Dead-Stock-Detection: KI findet schwächelnde Varianten in Minuten

Jeder Fashion-Gründer weiß, wie Dead Stock im Aggregat aussieht. Der Lager-Report sagt „35 % der Frühjahrskollektion in Woche 8 noch auf Lager", und die Reaktion ist immer dieselbe: Sitewide-Markdown, Floor räumen, Margen-Hit hinnehmen, weiter. Was fast niemand macht, ist die schwierigere, profitablere Arbeit — genau zu identifizieren, welche SKUs schwächeln, wie schnell, und früh genug einzugreifen, um sie zu räumen, ohne die ganze Kollektion zu opfern.

In unserem Fashion-Flash-Sale-Playbook haben wir gezeigt, warum Dead Stock die größte versteckte Verbindlichkeit auf der Bilanz einer Fashion-Brand ist — eine einzige Saison unverkauften Inventars kann den Gewinn aus zwei guten auslöschen. Dieser Artikel handelt von der Detection-Schicht darunter: wie du die Varianten findest, die deine Marge schmälern, Wochen bevor das Problem unerreichbar wird, und warum KI das für Brands möglich macht, die es sich vorher nicht leisten konnten.

Die manuelle Dead-Stock-Analyse, die niemand tatsächlich macht

Die Lehrbuch-Antwort auf Dead-Stock-Detection ist ein wöchentlicher Sell-Through-Report, segmentiert nach Produkt, Variante, Farbe, Größe und Kategorie. Theoretisch sollte jeder Fashion-Merchant diese Analyse fahren und bei allem unter einer Ziel-Sell-Through-Kurve eingreifen. In der Praxis macht es fast keine gründergeführte Brand, weil die Arbeit brutal ist.

Ein typischer Fashion-Katalog hat 2.000 bis 10.000 aktive Varianten. Jede braucht ihre eigene Sell-Through-Trajektorie. Jede Trajektorie muss gegen einen Benchmark verglichen werden, der von Kategorie, Saison, Preispunkt, Launch-Datum und Marketing-Budget abhängt. Das per Hand in einer Tabelle zu machen, kostet einen Analysten 6 bis 10 Stunden pro Woche, und die meisten kleinen Fashion-Brands haben keinen Analysten. Die Arbeit wird an den Gründer delegiert, der Gründer schiebt es auf „nächste Woche", und bis irgendwer auf die Zahlen schaut, ist die halbe Saison vorbei und das Interventionsfenster geschlossen.

Deshalb ist die Standard-Dead-Stock-Reaktion für die meisten Fashion-Brands die Saisonende-Clearance. Nicht weil es die beste Strategie ist, sondern weil es die einzige ist, die keine kontinuierliche Analyse braucht. Die Brands, die ihr Inventar gut handhaben — die SNOCKSes und Gymsharks dieser Welt — haben Vollzeit-Analysten, die nichts tun außer Sell-Through-Monitoring. Das ist für fast alle anderen unerreichbar.

Was Dead-Stock-Detection tatsächlich messen muss

Ein gutes Detection-System flaggt nicht nur „dieses Produkt hat zu viel Bestand". Es muss vier Fragen auf Varianten-Ebene beantworten:

Verlangsamt sich der Sell-Through? Eine Variante, die in Woche 1 15 Stück verkauft hat, in Woche 2 10 und in Woche 3 6, ist schwächelnd. Eine Variante, die 8, 9, 10 verkauft, ist okay, selbst wenn die absoluten Zahlen klein wirken. Velocity-Trend zählt mehr als rohe Velocity.

Ist diese Variante relativ zu ihrer eigenen Größenkurve gebrochen? Wenn S/M/L laufen und XS/XXL nicht, ist das ein Broken-Run-Problem mit chirurgischer Lösung. Wenn alle Größen gleich langsam sind, schwächelt der ganze Style und braucht eine andere Intervention.

Wie schlägt sich diese Variante gegen ihren Kategorie-Benchmark? Ein Kleid mit 12 Stück pro Woche wirkt isoliert langsam, schlägt aber vielleicht den Kategorie-Durchschnitt von 8 Stück pro Woche. Ohne Benchmark rätst du.

Wie viel Zeit bleibt zum Eingreifen? Ein Wintermantel, der am 15. November geflaggt wird, hat noch Wochen Verkaufssaison. Derselbe Mantel am 20. Februar geflaggt hat noch Tage. Das Detection-System muss wissen, wann Clearance dringend wird, nicht nur wann sie möglich wird.

Die meisten Inventar-Reports in Shopify und WooCommerce beantworten keine dieser Fragen. Sie sagen dir den aktuellen Bestand und vielleicht eine einfache 30-Tage-Velocity. Das ist das absolute Minimum dessen, was du brauchst — es ist kein Detection-System, es ist eine Lagerzählung.

Warum KI die Ökonomie davon verändert

Der Grund, warum Dead-Stock-Detection ein Luxus für Enterprise-Brands war, ist, dass sie analytisch teuer ist. Kontinuierliches Varianten-Level-Monitoring über tausende SKUs, gegen saisonale und kategoriale Normen gebenchmarkt, mit Trend-Detection und Interventions-Schwellen — das ist Arbeit, die entweder einen dedizierten Analysten oder ein Software-System braucht.

KI senkt die Kosten der Software-Seite auf nahezu null. Ein Language Model, trainiert auf Retail-Signalen, kann täglich einen vollen Katalog scannen, jede Variante gegen ihre eigene Trajektorie scoren, sie mit ähnlichen Varianten in derselben Kategorie vergleichen und die schwächelnden flaggen. Dasselbe Modell kann den Clearance-Plan schreiben: welche Varianten, welche Rabatttiefe, wann launchen, welche Copy nutzen.

Die Arbeit, die früher einen 6-stelligen Analysten-Hire brauchte, läuft jetzt autonom im Hintergrund. Für einen 10.000-SKU-Fashion-Katalog ist der Kostenunterschied zwischen manueller Analyse und KI-Detection der Unterschied zwischen 100.000 € pro Jahr Gehalt und rund 60 € pro Monat Infrastruktur. Die Ökonomie ist nicht subtil.

Wie Heartly Autopilot Fashion-Dead-Stock erkennt

Heartlys Autopilot-System fährt einen täglichen Scan deines vollen Shopify- oder WooCommerce-Katalogs. Für jede Variante zieht es Sell-Through-Velocity, Trendrichtung, Tage Bestand bei aktueller Geschwindigkeit, Kategorie-Benchmark und saisonalen Kontext.

Der Output ist kein Report, den du interpretieren musst. Es ist eine gerankte Liste von Varianten, die Intervention brauchen, mit vorgeschlagener Rabatttiefe, empfohlenem Launch-Timing und einer Draft-Flash-Sale-Konfiguration zum Freigeben. Die Aufgabe des Merchants geht von „8 Stunden Tabellen analysieren und dann eine Clearance-Kampagne designen" zu „diesen Plan reviewen und auf Freigeben klicken".

Die Detection-Logik ist speziell für Fashion abgestimmt. Sie versteht, dass Größenkurven brechen können, während der Eltern-Style okay ist. Sie weiß, dass Wintermäntel anderes Interventions-Timing brauchen als Sommerkleider. Sie erkennt, dass ein limitierter Capsule-Drop eine andere erwartete Sell-Through-Kurve hat als ein Core-Basics-Style. Das sind die Art kategorie-spezifischer Regeln, die generische Inventar-Management-Tools nicht codieren.

Und weil Detection und Aktion im selben System leben, ist die Schleife eng. Autopilot findet den Dead Stock, erstellt den Flash Sale, launcht die dedizierte Landing Page, verteilt über deals.heartly.io und meldet die Ergebnisse zurück — alles ohne dass der Merchant den Katalog anfasst.

Was Detection ermöglicht: kontinuierliche, chirurgische Clearance

Der echte Shift ist nicht nur schnellere Detection. Es ist ein anderes Operating-Model für Fashion-Inventar.

Im alten Modell ist Clearance reaktiv und stoßweise. Du lässt Inventar anwachsen, bis es offensichtlich ein Problem ist, dann fährst du ein großes Clearance-Event pro Saison. Marge wird in konzentrierten Schüben aufgezehrt, die Markenwahrnehmung leidet, und du trainierst Kunden darauf, auf den vorhersehbaren Saison-Sale zu warten.

Im neuen Modell ist Clearance kontinuierlich und chirurgisch. Schwache Varianten werden binnen Tagen nach Schwächezeichen geflaggt und bewegt. Die Rabatte sind klein, gezielt und selten Sitewide. Kunden sehen nie einen großen offensichtlichen Sale, weil es keinen gibt — nur ein rollendes Set dedizierter Flash-Sale-Pages, denen die meisten Vollpreis-Shopper nie begegnen. Die Marke bleibt premium, die Marge bleibt hoch, und das Lager bleibt sauber.

So haben die bestgeführten Fashion-Brands schon immer operiert. KI macht es nur zugänglich für Merchants, die sich die analytische Infrastruktur vorher nicht leisten konnten.

Der Detection-to-Action-Workflow in der Praxis

So sieht die Heartly-Autopilot-Schleife auf Wochenbasis tatsächlich aus:

Montag Morgen. Autopilot liefert den wöchentlichen Dead-Stock-Report — Varianten gerankt nach Dringlichkeit, mit empfohlener Aktion für jede. Typischerweise 10 bis 30 Varianten pro Woche für einen mittelgroßen Fashion-Katalog.

Montag Nachmittag. Der Merchant reviewt die Vorschläge, gibt die richtigen frei und passt die an, die anderes Timing oder andere Rabatttiefe brauchen. Meist 15 bis 20 Minuten Arbeit.

Dienstag bis Donnerstag. Freigegebene Flash Sales launchen automatisch zu den konfigurierten Zeiten. Jeder bekommt seine eigene dedizierte Seite, seinen eigenen Distributions-Push und sein eigenes Echtzeit-Performance-Tracking.

Freitag. Ergebnisse trudeln ein. Varianten, die abverkauft wurden, kommen von der Dead-Stock-Liste. Varianten, die sich nicht bewegt haben, werden für den nächstwöchigen Zyklus neu gerankt, mit angepasster Rabatttiefe falls nötig.

Vergleich das mit dem alten Weg: 8 Stunden Analyse, dann ein Wochenende Kampagnenbau, dann eine Woche manuelles Monitoring, dann eine Post-mortem, die nie wirklich stattfindet, weil das nächste Problem schon brennt.

Häufig gestellte Fragen

Wie früh sollte KI-Detection ein Dead-Stock-Risiko flaggen?

Die richtige Schwelle hängt von deiner Kategorie ab. Für Core-Basics: nach 4 Wochen Sell-Through-Daten flaggen. Für saisonale oder trend-getriebene Styles: nach 2 bis 3 Wochen. Für limitierte Capsules: nach 1 Woche. Frühere Flags geben dir mehr Interventions-Fenster, aber mehr False-Positives.

Kann ich einer KI vertrauen, mein Inventar automatisch zu rabattieren?

Heartly Autopilot läuft per Default im Approval-Modus — es schlägt vor, du gibst frei. Du kannst für bestimmte Kategorien auf vollständigen Auto-Approve hochstufen, sobald du Vertrauen aufgebaut hast, aber die meisten Brands bleiben dauerhaft im Approval-Modus. Das Ziel ist die Geschwindigkeit der Analyse, nicht den Menschen aus der Preisentscheidung zu nehmen.

Ersetzt das einen Merchandise-Planner?

Für Enterprise-Brands mit vollem Planning-Team: nein — es erweitert sie, indem es die routinemäßige analytische Arbeit eliminiert, damit Planner sich auf Buying-Entscheidungen und strategische Positionierung konzentrieren können. Für gründergeführte Brands ohne Planning-Team gibt es ihnen eine Fähigkeit, die sie sich vorher nicht leisten konnten.

Welche Daten braucht das Detection-System?

Bestellhistorie, Bestand-Snapshots, Produkt-Metadaten (Kategorie, Launch-Datum, Preis) und Verkäufe auf Varianten-Ebene. All das ist über Shopify- und WooCommerce-APIs verfügbar, sodass Heartly Detection ohne zusätzliche Integrations-Arbeit fahren kann.

Wie unterscheidet sich das davon, einfach in meine Shopify-Reports auf Slow Mover zu schauen?

Shopifys Slow-Movers-Report ist eine statische Liste, basierend auf roher Velocity. Er berücksichtigt keine Trendrichtung, keine Kategorie-Benchmarks, keinen saisonalen Kontext und kein Interventions-Timing. Er sagt dir, was langsam ist. KI-Detection sagt dir, was du dagegen tun sollst — mit spezifischen Empfehlungen und einem launch-bereiten Plan.

Willst du aufhören, manuell nach Dead Stock zu jagen? Lies den kompletten Fashion-Flash-Sale-Playbook, erfahre, wie Heartly Autopilot Flash-Sale-Erstellung automatisiert, oder starte deinen 7-Tage kostenlosen Test.