The short life cycles and highly variable demand in the fast fashion market causes various challenges in a retailer’s supply chain management processes. The essential task at hand is to provide the right product, at the right time, and at the right place. Due to this inherent difficulty, the bullwhip effect is a major issue in the fashion supply chain. To enhance customer satisfaction and increase the alignment between the supply and market place demand, companies have been pushed towards exploiting big data, supply chain analytics and AI techniques for better business decision making. One such critical but intrinsically complex decision is the development of a future apparel assortment; in particular defining its optimal breadth and depth. This thesis investigates how such AI techniques can be applied to develop a new assortment aligned with the future customer demands- and choice behavior. The research was conducted through firstly performing a qualitative case study at a fast fashion retailer. This explored the critical business decisions in the supply chain lacking AI support. The findings, revealing the assortment planning process as one such critical area, guided the second part of the thesis: a systematic literature review exploring the AI techniques used in this process in the retail - and fashion industry. An appropriate framework of planning a static apparel assortment in the fast fashion industry was developed and used as a guide throughout the study. The thesis discovered that there exists significant research in the field of applying AI techniques to generate and integrate knowledge about consumer demand- and choice behavior in the planning process of a future assortment. The main components to consider in this procedure is a) fashion forecasting, b) forecasting midterm demand, and c) forecasting product selection, incorporating the effects of substitution and complementarity at all times. This is believed to increase the alignment between supply and the marketplace demand, consequently reducing the bullwhip effect. The critical area for future research is how the discovered models are to be integrated in one singlemodel. Namely, simultaneously utilizing consumer choice behavior models and fashion forecasting to predict future demand of new items. Thus, the risk of suboptimization may be mitigated. / Modeindustrins korta produktlivscykler och högt varierande efterfrågan efter rådande trender skapar stora utmaningar i försörjningskedjan hos företag i branschen. Det essentiella målet för företagen är att tillhandahålla rätt produkt, vid rätt tidpunkt och på rätt plats. De komplexa karaktärsdragen i modeindustrin, där bland den fluktuerande efterfrågan, har gjort bullwhipeffekten till en stor utmaning i branschen. För att öka kundnöjdhet och anpassningen mellan marknadens utbud och efterfrågan har företag drivits mot utnyttjandet av big data i avsikt att förbättra kritisk affärsbeslutsfattning genom användandet av analytics och AI. Ett kritiskt ochkomplext beslut är utvecklingen av ett nytt produktsortiment, där definieringen av sortimentetsbredd och djup är särskilt viktigt. Denna uppsats undersöker hur AI-modeller kan tillämpas för att hjälpa företag inom modeindustrin i utvecklingen av nya sortiment anpassade efter kundens beräknade efterfrågan och val. Detta arbete inleddes med utförandet av en kvalitativ fallstudie hos en stor aktör verksam inom modeindustrin. Detta gjordes för att identifiera kritiska affärsbeslut i företagets försörjningskedja som saknade AI-stöd. Resultatet påvisade att sortimentsplanering var ett sådant kritiskt beslutsområde. Följaktligen utfördes en systematisk litteraturstudie i andra delen av arbetet i syfte att undersöka AI-modeller som appliceras i sortimentsplanerings-processen i såväl detaljhandeln som modebranschen. För att konceptualisera processen av att planera ett statiskt produktsortiment utvecklades ett ramverk som användes som en guide under hela arbetet. Studien visade att det finns betydande forskning inom tillämpningen av AI-modeller i syfte att planera ett optimalt sortiment efter konsumenternas efterfrågan. De huvudsakliga faktorerna att överväga innefattar prognostiseringen av efterfrågan, trender samt substitution- och komplementeffekter. Ett kritiskt område för framtida forskning är hur de upptäckta modellerna ska integreras i en enda modell som inkluderar dessa faktorer i ett tidigt såväl som sent skede av planeringen. Det som eftersträvas i en integrerad modell är att mildra risken av suboptimering som identifierats i nuvarande litteraturs angreppssätt.