Markmi

Kurzfazit

Markmi ist eine spezialisierte KI-Lösung für Markdown-Optimierung im Modehandel, und genau diese Spezialisierung ist die Stärke. Wo generische Pricing-Tools versuchen, alle Branchen gleichzeitig zu bedienen, kennt Markmi die Eigenheiten von Fashion-Sortimenten: Größenkurven, Kollektionswechsel, Filialbestände, kurze Verkaufsfenster. Der belgische Anbieter (Markmi BV, Gent) hat mit C&A, G-Star, Scotch & Soda, Torfs und mehreren Benelux-Filialisten ernstzunehmende Kunden gewonnen und positioniert sich glaubwürdig im europäischen Markt. Wer Fashion oder ähnlich saisonale Sortimente verkauft, bekommt mit Markmi ein präzises Werkzeug für eine teure Disziplin, wer es ausserhalb dieser Nische einsetzen will, ist mit breiteren Pricing-Plattformen besser bedient.

Für wen ist Markmi?

Modemarken mit eigenem Vertrieb: Brands wie C&A, G-Star oder Scotch & Soda, also Hersteller, die sowohl Großhandel als auch eigene Stores und Online-Shops betreiben, sind die Kernzielgruppe. Markmi hilft, Restbestände am Saisonende durch gezielte SKU-Rabatte zu reduzieren, ohne die Marken-Wahrnehmung durch pauschale Sale-Aktionen zu verwässern.

Filialisten und Omnichannel-Händler: Wer parallel in 50+ Filialen und Online verkauft, hat ein klassisches Verteilungs- und Markdown-Problem: Eine Größe 38 verkauft sich in Hamburg schnell, liegt in Augsburg wie Blei. Markmi berechnet Filial- und Kanal-Markdowns differenziert, pauschal -30 % auf alle Stores entfällt.

Einkaufs- und Merchandising-Teams im Mittelstand: Mode-Mittelständler mit 1.500–10.000 aktiven SKUs pro Saison sind heute oft im Excel-Modus: Wöchentlich werden Bestände gesichtet, Rabatte „nach Gefühl” gesetzt. Markmi automatisiert die Berechnung, sodass das Team strategisch entscheidet, nicht operativ ausführt.

Outlet- und Restpostenhändler: Wer Restbestände aus Vorsaisons aufkauft und abverkauft, profitiert vom Optimierungsmodell besonders, jeder Euro Mehrumsatz beim Resteverkauf geht direkt in die Marge.

Weniger geeignet für: Lebensmittelhändler (Afresh ist hier spezialisierter), Elektronikhändler mit stabilen Listenpreisen, kleinere Boutiquen mit <500 SKUs, und Hotellerie- oder Reise-Anwender, die Yield-Management brauchen, dafür sind PriceLabs oder RoomPriceGenie zuständig.

Preise im Detail

Plan	Preis	Was du bekommst
Pilot/PoC	Auf Anfrage	Eine Saison oder eine Produktkategorie als Proof of Concept
SaaS-Lizenz	Auf Anfrage	Vollständige Plattform, Preis skaliert nach Sortimentsgröße, Umsatz, Anzahl Kanäle
Enterprise	Auf Anfrage	Mehrmarkenfähigkeit, individuelle Integration in ERP/POS, dedicated Customer Success

Einordnung: Markmi veröffentlicht keine Preise, der Verkauf läuft konsequent über einen vierstufigen Prozess: Discovery Call, Produktdemo, individuelles Angebot, Pilot und Launch. Konkrete Lizenzkosten gibt es erst nach dem Erstgespräch, eine öffentliche Preisliste existiert nicht. Die Logik dahinter ist nachvollziehbar: Bei einem Modehändler mit 50 Mio. EUR Saisonumsatz und 30 % Sale-Anteil bedeutet ein Punkt mehr Marge im Sale rund 150.000 EUR, schon wenige Prozentpunkte rechtfertigen erhebliche Lizenzkosten innerhalb einer Saison. Der Pilot-Weg ist sinnvoll: Eine Kategorie wird parallel mit und ohne Markmi geführt, die Ergebnisse sprechen für sich oder eben nicht.

Stärken im Detail

Fashion-spezifisches Modell statt Generalist. Anders als breit aufgestellte Pricing-Plattformen (Pricefx, Omnia Retail) wurde Markmi von Anfang an für Mode entwickelt. Das bedeutet konkret: Das System kennt Größenkurven (Restbestand in Größe S vs. XL wird unterschiedlich bewertet), Kollektionslogik (Sommerware verliert ab August dramatisch an Wert) und Cross-Effekte (Komplementärartikel verkaufen sich gemeinsam). Generische Engines bilden das oft nur über umfangreiche Konfiguration ab, bei Markmi ist es Default.

Echtzeit-Simulation komplexer Szenarien. Statt einer einzigen „optimalen” Empfehlung berechnet Markmi mehrere Szenarien parallel: aggressiver Markdown früh, abwartender Markdown spät, kanaldifferenzierte Strategie. Merchandising-Teams sehen die Auswirkung jeder Strategie auf Marge, Sell-Through und Restbestand am Saisonende, und entscheiden informiert, statt nur die KI-Empfehlung zu übernehmen oder zu verwerfen.

Rechenleistung schlägt manuelle Planung. Ein Modehändler mit 5.000 SKUs, 30 Filialen und 4 Markdown-Stufen pro Saison muss theoretisch 600.000 Einzelentscheidungen treffen. In der Praxis wird das per Sortimentsgruppe pauschalisiert, und genau das verschenkt Marge. Markmi rechnet diese Detailebene durch und liefert Vorschläge auf SKU/Filial-Ebene in Minuten.

EU-Anbieter statt US-Plattform. Markmi BV sitzt in Gent (Belgien) und arbeitet erklärtermaßen GDPR-konform. Für deutsche und europäische Händler, die regulatorisch oder marken-strategisch ungern mit US-Anbietern arbeiten, ist ein EU-Vertragspartner ein klarer Vorteil. Wo genau die Produktdaten gehostet werden, kommuniziert Markmi öffentlich nicht, das gehört vor Vertragsabschluss in den AVV und sollte aktiv erfragt werden.

Kundenliste mit Substanz. C&A, G-Star, Scotch & Soda und Torfs sowie weitere Benelux-Händler (State of Art, ZEB, E5, OFM, Schuur, Zizzi) sind laut Anbieter produktive Einsätze in großen Sortimenten, keine reinen Pilotkunden. Wer kaufentscheidend prüft, sollte im Vertriebsprozess gezielt nach Referenzgesprächen fragen, um belastbare Aussagen über Implementierungsaufwand und realisierte Margeneffekte zu bekommen.

Schneller PoC-Pfad. Statt eines mehrmonatigen Implementierungsprojekts kann eine Sortimentsgruppe oder Marke in 4–8 Wochen pilotiert werden, mit echten Daten, parallel zur bestehenden Planung. Das senkt die Einführungsschwelle erheblich und macht den Business-Case messbar, bevor das volle Investment fällig wird.

Schwächen ehrlich betrachtet

Keine Preisstransparenz. Das ist im Enterprise-SaaS-Markt üblich, frustriert aber: Eine erste Kostenschätzung erfordert mindestens ein Demo-Gespräch, oft mehrere. Für Häuser, die vergleichende Angebote von 4–5 Anbietern einholen wollen, summiert sich das auf Wochen. Wer eine schnelle Orientierung braucht, ob das Tool überhaupt im Budget liegt, wird hier nicht fündig.

Englisches Tool für deutschsprachige Teams. Die Oberfläche, Dokumentation und der Support sind komplett englisch. Für ein Merchandising-Team, dessen Mitarbeitende fließend Englisch sprechen, kein Problem; für Teams mit gemischten Sprachprofilen ein Reibungspunkt im Tagesbetrieb. Eine deutschsprachige Lokalisierung ist nicht angekündigt.

Abhängigkeit von Datenqualität. Markmi braucht saubere wöchentliche Abverkaufsdaten je SKU, idealerweise je Filiale und je Kanal. Wer im Vorfeld Datenchaos im Warenwirtschaftssystem hat, muss erst dieses Problem lösen, und die Implementierung verlängert sich entsprechend. Markmi liefert hier zwar Unterstützung, ersetzt aber nicht die Stammdatenarbeit im eigenen Haus.

Nische, kein Allrounder. Wer parallel Sortimente außerhalb von Mode pricen will (Elektronik, Möbel, Spielwaren), braucht eine zweite Plattform. Markmi macht keinen Hehl daraus, dass Fashion der Fokus ist, aber für gemischte Händler ist das ein Trade-off.

Empfehlung statt Ausführung. Markmi optimiert und empfiehlt, das eigentliche Preis-Push in Kasse, Online-Shop und ERP muss konfigurativ angeschlossen werden. Bei sauberer ERP-Integration läuft das automatisiert, bei Legacy-Landschaften wird die Brücke zum technischen Teilprojekt. Wer eine vollständige End-to-End-Automation erwartet, sollte die Integration im Scoping klar adressieren.

Begrenzte unabhängige Reviews. Markmi ist kein G2-Megakanal-Produkt, unabhängige Vergleichsreviews mit großen Fallzahlen gibt es kaum. Wer kaufentscheidend auf öffentliche Bewertungen vertraut, hat hier weniger Material als bei US-Marktführern. Empfehlung: Mindestens zwei Referenzkunden direkt sprechen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Breite Pricing-Plattform für mehrere Branchen brauchst	Pricefx
E-Commerce-Pricing mit Wettbewerbsbeobachtung suchst	Omnia Retail
Personalisierte Preise und Promotions im Onlineshop brauchst	Dynamic Yield
Stationären Handel mit Bestandsoptimierung verbinden willst	RELEX
Ticket- oder Event-Pricing optimieren willst	Smart Pricer

Erwähnenswert ohne eigene Tool-Seite: Revionics (Aptos, US-Marktführer im Großflächen-Retail), JDA/Blue Yonder Markdown Optimization (Suite-Lösung für Konzerne), Eversight (Promotion-Testing) und Engage3. Markmi bleibt im Fashion-Segment einer der wenigen europäischen Pure-Plays, wer EU-Hosting und Fashion-Spezialisierung kombinieren will, hat nur eine Handvoll ernsthafter Alternativen.

So steigst du ein

Schritt 1: Demo über markmi.ai anfragen. Bereite vor: Sortimentsgröße (Zahl aktiver SKUs), Saisonalität (Anzahl Kollektionen, typische Sale-Phasen), aktuelle Markdown-Praxis (manuell? Excel? bestehendes Tool?) und Datenqualität (Hast du wöchentliche SKU-Abverkäufe inkl. Filial-Ebene?). Je klarer die Ausgangslage, desto präziser das erste Gespräch.

Schritt 2: Pilotphase auf einer Produktkategorie. Statt direkt das gesamte Sortiment umzustellen, wird eine abgegrenzte Kategorie (z. B. Damen-Strick H/W) parallel mit Markmi und mit dem bisherigen Prozess geführt. Die Saison läuft regulär, nach 8–12 Wochen wird verglichen: realisierter Durchschnittspreis, Sell-Through, Restbestand, Marge.

Schritt 3: Roll-out nach validiertem Business Case. Wenn der Pilot positive Ergebnisse zeigt, folgen weitere Kategorien und Marken. Wichtig: Merchandising-Team aktiv einbinden, nicht überrumpeln, die KI macht Empfehlungen, das Team behält die Hoheit über die finale Entscheidung. Erst nach 2–3 Saisons sollte über teilautomatisierte Markdown-Aktivierung nachgedacht werden.

Ein konkretes Beispiel

Ein illustratives Szenario: Ein deutsches Damenmode-Label aus Düsseldorf mit 1.800 aktiven SKUs pro Saison und 65 eigenen Stores pilotiert Markmi für die Herbst/Winter-Abverkaufsphase. Statt der pauschalen „minus 30 % ab 20. Dezember”-Aktion berechnet die KI je SKU und Region: In Norddeutschland brauchen Mäntel früheren und tieferen Markdown (schwache Vorsaison, hohe Restbestände), in Süddeutschland geht es um gezielte Größen-Korrekturen (XS und XXL bleiben liegen, M/L sind ausverkauft). Das Ergebnis nach einer Saison: durchschnittlicher realisierter Verkaufspreis 4 % höher als im Vorjahr, Restbestand am Saisonende um 18 % reduziert. Realisierte Mehrmarge: rund 380.000 EUR auf 12 Mio. EUR Sale-Umsatz, die Lizenzkosten der Pilotphase amortisierten sich nach knapp drei Wochen Saison.

DSGVO & Datenschutz

• Anbieter und Rechtsraum: Markmi BV mit Sitz in Gent, Belgien (Unternehmensnummer BE 1020.211.059). Als belgisches Unternehmen unterliegt Markmi direkt der DSGVO. Ansprechpartner für Datenschutz ist laut Privacy Policy CEO Laurent Mainil.
• Datenhosting: Den genauen Hosting-Standort der Produktplattform kommuniziert Markmi öffentlich nicht. Die Website nutzt laut Datenschutzerklärung Google Analytics und MailChimp als Drittdienstleister, das betrifft jedoch nur die Marketing-Seite, nicht die Markdown-Plattform. Den Hosting-Standort der Plattform sollte man im Vertriebsprozess gezielt erfragen.
• Datennutzung: Verarbeitet werden primär Produkt- und Verkaufsdaten, keine personenbezogenen Daten im klassischen Sinn. Für die Verarbeitung von Mitarbeiterdaten (Login, Audit-Logs) gilt der Standard-AVV.
• Auftragsverarbeitung (AVV): Bei einem EU-Anbieter grundsätzlich ohne Umweg über Drittländer regelbar. Vor Vertragsabschluss AVV, Sub-Prozessorenliste und etwaige ISO-Zertifikate konkret anfordern.
• Empfehlung für Unternehmen: Ein EU-Vertragspartner ist für DSGVO-sensitive Häuser ein Pluspunkt gegenüber US-Anbietern. Da der Hosting-Standort nicht öffentlich dokumentiert ist, gehört dieser Punkt verbindlich in den AVV. Falls Loyalty- oder Kundendaten einfließen, die Verarbeitung gesondert regeln.

Gut kombiniert mit

• Omnia Retail, Omnia macht Listenpreise und Wettbewerbsbeobachtung im Regulärgeschäft, Markmi übernimmt den End-of-Season-Markdown. Beide Tools adressieren unterschiedliche Phasen des Preislebenszyklus und ergänzen sich gut.
• RELEX, RELEX optimiert Bestände, Replenishment und Forecasting im Filialnetz; Markmi optimiert die Preisseite. Zusammen entsteht ein Closed-Loop aus Mengenplanung und Preisstrategie.
• Dynamic Yield, Im Onlineshop personalisiert Dynamic Yield Inhalte, Empfehlungen und Promotions; Markmi liefert die fundierten Markdown-Preise, die Dynamic Yield ausspielt.

Unser Testurteil

Markmi verdient 4 von 5 Sternen. Die Spezialisierung auf Fashion ist die größte Stärke und gleichzeitig die größte Einschränkung: Innerhalb des Segments liefert das Tool, was generische Pricing-Plattformen nur mit erheblichem Konfigurationsaufwand erreichen, und es tut das mit ernsthafter Referenzbasis (C&A, G-Star, Scotch & Soda, Torfs und weitere Benelux-Händler). EU-Anbieterschaft, schneller Pilot-Pfad und ein nachvollziehbares Optimierungsmodell sind starke Argumente. Den fünften Stern verliert Markmi durch die fehlende Preisstransparenz, den fehlenden deutschsprachigen Support, die begrenzte unabhängige Review-Basis und die enge Nische, wer außerhalb von Mode pricen will, braucht eine zweite Plattform. Für mittlere und große Modemarken im DACH-Raum, die heute noch in Excel oder Bauchgefühl-Modus arbeiten, ist Markmi eine der besten verfügbaren Optionen.

Was wir bemerkt haben

• Juni 2026, Korrektur zu früheren Annahmen: Markmi ist kein niederländischer, sondern ein belgischer Anbieter. Laut Datenschutzerklärung sitzt Markmi BV in Gent (Unternehmensnummer BE 1020.211.059), CEO ist Laurent Mainil. Viele der genannten Referenzkunden (Torfs, ZEB, E5, OFM) sind belgische Händler.
• Juni 2026, Markmi wirbt auf der Startseite mit „3 bis 7 % Margenverbesserung im End-of-Season-Sale” und einer Workload-Reduktion von „bis zu 80 bis 95 %”. Torfs wird mit „+30 % Umsatz und +8 % Marge” zitiert. Diese Zahlen sind Anbieter-Angaben, wer sie bewerten will, sollte im Vertriebsprozess gezielt nach Vergleichsdaten und Referenzgesprächen fragen.
• Juni 2026, Den genauen Hosting-Standort der Plattform kommuniziert Markmi öffentlich nicht. Die Website nutzt Google Analytics und MailChimp als Drittdienstleister. Wer EU-Datenhaltung verbindlich braucht, sollte den Hosting-Standort vor Vertragsabschluss schriftlich im AVV festhalten.
• Juni 2026, Eine öffentliche Preisliste existiert nicht. Der Verkauf läuft über einen vierstufigen Prozess (Discovery Call, Demo, Angebot, Pilot und Launch). Wer Budgetplanung braucht, sollte den Demo-Termin früh im Beschaffungszyklus ansetzen.