Visuelle Trendprognose für Mode und Konsumgüter

Mode- und Konsumgüterteams müssen sich 6-18 Monate vor dem Verkauf eines Produkts auf Farben, Silhouetten und Mengen festlegen, lange bevor eine Verkaufshistorie existiert. Die visuelle Trendprognose nutzt Bild-Sprach-Modelle (Vision-Language-Modelle), um Produktmerkmale in riesigen Bildströmen aus Social Media und von Laufstegen zu erfassen, bildet je Merkmal eine Zeitreihe und prognostiziert, welche wachsen oder verschwinden. Das Ergebnis fließt in Kollektionsplanung, Einkauf und erste Produktionsläufe ein, wo Überbestände und verpasste Trends am teuersten sind.

Problem & Nutzen

• Wer: Modemarken, Händler, Eigenmarken und Konsumgüterhersteller (Schuhe, Kosmetik, Heimtextilien, Accessoires) mit langen Vorlaufzeiten vom Design bis ins Regal und hohem Preisnachlassrisiko.
• Heute: Trendagenturen (redaktionelle Prognosen, Messen), die Intuition der Einkäufer, der Abverkauf der Vorsaison und manuelles Durchscrollen von Social Media. Die Bedarfsprognose auf SKU-Ebene (PRED-001) braucht Verkaufshistorie und kann daher nichts über Merkmale aussagen, die noch nicht im Katalog sind. Die Texttrend-Erkennung ([LANG-016]) übersieht die visuelle Dimension (ein „Cut-out-Kleid“ oder ein bestimmtes Grün wird gesehen, nicht beschrieben).
• Warum KI hilft: Computer Vision verwandelt unstrukturierte Bilder in zählbare Merkmale; Zeitreihenmodelle projizieren anschließend die Verbreitungskurven. Der Anbieter Heuritech gibt an, seine Engine erfasse 2.000+ Merkmale aus Millionen von Social-Media-Bildern in 16 Regionen, und behauptet Prognosen bis zu 24 Monate im Voraus [1]. Diese Genauigkeitsangaben stammen vom Anbieter (die Anbieterseite selbst nennt sowohl 92 % als auch 91 %), sind also kein validierter Maßstab; behandeln Sie sie als Marketing, bis sie auf Ihrem eigenen Back-Test reproduziert sind.
• Nutzenlogik (keine gemessene Zahl): Der Wert liegt in besseren Erstordermengen und weniger Preisnachlässen; es wurde keine unabhängige, begutachtete ROI-Zahl gefunden, messen Sie sie daher selbst mit einem Rückvergleich (Back-Test) gegen vergangene Saisons (siehe Kennzahlen).

Varianten

• Luxus-/Premiummode: Farb-, Material- und Silhouettentrends nach Region und Altersgruppe für saisonale Kollektionen; das wichtigste kommerzielle Segment von Heuritech [1] und WGSN [2].
• Massenmarkt und Eigenmarken: Fast Fashion und Discounter verfolgen Mikrotrends (Wochen) und speisen Produktion mit extrem kurzen Vorlaufzeiten.
• Schuhe, Sportbekleidung, Accessoires, Schmuck: gleiche Pipeline mit kategoriespezifischen Taxonomien.
• Beauty und Kosmetik: Farbtöne, Finishes und Looks aus Selfie-/Tutorial-Videos.
• Wohnen, Möbel und Einrichtungsprodukte: Stil-, Farb- und Materialtrends aus Interior-Design-Bildern und Pinterest-ähnlichen Boards.
• Verpackungen von Lebensmitteln und Getränken / Konsumgüter: Hinweise zu Verpackungsdesign sowie Geschmacks- und Farbwelten aus Regal- und Social-Media-Bildern.
• Wiederverkauf und Marktplätze: Listing-Bilder und Suchdaten zeigen, welche Artikel im Wiederverkauf an Wert gewinnen.
• Private Nutzung: kein gängiger Anwendungsfall; Verbraucher werden eher durch Empfehlungssysteme ([REC-012], [GEN-010]) als durch Prognosen bedient.

So funktioniert es

1. image/video sources
2. rights-cleared ingestion
3. deduplication & person-level filtering
4. attribute tagging (VLM / fashion-CLIP)
5. attribute time series per region & segment
6. forecast model (+ external covariates)
7. merchandising dashboard
8. human buying/design decision
9. feedback with actual sell-through

1. Erfassung: lizenzierte Datenpanels oder Schnittstellen; Scraping nur dort, wo Nutzungsbedingungen und die Opt-outs der EU für Text- und Data-Mining es erlauben. Forschungsschnittstellen wie die von TikTok sind auf nichtkommerzielle Forschende beschränkt [3]; kommerzielle Nutzer sind daher auf Anbieter oder lizenzierte Daten angewiesen.
2. Merkmalsextraktion: auf Mode abgestimmte kontrastive Modelle (FashionCLIP [4], Marqo-FashionSigLIP [5], allgemeines SigLIP 2 [6]) liefern Zero-Shot-Tagging und Embeddings; ein VLM oder Objektdetektor schneidet das Kleidungsstück aus. Das Merkmalsvokabular ist eine kuratierte Taxonomie, die stabil gehalten wird, damit die Zeitreihen vergleichbar bleiben.
3. Gewichtung: Beiträge werden nach Zielgruppenebene (Trendsetter vs. Mainstream), Region und Altersgruppe gewichtet, denn der zeitliche Vorsprung zwischen frühen Anwendern und Massenverbreitung ist das prädiktive Signal. Wissenschaftliche Arbeiten zu diesem Problem prognostizieren Zeitreihen von Modeelementen je Nutzergruppe aus Instagram-Daten (KERN, Ma et al. 2020) [7].
4. Prognose: klassische Verfahren (ETS, ARIMA), Gradient Boosting oder vortrainierte Zeitreihen-Foundation-Modelle mit Kovariaten (z. B. Chronos-2, das Zero-Shot-Prognosen mit Kovariaten unterstützt [8]); die Ergebnisse sind probabilistisch und tragen Trend-Lebenszyklus-Labels.
5. Mensch-in-der-Schleife (Human-in-the-Loop): Designer und Einkäufer interpretieren die Prognosen, widersprechen bei fehlender Markenpassung und entscheiden über die Mengen. Ein LLM kann gut lesbare Briefings erzeugen, sollte aber die zugrunde liegenden Zählwerte angeben.

Datenaufbereitung

Es werden zwei Datenströme benötigt: externe Bilder und Metadaten (Social Media, Laufsteg, Marktplätze, typischerweise über lizenzierte Anbieter-Feeds) und interne Daten (Katalog mit Produktmerkmalen, Verkäufe, Retouren, Planungskalender). Intern liegen diese im ERP- oder Warenplanungssystem, im PIM, im DAM oder schlicht auf Dateiablagen und in Excel-Saisonplänen.

Typische Lücken: uneinheitliche Benennung der Merkmale (Farbe „navy“ vs. „dunkelblau“), fehlende Produktmerkmale, Bilder ohne Metadaten, keine saubere Verknüpfung zwischen SKU und Verkaufshistorie, verstreute Moodboards und unklare Nutzungsrechte an gescrapten Bildern.

Konkrete Schritte: zuerst die Merkmalstaxonomie definieren (PREP-019) mit einem Glossar der Farb- und Stilbegriffe (PREP-015); Verkäufe und Retouren aus dem ERP ziehen (PREP-005); Saisonpläne aus Excel aufräumen (PREP-011); den eigenen Katalog mit einem Bildmodell taggen und eine Stichprobe mit Designern prüfen, um einen Testdatensatz aufzubauen (PREP-018); die Lizenzierung externer Bilder klären (PREP-025). Werkzeuge: ein PIM oder eine Tabelle für Merkmale, ein VLM zum Taggen, pandas für Zeitreihen. Rechnen Sie hier mit etwa 30-40 % des Gesamtaufwands. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb: A - spezialisierte Anbieter von Trendprognosen und Panels liefern lizenzierte Bilddaten und fertige Prognosen, die eine kleine Marke selbst nicht aufbauen kann.
• enterprise: B - die Prognose sollte mit eigenen Verkaufs-, Retouren- und Sortimentsdaten kombiniert werden, daher passt eine eigene Pipeline auf Bild- und Prognose-Schnittstellen besser als ein eigenständiges Produkt.
• developer: C - offene Bild-Sprach-Modelle und offene Embeddings auf HW2 erlauben es, große Bildmengen kostengünstig zu taggen, ohne lizenzierte Bilder an Dritte zu senden.

Weg A — Kaufen (Standardsoftware)

Plattformen für Trendprognosen: Heuritech (Paris, FR; bildbasierte Merkmalsprognose, bis zu 24 Monate, aufgebaut auf Social-Media-Bildern unter anderem von Instagram, TikTok, Xiaohongshu [1]; EU-Anbieter), WGSN (London, UK; „datengestützte Prognosen“ mit einer Trend-Forecast-Datenbank, einem Catwalks-AI-Dashboard, einem TikTok-Dashboard und einer API; nach eigenen Angaben 6.500+ Marken [2]; britischer Anbieter, derzeit besteht ein Angemessenheitsbeschluss für personenbezogene Daten, prüfen Sie dies aber). Weitere im Marktüberblick genannte Anbieter sind Trendalytics, Edited und Stylumia (in dieser Prüfung nicht einzeln verifiziert). Für nahezu alle Marken die richtige Wahl: Der Wert liegt im proprietären Panel und in jahrelanger beschrifteter Historie, die sich nicht günstig nachbauen lässt. Prüfen Sie die Vertragsbedingungen zu Prognosegenauigkeit, abgedeckten Regionen, Exportrechten und Ausstieg.

Weg B — Auf Cloud-KI-Diensten aufbauen

Nutzen Sie eine Schnittstelle zu einem Bild-Sprach-Modell (EU-Regionen über Azure OpenAI/Vertex/Bedrock in der EU oder die Bildmodelle von Mistral) zum Taggen lizenzierter Bildbestände, dazu verwaltete Prognosedienste (Nachfolger von Amazon Forecast wie Chronos-2 über AutoGluon/SageMaker [8] oder Zeitreihendienste von Google/Azure). Geeignet für ein Datenteam, das einen rechtlich geklärten Bild-Feed besitzt (z. B. eigene Social-Media-Kanäle, lizenzierte Stock-/Agenturbilder, Marktplatz-Listings) und eine eigene Merkmalstaxonomie wünscht. Hauptkosten sind das Tagging je Bild und die Datenlizenzen; die größte Lücke ist das fehlende Panel früher Anwender.

Weg C — Selbst betreiben (Open Source)

FashionCLIP (MIT [4]), Marqo-FashionSigLIP (Apache-2.0-Repository, Gewichte bitte in der Hugging-Face-Modellkarte prüfen [5]) und SigLIP 2 (Apache 2.0 [6]) für Embeddings und Zero-Shot-Tagging; offene VLMs (z. B. die Qwen-VL-Familie) für Bildbeschreibungen; Chronos-2 (Apache-2.0 [8]), Prophet, LightGBM für die Prognose; eine Vektordatenbank für Ähnlichkeits-Clustering. Ein GPU-Server (HW2: 24-48 GB) genügt, um Millionen Bilder im Batch zu taggen. Der Aufwand wird von Datenbeschaffung und rechtlicher Klärung bestimmt, nicht von der Rechenleistung. Sinnvoll On-Premises, wenn die Bilddaten proprietär sind (eigene Lookbooks, Filialkameras).

Weg D — Eigenes Training

Lohnt sich für Unternehmen mit einem langen Bild- und Verkaufsarchiv: das Embedding-Modell auf eigene Katalogmerkmale feintunen und ein Modell trainieren, das Verbreitungskurven von Merkmalen auf Ihren eigenen Abverkauf abbildet. FashionCLIP wurde auf über 700.000 Bild-Text-Paaren eines Händlers trainiert [4], was einen Größenvergleich gibt. Label-Rauschen und sich wandelnder Geschmack bedeuten, dass die Modelle jede Saison neu trainiert werden müssen.

Stand der Technik (2026)

• Modespezifische kontrastive Modelle übertreffen das generische CLIP beim Retrieval: Im Marqo-Benchmark erreicht FashionSigLIP ein Recall@1 von Text zu Bild von 0,121 gegenüber 0,077 für FashionCLIP 2.0, gemittelt über sechs Datensätze [5]. SigLIP 2 (Feb. 2025) verbessert Lokalisierung und dichte Merkmale [6].
• Vortrainierte Zeitreihen-Foundation-Modelle mit Kovariaten (Chronos-2, Okt. 2025 [8]) machen Zero-Shot-Prognosen von Merkmalen auch für kleine Teams praktikabel, die Benchmarks sind jedoch generisch und nicht modespezifisch.
• Kommerzielle Plattformen nehmen TikTok als Quelle hinzu und verbinden Daten mit Fachredakteuren [1][2]; gewinnen wird das beste Panel, nicht das beste Modell.
• Grenzen und Fehlerbilder: (1) Beliebtheit in sozialen Medien ist kein Kaufverhalten; (2) Verzerrung des Panels (Plattform, Region, Influencer-getrieben, bezahlte Werbung, Bots); (3) Trendumkehrungen durch externe Schocks (Wetter, Nachrichten, Prominente) sind nicht vorhersagbar; (4) Drift der Merkmalstaxonomie zerstört die Zeitreihen; (5) Genauigkeitsangaben werden selten geprüft; (6) Prognosen betreffen Merkmale, nicht den SKU-Abverkauf Ihrer Marke, und müssen daher mit [PRED-001] sowie Preis- und Passformfaktoren kombiniert werden.

Gemeinsame Bausteine & Kombinationen

• Bausteine: VLM-/Fashion-CLIP-Tagging, Bild-Embeddings und Vektorsuche (gemeinsam mit [VIS-022] visuelle Suche, [VIS-035] visuelle Markenerkennung und [REC-012] Größe/Passform), Zeitreihen-Prognose-Stack (gemeinsam mit [PRED-001]), Web-/API-Erfassungs-Pipelines, GPU-Batch-Inferenz (HW2).
• Naheliegende Kombinationen: [PRED-001] übersetzt Merkmalsprognosen in SKU-Bedarf und Nachschub; [LANG-016] ergänzt Texttrend-Signale (Suchanfragen, Bewertungen); [GEN-010] und [GEN-001] verwandeln Trenderkenntnisse in Designentwürfe und Bildmaterial; [PRED-020] und [VIS-037] führen Retouren- und Zustandsdaten in den Merkmalserfolg zurück; [VIS-036] testet Kreativmotive vorab; [DATA-001] deckt die gemeinsame Datenplattform ab.

Aufwand, Kosten & Kennzahlen

• A: Wochen bis zum Onboarding, Abonnement je Marke/Kategorie (Preis nicht öffentlich); der Aufwand liegt hauptsächlich im Veränderungsmanagement bei Design und Einkauf.
• B: 2-4 Monate für einen Prototyp; Kosten: Bildlizenzen, API-Tagging, 1-2 Data Scientists.
• C: 3-6 Monate; ein GPU-Server, Dateningenieur plus ML-Ingenieur; hoher Aufwand für die rechtliche Prüfung.
• D: 6-12 Monate und ein Archiv über mehrere Saisons.
• Kennzahlen: Prognosefehler im Back-Test (z. B. Rangkorrelation zwischen prognostiziertem Merkmalswachstum und realisiertem Abverkauf der letzten 4 Saisons); Anteil des Erstordervolumens, der zum vollen Preis verkauft wurde; Preisnachlassquote und Überbestand; Ausverkauf trendgetriebener Artikel; Trefferquote der „steigenden“ Merkmale; Zeit vom Signal bis zum Design-Briefing.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung ein (Budget, Risiko von Fehleinkäufen), die Abteilungsleitungen von Design, Einkauf und Merchandising als Prozessverantwortliche sowie die IT für die Daten-Feeds. Die Rechtsabteilung prüft Lizenz- und Plattformbedingungen für Bilddaten; Lieferanten und Datenanbieter sind Partner, deren Verträge zählen. Designer und Einkäufer sind die Anwender und müssen die Merkmalstaxonomie mitdefinieren.

Betriebsrat: in der Regel nein, da das System Produkte und Märkte analysiert, nicht das Verhalten von Beschäftigten (§87 Abs. 1 Nr. 6 BetrVG). Informieren Sie ihn nach §90 Abs. 1 Nr. 3, wenn sich Planungsprozesse spürbar ändern. Personenbezogene Daten: Social-Media-Bilder können Personen zeigen, daher sollte der/die Datenschutzbeauftragte bestätigen, dass nur Merkmale, nicht Personen gespeichert werden; eine DSFA ist selten nötig, wenn keine Gesichter analysiert werden.

KI-Kompetenz: Unterstützen Sie das Team mit einer Schulung zu Prognoseunsicherheit und zur Verzerrung hin zu Trends bestimmter Plattformen (GUIDE-006). Pilotieren Sie mit einer Kategorie und einer Saison und vergleichen Sie die Prognose mit dem eigenen Plan des Einkäufers. Typische Sorge: „Kreativität wird ersetzt“ - positionieren Sie das Ergebnis als Input für Briefings; Designer und Einkäufer behalten die endgültige Entscheidung. Siehe GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Analyse von Produktmerkmalen für die Marktplanung ist weder in Art. 5 noch in Anhang III gelistet; Einstufung als minimales Risiko. Halten Sie sich fern von Emotionserkennung oder biometrischer Kategorisierung von Personen auf Bildern (Art. 5 und die Hochrisiko-Regeln gelten): taggen Sie Kleidungsstücke, nicht Individuen. Werden KI-generierte Bilder aus GEN-Anwendungsfällen veröffentlicht, gilt ab 2. August 2026 die Transparenzpflicht nach Art. 50 [9].
• DSGVO: Bilder enthalten Personen (Gesichter, möglicherweise Rückschlüsse auf besondere Datenkategorien); verwenden Sie Ausschnitte der Artikel, verwerfen oder verpixeln Sie Gesichter, aggregieren Sie vor der Speicherung und speichern Sie keine Nutzernamen. Dokumentieren Sie das berechtigte Interesse; führen Sie eine DSFA durch, wenn profilingähnliche Daten gehalten werden.
• Plattformbedingungen und Urheberrecht: Scraping verstößt häufig gegen die Nutzungsbedingungen; die DSM-Richtlinie (EU 2019/790) erlaubt Text- und Data-Mining vorbehaltlich der Opt-outs der Rechteinhaber, und die TikTok-Research-API schließt kommerzielle Nutzer aus [3]. Kaufen Sie lizenzierte Daten.
• Geschäftsrisiken: zu große Abhängigkeit von Prognosen mit ungeprüfter Genauigkeit; Herdenverhalten (alle Marken kaufen denselben Trend); Gegenmaßnahmen: Back-Test, Markenfilter, kleine Anfangslose plus Nachbestellung während der Saison.

Erste Schritte

1. Definieren Sie die Entscheidung: welche Kategorie, welche Vorlaufzeit, welche Mengenentscheidung (z. B. Farbpalette der nächsten Herbstlinie).
2. Back-Test: Bitten Sie einen Anbieter (Heuritech, WGSN) um historische Prognosen für 2-4 vergangene Saisons und vergleichen Sie sie mit Ihrem realisierten Absatz.
3. Bauen Sie eine stabile Merkmalstaxonomie und ordnen Sie sie Ihren PIM-/Produktstammdaten zu.
4. Beim Eigenbau: Testen Sie das Zero-Shot-Tagging mit FashionCLIP/FashionSigLIP an 10.000 lizenzierten Bildern und prüfen Sie die Präzision je Merkmal.
5. Führen Sie vor jedem Scraping eine rechtliche Prüfung durch (Plattformbedingungen, DSM-Opt-outs, DSGVO); richten Sie nach jeder Saison eine Rückkopplungsschleife ein.

Quellen

1. Heuritech, product page (24-month forecasts, 2,000+ attributes, sources, Paris HQ) - https://www.heuritech.com/ (accessed 2026-10)
2. WGSN, AI + Data forecasting products, 6,500+ brands claim - https://www.wgsn.com/ (accessed 2026-10)
3. TikTok for Developers, Research API eligibility (non-commercial researchers) - https://developers.tiktok.com/ (accessed 2026-10)
4. FashionCLIP repository (MIT; 700K+ Farfetch image-text pairs; Chia et al. 2022, Scientific Reports 12:18958) - https://github.com/patrickjohncyh/fashion-clip (accessed 2026-10)
5. Marqo-FashionCLIP / FashionSigLIP benchmark tables - https://github.com/marqo-ai/marqo-FashionCLIP (accessed 2026-10)
6. SigLIP 2 model card (Apache 2.0; arXiv 2502.14786) - https://huggingface.co/google/siglip2-base-patch16-224 (accessed 2026-10)
7. Ma et al., Knowledge Enhanced Neural Fashion Trend Forecasting (ICMR 2020) - https://arxiv.org/abs/2005.03297 (accessed 2026-10)
8. Amazon Science, Chronos forecasting repository (Chronos-2, Apache-2.0, covariates) - https://github.com/amazon-science/chronos-forecasting (accessed 2026-10)
9. EU AI Act Article 50 (transparency obligations, applies from 2 Aug 2026) - https://artificialintelligenceact.eu/article/50/ (accessed 2026-10)