Sortimentsplanung im Onlinehandel: Breite, Tiefe und Daten

Sortimentsplanung ist der Prozess, in dem du festlegst, welche Produkte ein Shop führt, wie viele Optionen er innerhalb jeder Produktart anbietet und wie viel Bestand hinter jeder Option steht, jeweils für eine Saison und einen Kanal. Sie balanciert zwei Dimensionen: die Sortimentsbreite, also die Zahl der Kategorien oder Produktlinien, und die Sortimentstiefe, also die Auswahl innerhalb jeder davon (Modelle, Größen, Farben, Preislagen). Ein dritter Hebel, die Stückzahl pro Option, entscheidet, ob der Plan den Kontakt mit der Nachfrage übersteht.

Für einen Onlinehändler lautet die Kurzfassung: Prüfe, was sich in der letzten Saison verkauft hat, was es eingebracht hat und was zurückkam, entscheide, wo du verbreiterst oder vertiefst, kauf ein, mach die Produktdaten vor dem Launch fertig, lies dann früh die Abverkaufsquote und steuere nach. Was die meisten Leitfäden auslassen: Jeder dieser Schritte läuft über Produktattribute. Wenn bei 30 deiner Regenjacken kein Einsatzbereich erfasst ist, kannst du nicht erkennen, ob Wanderjacken unterversorgt sind. Der Eintrag Produktsortiment liefert die Kurzdefinition; dieser Beitrag behandelt die Entscheidungen, die Dateninputs und eine durchgerechnete Lückenanalyse. Er liegt eine Ebene unter dem Category Management, in dem jede Kategorie eine Rolle bekommt, die bestimmt, wie breit und tief sie sein sollte.

Breite, Tiefe und Stückzahl pro Option: die drei Hebel

Nimm einen Online-Laufshop. Die Breite ist die Liste der Produktarten, die er verkauft: Straßenlaufschuhe, Trailschuhe, Socken, Trinkrucksäcke, Stirnlampen. Die Tiefe ist das, was eine Kundin in einer davon findet: 14 Modelle für die Straße, jedes in 8 bis 12 Größen und zwei oder drei Farben, verteilt auf drei Preislagen. Die Stückzahl pro Option ist, wie viele Paare des gedämpften Damenmodells in Größe 39 du auf Lager hast.

Jede Kombination aus Breite und Tiefe ergibt eine andere Art von Shop, mit eigenem Risiko. Die meisten Onlinehändler haben keine reine Form; sie sind in ihrer Kernkategorie tief und an den Rändern flach, wo ein paar Zubehörartikel den Warenkorb ergänzen.

Was das endlose digitale Regal ändert und was nicht

Ein stationärer Laden plant um die Regalfläche herum. Ein Webshop hat kein Regallimit, was Teams dazu verleitet, Produkte hinzuzufügen, weil sie es können. Die Grenze ist nicht verschwunden; sie hat sich verlagert. Jedes neue Modell braucht Lagerkapital (außer bei Dropshipping), Fotos, einen Titel, eine Beschreibung, gefüllte Attribute, Übersetzungen für jeden Markt und eine Zuordnung zu jedem Kanal, auf dem es verkauft wird.

Diese Datenkosten werden leicht unterschätzt. Im State of Product Data Report von WISEPIM war das mediane Attribut im medianen Katalog bei Ankunft des Katalogs bei 1,9 % der Produkte gefüllt. Ein Sortiment, das schneller wächst als seine Daten, hat am Ende Produkte, die zwar existieren, sich aber nicht filtern, vergleichen oder auswerten lassen.

Online sind außerdem zwei Dinge anders. Filter machen aus Attributen Navigation, also ist Tiefe, die nicht als Daten erfasst ist, unsichtbar: Wer nach „wasserdicht, unter 400 g“ filtert, sieht die Jacke nie, deren Gewicht nur in der Beschreibung steht. Und der Long Tail ist online günstiger zu führen. Gerade deshalb ist es wichtiger, nicht unwichtiger, zu wissen, welche Long-Tail-Produkte ihren Platz verdienen.

Online-Sortimente variieren außerdem nach Kanal und Markt statt nach Filiale. Ein Marktplatz bekommt vielleicht nur deine Bestseller, ein Großhandelskunde die Multipacks und ein neues Land ein kleineres Startsortiment, beschränkt auf Produkte, deren Übersetzungen und lokale Sicherheitsinformationen fertig sind. Plane diese als Teilmengen eines Mastersortiments, pro Kanal und Markt markiert, statt als getrennte Listen, die auseinanderlaufen.

Dateninputs für eine Sortimentsanalyse

Eine Analyse braucht ein kleines Set an Kennzahlen pro Produkt, verdichtet auf die Attributzellen, in denen du planst (zum Beispiel Einsatzbereich und Preislage). Fünf tragen das meiste Gewicht:

• Abverkaufsquote (Sell-Through). Der Shopify-Bericht Products by sell-through rate teilt verkaufte Einheiten durch verkaufte Einheiten plus Einheiten im Bestand. Er zeigt dir, ob die Tiefe zur Nachfrage gepasst hat. Vergleiche Produkte über denselben Zeitraum und dasselbe Launchfenster, sonst sehen Nachzügler wie Flops aus.
• Rohertragsmarge. Preis minus Kosten, geteilt durch den Preis, nach Rabatten und idealerweise nach Versand. Eine Zelle kann schnell abverkaufen und trotzdem Geld verlieren.
• Retourenquote und Retourengründe. Retournierte Einheiten durch verkaufte Einheiten, aufgeteilt nach Grund. Eine hohe Quote wegen „zu klein“ ist ein Größen- oder Content-Problem, kein Sortimentsproblem. Der Retourenquoten-Rechner zeigt die Formel.
• Lagerumschlag. Wareneinsatz durch durchschnittlichen Lagerwert: wie schnell das in einer Zelle gebundene Kapital zurückkommt. Saisonprodukte verzerren Jahresdurchschnitte, lies ihn also pro Saison.
• Umsatzanteil. Welche Produkte die Kategorie tragen. Die ABC-Analyse von Shopify bewertet Varianten nach ihrem Umsatzanteil der letzten 28 Tage und ignoriert, wie die Hilfeseite anmerkt, die Artikelkosten; kombiniere sie also mit der Marge.

Neben der Performance braucht eine Analyse Nachfragebelege für Produkte, die du nicht führst, denn Verkaufsdaten beschreiben nur, was du schon im Sortiment hast. Nützliche Quellen: Suchanfragen mit Impressionen, aber ohne passendes Produkt (der Leistungsbericht der Search Console listet sie auf), Suchen ohne Ergebnis in der eigenen Shopsuche, Fragen an den Kundenservice, Sortimente der Konkurrenz und Bestsellerlisten von Marktplätzen.

Schließlich braucht die Analyse Attribute. Jede Kennzahl oben wird für die Planung erst nützlich, wenn sie sich nach den Eigenschaften gruppieren lässt, nach denen Kunden auswählen: Einsatzbereich, Größenspanne, Material, Passform, Kapazität, Kompatibilität, Preislage. An dieser Gruppierung bleiben die meisten Analysen hängen.

Kern-, Saison- und Testartikel: eine Rolle für jedes Modell

Tiefe lässt sich leichter planen, wenn jedes Modell in einer Kategorie eine Rolle hat. Drei Rollen decken die meisten Online-Sortimente ab. Kernartikel werden ganzjährig geführt und nachbestellt: der schwarze Merino-Baselayer in jeder Größe, der meistverkaufte Straßenlaufschuh. Sie brauchen Tiefe in den Größen und stabilen Bestand und werden nach Verfügbarkeit und Marge beurteilt. Saisonartikel werden einmal für eine Saison eingekauft und abverkauft: die Jackenfarben dieses Winters, ein Geschenkset zu den Feiertagen. Sie werden nach dem Abverkauf vor Beginn der Reduzierungen beurteilt. Testartikel sind kleine Einkäufe, die eine neue Zelle ausloten: eine erste Trailrunning-Jacke, eine neue Preislage. Sie werden danach beurteilt, ob Nachfrage auftaucht, nicht nach Gewinn.

Die Rollen verändern, wie du die Zahlen liest. Ein Kernartikel mit 40 % Abverkauf in einem Monat kann in Ordnung sein, weil er nachbestellt wird; ein Saisonmodell mit derselben Quote sechs Wochen vor Saisonende ist ein Kandidat für eine Preisreduzierung. Erfasse die Rolle als Produktattribut (ein Auswahlfeld wie assortment_role mit den Werten core, seasonal und test), damit Berichte danach filtern können und ein erfolgreicher Testartikel im nächsten Plan zum Kernartikel aufsteigt, statt vergessen zu werden.

Ein saisonaler Planungszyklus von der Analyse bis zum Auslauf

Saisonsortimente (Outdoorbekleidung, Garten, Geschenke, Schulbedarf) folgen einem Zyklus, der lange vor dem Launch beginnt. Lieferzeiten variieren je nach Kategorie und Lieferant, nimm die Monate unten also als Beispiel für ein Herbst- und Wintersortiment von europäischen Lieferanten; Kategorien aus Asien werden oft weiter im Voraus geplant.

Am häufigsten verrutscht der Datenschritt. Wenn Lieferantendaten erst mit der Ware ankommen, startet das Sortiment zu spät oder zu dünn, und die erste Abverkaufsauswertung misst fehlenden Content genauso wie die Nachfrage.

Sortimentslücken nach Attributen finden: ein durchgerechnetes Beispiel

Eine Sortimentslücke ist eine Kombination von Attributen, bei der Nachfrage besteht und dein Sortiment fehlt oder zu dünn ist. Die Methode unten funktioniert in einer Tabellenkalkulation oder einem BI-Tool; die Zahlen sind Beispielwerte für einen Outdoor-Onlineshop, der seine Kategorie Regenjacken mit 48 Modellen prüft (gezählt pro Modell, nicht pro Größe).

Schritt 1: die Attribute wählen, nach denen Kunden entscheiden

Wähle zwei oder drei Attribute, die wirklich unterschiedliche Bedürfnisse trennen. Bei Regenjacken sind das der Einsatzbereich (Stadt, Wandern, Trailrunning) und die Preislage (unter 100 $, 100 bis 199 $, ab 200 $). Größenspanne und Geschlecht folgen danach. Vermeide Attribute, die die Entscheidung nicht verändern, etwa kleine Farbunterschiede.

Schritt 2: die Werte vor dem Zählen vereinheitlichen

Zählen scheitert an unsauberen Werten. „Hiking“, „hike“, „trekking“ und „Outdoor/Hiking“ müssen ein Wert werden, und Produkte ohne Wert müssen als eigene Gruppe sichtbar sein, statt stillschweigend herauszufallen. Eine kontrollierte Liste erlaubter Werte pro Attribut verhindert, dass das Durcheinander zurückkommt; der Leitfaden zur Attributstandardisierung erklärt die Regeln.

Schritt 3: Produkte zählen und Performance pro Zelle ergänzen

Gruppiere die 48 Modelle in Zellen und ergänze für jede den Abverkauf seit Saisonbeginn. Eine zusätzliche Zeile zählt genauso viel wie der Rest: die Produkte, die sich nicht zuordnen lassen, weil das Attribut leer ist.

Schritt 4: die Zellen lesen und die leeren prüfen

Aus der Tabelle ergeben sich drei Deutungen. Wanderjacken in der mittleren Preislage sind die deutlichste Lücke: drei Modelle, 71 % Abverkauf und vermutlich entgangene Verkäufe bei ausverkauften Größen. Premium-Wanderjacken sind das Gegenteil: acht Modelle teilen sich eine bescheidene Nachfrage, zwei oder drei könnten also auslaufen oder in einen Reduzierungsplan wandern. Die acht nicht zugeordneten Jacken brauchen einen Einsatzbereich, bevor eine Schlussfolgerung sicher ist; stellt sich heraus, dass die meisten davon Wanderjacken sind, ändert sich das Bild.

Suche dann nach Zellen ganz ohne Produkte. Dieser Shop verkauft keine Regenjacken für Kinder. Verkaufsdaten können diese Lücke nicht zeigen, sie braucht also Belege von außen: Search-Console-Anfragen wie „Regenjacke Kinder“ mit Impressionen auf der Kategorieseite, Kundenfragen oder ein Wettbewerbersortiment, das dort tief ist. Ein schwaches Signal rechtfertigt einen Test, keine neue Kategorie.

Schritt 5: die Erkenntnisse in den Plan übersetzen

Schreib das Ergebnis pro Zelle auf: zwei Wandermodelle in der mittleren Preislage mit vollem Damen-Größenlauf ergänzen, Premium-Wandern von acht auf fünf Modelle kürzen, Trailrunning als kleinen Test mit einem weiteren Modell behalten und die fehlenden Einsatzbereiche vor der nächsten Analyse füllen. Das ist der Input für den Einkauf und für die Analyse zur SKU-Rationalisierung, die entscheidet, welche der langsamen Modelle das Sortiment verlassen.

Fünf Fehler in der Sortimentsplanung, die in den Produktdaten beginnen

1. Größenvarianten als Produkte zählen. Eine Jacke in acht Größen ist ein Modell mit acht Optionen. SKUs zu zählen bläht die Tiefe auf und verdeckt, dass eine Zelle nur zwei echte Auswahlmöglichkeiten hat.
2. Attributwerte als Freitext. „Navy“, „Navy Blue“ und „dk blue“ teilen eine Farbe in drei Zellen, jede zu klein für eine Aussage.
3. Attribute, die in Beschreibungen vergraben sind. Gewicht, Wassersäule und Passform stehen oft nur im Beschreibungstext. Extrahiere sie vor der Analyse in Felder, nicht danach.
4. Produkte mit unterschiedlichen Launchdaten vergleichen. Ein Modell, das in Woche sechs ankam, kann nicht den Abverkauf eines Modells erreichen, das ab Tag eins verkauft wurde. Vergleiche ab Launch oder über dieselben Wochen.
5. Preisbasen mischen. Manche Preise enthalten MwSt., manche nicht, manche sind Aktionspreise. Nutze eine Basis (zum Beispiel den regulären Preis inklusive MwSt.) für die Preislagen.

Die Attributdaten pflegen, die eine Sortimentsanalyse braucht

WISEPIM ist kein Tool für Merchandise-Planung oder Prognosen; es legt keine Budgets, Einkaufsmengen oder Open-to-Buy fest. Es hält die Produktdaten vollständig und konsistent, nach denen eine Analyse gruppiert. Die KI-Anreicherung extrahiert Attribute wie Einsatzbereich, Material oder Gewicht aus Beschreibungen und Lieferantendateien, Option sets beschränken jedes Attribut auf erlaubte Werte, und die Seite mit Attributwerten zeigt jeden genutzten Wert, damit sich Duplikate zusammenführen lassen. Mit angebundenen Bestellungen zeigen die Analysen zur Kategorie-Performance Verkäufe und Datenqualität pro Kategorie, und im Attributmanagement definierst du die Zellen, in denen du planst.