KI im Handel: Was Birkenstocks Wachstum wirklich zeigt

Birkenstock hat im Geschäftsjahr bis 30.09.2025 gleich mehrere Signale gesendet, die im Einzelhandel selten gleichzeitig auftreten: Umsatz plus 16% (berichtsbasiert) bzw. 18% (konstante Währung), Nettoergebnis plus 82% und Adjusted EBITDA plus 20%. Besonders spannend ist aber nicht die Schlagzeile „Gewinnsprung“, sondern wie so etwas heute überhaupt noch planbar gelingt – in einer Branche, in der Nachfrage, Saisonalität, Trends und Lieferketten ständig dazwischenfunken.

Most companies get this wrong: Sie behandeln Wachstum wie ein Marketingproblem. In Wahrheit ist es ein Steuerungsproblem. Wer Nachfrage, Sortiment, Bestand, Preise und Kanäle nicht sauber zusammenbringt, gewinnt vielleicht ein Quartal – und verliert dann Marge, Liquidität oder Kundenzufriedenheit.

In unserer Serie „KI im Einzelhandel und E-Commerce“ schaue ich deshalb auf Birkenstock als Fallbeispiel: Nicht, weil wir wissen, welche Tools intern konkret laufen, sondern weil die Kennzahlen ziemlich klar zeigen, welche Hebel typischerweise wirken – und warum KI für Nachfrageprognosen, Bestandsmanagement und Kundensegmentierung genau an diesen Hebeln ansetzt.

Birkenstocks Zahlen: Wachstum ist messbar – und erklärbar

Antwort zuerst: Birkenstocks Ergebnisse sprechen für ein Modell, das Nachfrage stabil bedient, Kanäle orchestriert und die Marge schützt.

Die wichtigsten Punkte aus den veröffentlichten Zahlen:

• Adjusted EBITDA: 583,4 Mio. £ (667 Mio. €), +20% YoY
• Nettoergebnis: 304,4 Mio. £ (348 Mio. €), +82% YoY
• Umsatz: 1,83 Mrd. £ (2,1 Mrd. €), +16% berichtsbasiert / +18% konstante Währung
• Q4 besonders stark: Umsatz 460,1 Mio. £ (526 Mio. €), +15% berichtsbasiert / +20% konstante Währung
• Expansion: 30 neue eigene Stores, total 97
• Sortimentsmix: Closed-toe-Anteil +500 Basispunkte auf 38%
• APAC-Anteil: +120 Basispunkte auf 11%
• Ausblick 2026: Adjusted EBITDA mindestens 612,3 Mio. £ (700 Mio. €), Umsatzwachstum konstant 13–15%

Das ist nicht „einfach nur Trend“. Das ist ein System, das skaliert: Sortimentsmix verschieben, neue Regionen ausbauen, eigene Retail-Flächen ergänzen – und gleichzeitig Q4 sauber abliefern.

Warum das für Schweizer Retailer relevant ist

Antwort zuerst: Die Mechanik hinter diesen Zahlen ist 1:1 auf Schweizer Einzelhandel und E-Commerce übertragbar – nur mit kleineren Volumina und oft mehr Komplexität pro Standort.

In der Schweiz sehen wir genau die gleichen Spannungen: hohe Flächenkosten, anspruchsvolle Kundschaft, starke Saisonalität (Winterferien, Sport, Weihnachtsgeschäft), grenznahe Abflüsse und ein Online-Anteil, der Erwartungen an Verfügbarkeit und Lieferzeit drastisch erhöht.

Wer da wachsen will, muss zwei Dinge gleichzeitig können:

1. Nachfrage präzise vorhersagen (nicht nur „letztes Jahr plus 5%“)
2. Operativ reagieren, bevor die Kundschaft es merkt (Bestand, Nachschub, Preise, Content)

Und genau hier kommt KI ins Spiel.

Saisonalität ist kein Zufall: Q4-Performance entsteht Monate vorher

Antwort zuerst: Starke Quartale sind kein „Endspurt“, sondern das Ergebnis besserer Prognosen, besserer Disposition und schnellerer Entscheidungen.

Birkenstock meldet im vierten Quartal erneut kräftiges Wachstum. Im Mode- und Footwear-Bereich ist Q4 typischerweise eine harte Mischung: Geschenkekäufe, Wettereffekte, Retourenrisiko, Promo-Druck – plus die Herausforderung, dass man in vielen Kategorien zu früh oder zu spät einkauft.

KI-basierte Nachfrageprognosen sind hier nicht Buzzword, sondern eine ziemlich praktische Disziplin.

Was KI bei Nachfrageprognosen besser macht als klassische Planung

Antwort zuerst: KI integriert mehr Signale, aktualisiert häufiger und erkennt Muster, die in Excel-Planungen untergehen.

Klassische Forecasts scheitern oft an drei Dingen:

• Zu wenige Variablen (nur Absatzhistorie, vielleicht Wetter grob)
• Zu wenig Aktualisierung (monatlich statt täglich/wöchentlich)
• Zu wenig Granularität (Land statt Region, Kategorie statt SKU)

KI-Modelle können dagegen Signale wie diese kombinieren:

• Abverkauf pro SKU/Grösse/Farbe
• Preis- und Promo-Kalender
• Wetterdaten (Temperatur, Niederschlag, Schnee in Destinationen)
• Online-Such- und Onsite-Interaktionen (Clicks, Add-to-Cart, Wishlist)
• Social-/Trend-Signale (z. B. bestimmte Modelle oder Farben)
• Lead Times und Lieferkettenrisiken

Der Effekt ist selten „magisch“. Aber er ist messbar: weniger Out-of-Stock, weniger Abschriften, bessere Vollpreisquote. Und das ist am Ende Gewinn.

Mini-Playbook für Retailer (Schweiz): So setzt du Forecasting pragmatisch auf

1. Starte mit 20–50 Top-SKUs, nicht mit dem ganzen Sortiment.
2. Definiere eine klare Zielgrösse: z. B. Out-of-Stock-Rate oder Bestandstage.
3. Baue einen Forecast, der wöchentlich neu läuft.
4. Teste „KI vs. Planer“ im Parallelbetrieb über 8–12 Wochen.
5. Skaliere erst, wenn die Entscheidungskette steht (wer disponiert was, wann?).

Die Realität? Es scheitert fast nie am Modell. Es scheitert an Prozessen.

„Closed-toe +500 bp“: Sortimentsmix ist eine Daten- und Segmentierungsfrage

Antwort zuerst: Wenn ein Unternehmen den Sortimentsanteil so deutlich verschiebt, steckt dahinter saubere Kundensegmentierung und kanalübergreifende Insights.

Birkenstock nennt explizit „White-spaces“ und den gestiegenen Closed-toe-Anteil. Das ist ein Satz, den man als Händler ernst nehmen sollte: Wachstum kommt nicht nur aus mehr vom Gleichen, sondern aus einer besseren Struktur des Angebots.

KI hilft hier auf zwei Ebenen:

1) Kundensegmentierung, die wirklich nutzbar ist

Antwort zuerst: Gute Segmentierung beantwortet nicht „Wer ist die Kundin?“, sondern „Was braucht sie als Nächstes – und über welchen Kanal?“

Statt Demografie (oft unvollständig) funktionieren im Retail meist Verhaltenssegmente besser, zum Beispiel:

• Komfort-Käufer:innen (geringe Retouren, hohe Wiederkaufrate)
• Trend-getriebene Käufer:innen (hohe Interaktionsrate, neue Modelle)
• Promo-Sensitive (kaufen bei Rabatt, sonst nicht)
• Grössen-/Fit-kritische (Retouren, Beratung nötig)

Diese Segmente lassen sich mit KI dynamisch aktualisieren – und dann in Marketing, Sortiment und Service übersetzen.

2) Personalisierung im E-Commerce ohne Rabatt-Spirale

Antwort zuerst: Personalisierung soll nicht „mehr Newsletter“ bedeuten, sondern relevantere Empfehlungen und weniger Fehlkäufe.

Gerade im Schuhbereich ist Personalisierung extrem dankbar, weil man harte Signale hat:

• Grösse und Fit-Historie
• bevorzugte Leisten/Modelle
• Materialpräferenzen
• Rückgabegründe

Wenn du Empfehlungen danach aussteuerst, sinkt die Retourenquote oft stärker, als jede Kampagne es könnte. Und Retouren sind im Fashion-E-Commerce einer der grössten Margekiller.

30 neue Stores: KI ist auch eine Standort- und Omnichannel-Entscheidung

Antwort zuerst: Store-Expansion funktioniert 2025 nicht mehr nach Bauchgefühl – sie braucht Daten über Nachfrage, Einzugsgebiet und Online-Offline-Wechselwirkungen.

Birkenstock hat 30 neue eigene Stores eröffnet und steht bei 97. Das ist bemerkenswert, weil viele Händler in den letzten Jahren eher konsolidiert haben. Der Punkt ist: Eigene Stores sind nicht nur Umsatzflächen, sondern auch:

• Markenbühne
• Service-/Beratungsfläche (Fit, Pflege, Reklamationen)
• Retouren- und Pickup-Knoten
• Datenquelle (was wird anprobiert, was wird gekauft, was nicht?)

Wie KI Standortentscheidungen verbessert

Antwort zuerst: KI kann Einzugsgebiete, Nachfrage und Kannibalisierung modellieren – und damit teure Fehlstandorte reduzieren.

Typische KI-gestützte Inputs:

• Geodaten und Mobilitätsmuster
• Tourismus-/Saison-Hotspots
• Online-Nachfrage nach PLZ
• Wettbewerbsdichte
• Mietkosten vs. erwartete Deckungsbeiträge
• Einfluss auf Online (z. B. höhere Conversion nach Store-Eröffnung)

In der Schweiz ist das besonders relevant, weil ein Fehlstandort in 1A-Lage schnell ein sehr teurer Irrtum wird.

Was Retailer jetzt konkret tun sollten (ohne Mammutprojekt)

Antwort zuerst: Drei KI-Anwendungsfälle liefern im Handel am schnellsten messbare Effekte: Forecasting, Bestandsoptimierung, Kundensegmentierung.

Wenn ich mit Teams arbeite, die „KI einführen“ wollen, bremse ich bewusst: Nicht weil KI klein ist – sondern weil sie sonst als Grossprojekt stirbt. Besser sind drei kurze, harte Piloten:

1. Nachfrageprognose für Topseller (8–12 Wochen)
   • KPI: Out-of-Stock, Vollpreisquote, Bestandstage
2. Bestandsumverteilung zwischen Filialen + Online
   • KPI: Abverkauf, Abschriften, Lieferfähigkeit
3. Segmentierung + Personalisierung im Shop
   • KPI: Conversion, Warenkorb, Retourenquote

Die drei häufigsten Stolpersteine (und wie du sie vermeidest)

• Daten sind da, aber nicht verbunden: Produktdaten, Bestände, Transaktionen, Webtracking – oft in Silos.
  • Fix: Erst ein minimales Datenmodell definieren (SKU, Kanal, Zeit, Standort).
• Kein Owner für Entscheidungen: Forecast ist nett, aber wer disponiert danach?
  • Fix: RACI klären (wer entscheidet, wer führt aus).
• „KI sagt…“ ohne Vertrauen: Planer:innen ignorieren Modelle, wenn sie nicht erklärbar sind.
  • Fix: Erklärbarkeit einbauen (Top-Treiber, Konfidenz, Vergleich zur Baseline).

Was Birkenstocks Ausblick über 2026 verrät

Antwort zuerst: Wer 13–15% Wachstum prognostiziert, glaubt an Steuerbarkeit – und Steuerbarkeit entsteht durch bessere Daten, bessere Modelle und schnellere Prozesse.

Birkenstock erwartet für 2026 weiteres Wachstum und mindestens 700 Mio. € Adjusted EBITDA. Das liest sich wie ein Unternehmen, das nicht nur auf Nachfrage hofft, sondern sie aktiv managt: Sortiment erweitern, Regionen ausbauen, eigene Stores als Kontrollpunkte nutzen, Wholesale-Partner weiter bedienen.

Für Händler und E-Commerce-Teams in der DACH-Region ist die Lehre simpel: Wachstum ohne KI wird teurer, weil du es mit mehr Pufferbestand, mehr Rabatt und mehr manueller Planung erkaufst. Wachstum mit KI ist nicht automatisch „leicht“ – aber es ist kontrollierbarer.

Zum Schluss eine Frage, die ich in jedem Projekt stelle: Weisst du heute schon, welche 30 SKUs dich im nächsten Quartal am wahrscheinlichsten in Out-of-Stock treiben – und was du dagegen tust? Wenn die Antwort „nein“ ist, ist das kein Drama. Es ist ein perfekter Startpunkt.