ein Kunde, der nur das knappe Hero-Produkt kauft und sonst nichts, ist oft ein Flipper (jemand, der zum gewinnbringenden Weiterverkauf kauft) oder ein rein transaktionaler KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer. Ein Kunde, der Fragrance, Schuhe und Ready-to-wear kauft, ist stärker in der Marke verankert.

Ein klarer Weg, die Streuung zu messen, ist ein Diversity Score. Eine bekannte Methode ist der Herfindahl-Hirschman-Index (HHI), normalerweise zur Messung von Marktkonzentration genutzt. Hier angewendet misst ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen →, wie stark der Spend eines Kunden auf eine Kategorie konzentriert ist.

Niedrigere Konzentration bedeutet höhere Diversität.

3. Resale-Flipping-Risiko

Das ist das schwierigste und wichtigste Signal. Sie schätzen die Wahrscheinlichkeit, dass ein Kunde den Hero-Artikel schnell weiterverkauft statt behält.

Nützliche Proxy-Signale sind unter anderem:

• Sehr kurze Zeit zwischen früheren KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufen und Retouren oder Umtausch.
• Anfragen ausschließlich nach den am Resale-Markt liquidesten Artikeln (bestimmte Größen, Farben, Hero-SKUs), nie nach etwas anderem.
• Mehrfachkäufe identischer Artikel.
• KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe unmittelbar vor bekannten Nachfragespitzen im Resale.

Ziehen Sie die ethische und rechtliche Linie klar. Sie dürfen Verhalten anhand der eigenen Transaktionshistorie eines Kunden scoren. Sie sollten keine Modelle auf geschützten Merkmalen (Ethnie, Geschlecht, Nationalität, Alter) bauen und nicht das Privatleben eines Kunden abgrasen. Wer das tut, riskiert Haftung wegen Diskriminierung und verstößt gegen Datenschutzregeln wie die DSGVO der EU (Datenschutz-Grundverordnung, die regelt, wie personenbezogene Daten erhoben und genutzt werden). Halten Sie das Modell bei First-Party-Kaufverhalten.

Den Score bauen

Jetzt kombinieren Sie die Signale zu einem Allokations-Score. Die Logik: Spend und Diversität belohnen, Flip-Risiko bestrafen.

Hier ein minimales, gut lesbares Beispiel in Python.

def allocation_score(net_spend, diversity, flip_risk,
                     w_spend=0.4, w_div=0.3, w_flip=0.3):
    # net_spend, diversity, flip_risk jeweils skaliert von 0 bis 1
    # flip_risk ist ein Malus, wird also subtrahiert
    score = (w_spend * net_spend
             + w_div * diversity
             - w_flip * flip_risk)
    return round(score, 3)

clients = [
    {"name": "A", "net_spend": 0.9, "diversity": 0.8, "flip_risk": 0.1},
    {"name": "B", "net_spend": 0.95, "diversity": 0.2, "flip_risk": 0.7},
    {"name": "C", "net_spend": 0.6, "diversity": 0.9, "flip_risk": 0.1},
]

ranked = sorted(clients,
                key=lambda c: allocation_score(**{k: c[k] for k in
                    ["net_spend","diversity","flip_risk"]}),
                reverse=True)

for c in ranked:
    print(c["name"], allocation_score(c["net_spend"],
                                      c["diversity"], c["flip_risk"]))

Lassen Sie das laufen, und Kundin B, die höchste Spenderin, landet auf dem letzten Platz. Warum? Hohes Flip-Risiko und geringe Diversität. Kundin A gewinnt: starker Spend, breite Beziehung, niedriges Flip-Risiko.

Dieses eine Ergebnis fasst die ganze Lektion zusammen. Die dickste Brieftasche gewinnt nicht automatisch.

Die Inputs skalieren

Beachten Sie, dass jeder Input auf 0 bis 1 skaliert ist. Rohe Dollarbeträge und rohe Diversitätsindizes liegen auf unterschiedlichen Skalen, Sie müssen sie also zuerst normalisieren. Ein üblicher Ansatz ist das Perzentil-Ranking innerhalb der Warteliste: Der größte Spender auf der Liste wird 1.0, der Median wird 0.5. So verhindern Sie, dass ein einzelner sehr reicher Kunde den Score dominiert.

Gewichte wählen

Die Gewichte (oben 0.4, 0.3, 0.3) sind eine Geschäftsentscheidung, keine mathematische Tatsache. Eine Marke mit großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Angst vor Resale würde das Gewicht des Flip-Risikos erhöhen. Eine Marke, die Ready-to-wear ausbauen will, würde die Diversität höher gewichten. Machen Sie die Gewichte explizit und überprüfbar, damit die Führung den Trade-off verantwortet und nicht ein undurchsichtiger Algorithmus.

Vom Score zur Entscheidung

Ein Score ist keine Policy. Zwei Leitplanken zählen.

Human Override. Das Modell rankt, ein Mensch bestätigt. Ein Client Relationship Manager kennt vielleicht Kontext, den die Daten nicht sehen (eine Kundin, die einmal wegen eines echten Lebensereignisses weiterverkauft hat, nicht aus Flipping-Absicht).

Erklärbarkeit. Wenn ein Kunde fragt, warum ihm der Artikel nicht angeboten wurde, ist „der Algorithmus hat nein gesagt“ unakzeptabel und kann in manchen Rechtsräumen Auskunftsrechte nach Datenschutzrecht auslösen. Halten Sie die Gründe nachvollziehbar: Spend, Diversität, Verhalten.

Messen, ob das Modell funktioniert hat

Den Score zu bauen ist Schritt eins. Danach müssen Sie prüfen, ob ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → die Ergebnisse verbessert. Definieren Sie Erfolgsmetriken vor dem Deployment, nicht danach.

Nützlich sind:

• Resale-Leakage-Rate. Anteil der zugeteilten Hero-Artikel, die innerhalb von, sagen wir, 90 Tagen auf Resale-Plattformen auftauchen. Wenn Ihr Flip-Risiko-Signal funktioniert, sollte dieser Anteil sinken.
• Cross-Category-Lift. Haben Kunden, die eine Zuteilung erhielten, danach ihren Spend in anderen Kategorien gesteigert? Eine Zuteilung ist eine Belohnung, und Belohnungen sollten die Beziehung vertiefen.
• Client Retention. Sind hochwertige Kunden, die abgelehnt wurden, ein Jahr später noch aktiv, oder hat die Ablehnung sie vertrieben?

Lassen Sie das Modell zuerst im „Shadow Mode“ laufen: Es rankt Kunden, während Menschen wie gewohnt entscheiden, dann vergleichen Sie. Wenn die Top-Picks des Modells mit Ihren besten Einschätzungen übereinstimmen und die Resale-Leakage sinkt, haben Sie Belege, ihm zu vertrauen.

Eine Warnung zum Gaming

Jede sichtbare Scoring-Regel wird gegamed. Wenn Kunden lernen, dass Kategorien-Diversität zählt, kaufen einige ein Fragrance nur, um sich für eine Tasche zu qualifizieren, und kommen nie wieder.

Zwei Verteidigungslinien. Erstens: veröffentlichen Sie die exakten Gewichte nicht. Zweitens: gewichten Sie dauerhaftes Verhalten höher als Einzelkäufe. Ein einzelnes Fragrance, gekauft in der Woche vor der Taschenanfrage, sollte weit weniger zählen als drei Jahre stetiger, abwechslungsreicher KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe.

Wichtigste Erkenntnisse

• Knappheit im Luxus ist konstruiert, die Allokation von Hero-Produkten ist also ein Ranking-Problem, das Daten unterstützen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Scoren Sie Kunden über drei Signale: Net Lifetime Spend, Kategorien-Diversität und Resale-Flipping-Risiko, und lassen Sie das Flip-Risiko als Malus wirken, damit die dickste Brieftasche nicht automatisch gewinnt.
• Normalisieren Sie die Inputs (Perzentil-Ränge funktionieren gut) und setzen Sie die Gewichte als explizite, überprüfbare Geschäftsentscheidung, nicht als versteckte Formel.
• Bleiben Sie bei First-Party-Kaufverhalten, modellieren Sie nie geschützte Merkmale, und halten Sie Entscheidungen erklärbar, um Regeln wie die DSGVO zu erfüllen.
• Belegen Sie das Modell mit klaren Metriken (Resale-Leakage, Cross-Category-Lift, Retention) und lassen Sie es im Shadow Mode laufen, bevor es einem echten Kunden eine Absage erteilt.