Retourenquoten explodieren: Wie Seller mit Retouren-KI gegensteuern

Jede sechste Onlinebestellung geht zurück. Im Textilhandel sprechen knapp 88 Prozent der Händler von Retourenquoten bis 50 Prozent – und gut 12 Prozent sogar darüber. Trotzdem setzen laut EHI Retail Institute erst 7,3 Prozent aller Händler KI im Retourenmanagement ein. Das ist keine Bescheidenheit. Das ist verschenktes Potenzial.

Der Druck auf Marktplatz-Seller wächst – und das Problem dabei ist strukturell

Aggressive Preisstrategien auf Amazon, Zalando oder eBay erzeugen einen Teufelskreis: Seller unterbieten sich gegenseitig, die Marge schrumpft, und gleichzeitig steigen Kundenerwartungen bezüglich Liefergeschwindigkeit, kostenlosem Rückversand und unkompliziertem Umtausch. Wer in diesem Umfeld die Retourenkosten nicht im Griff hat, verliert nicht langsam – er verliert schnell.

Die Zahlen der EHI-Studie „Zwischen Retouren und Rentabilität“ (2023) sind eindeutig: 53,3 Prozent der Händler geben Kosten von bis zu 10 Euro pro retourniertem Artikel an, 13,9 Prozent kalkulieren mit bis zu 20 Euro. Bei Retourenquoten jenseits von 30 Prozent im Fashion-Segment rechnet sich dann kaum noch ein Artikel, der unter 30 Euro Verkaufspreis liegt. Seller-Profitabilität ist kein Luxusproblem – sie ist die Grundlage dafür, dass das Geschäft morgen noch existiert.

Hinzu kommt: Das Problem verteilt sich ungleich. Elektronik-Händler berichten in 85,7 Prozent der Fälle von Retourenquoten unter 10 Prozent. Möbel und Spielwaren liegen ähnlich niedrig. Mode hingegen ist der klare Retouren-Hotspot. Wer Bekleidung auf Marktplätzen verkauft, operiert in einem strukturell anderen Risikoumfeld als der Kopfhörer-Seller nebenan. Pauschalrezepte helfen hier nicht.

Wie Retouren-KI technisch funktioniert – und was sie wirklich braucht

Retouren-KI ist kein Zauberstab. Sie ist ein Vorhersagemodell, das aus historischen Transaktionsdaten lernt: Welche Produkte kommen wie oft zurück? Von welchen Kundensegmenten? Bei welchen Kampagnen? Zu welchen Jahreszeiten? Moderne Machine-Learning-Modelle verarbeiten diese Datenpunkte und berechnen für jeden Artikel – im besten Fall für jede SKU-Kunden-Kombination – einen sogenannten Retourenrisiko-Score.

Das Mittelstand-Digital Zentrum Handel beschreibt in seinem KI-Pilotprojekt, wie ML-Modelle Bestell- und Retourenmengen gleichzeitig prognostizieren und damit Lagerplanung, Beschaffung und Personaleinsatz vorausschauend steuern. Der Ansatz ist dabei weniger glamourös als das Wort „KI“ vermuten lässt: Es geht um sauber strukturierte Eingabedaten – Produktstammdaten, Bestellhistorie, Retourengründe, Kundensegmente – die in Vorhersagemodelle fließen, deren Output dann in operative Entscheidungen übersetzt wird.

Das Problem dabei: Viele Seller auf Marktplätzen haben genau diese Datenbasis nicht. Retourengründe werden inkonsistent erfasst, SKU-Stammdaten sind lückenhaft, Kundendaten stehen auf Plattformen wie Amazon ohnehin nicht vollständig zur Verfügung. Laut e-commerce-magazin unter Berufung auf EHI-Daten nennen Händler fehlende Datenqualität, DSGVO-Bedenken und mangelnde interne KI-Kompetenz als zentrale Hürden. Bevor ein Seller über Modellauswahl nachdenkt, sollte er seine Datenhygiene klären.

Vom Kostenprojekt zum Steuerungsinstrument: Retouren-KI und Seller-Profitabilität

Wer Retouren-KI nur als Logistics-Tool sieht, denkt zu kurz. Der eigentliche Hebel liegt auf der Ebene der Seller-Profitabilität – und der ist deutlich größer als eingesparte Versandkosten im Wareneingang.

Ein KI-Modell, das den Retourenrisiko-Score pro SKU kennt, erlaubt erstmals eine ehrliche Deckungsbeitragsrechnung: Wenn ein Produkt zu 40 Prozent zurückkommt, jede Retoure 12 Euro kostet und der Verkaufspreis bei 29 Euro liegt, ist die tatsächliche Marge nach Retouren negativ – unabhängig davon, wie gut der Einkaufspreis war. Mit diesen Zahlen lassen sich Sortimentsentscheidungen fundiert treffen: Artikel streichen, Preise anpassen, Produktdaten verbessern oder das Listing schlicht vom Marktplatz nehmen.

Ich sehe das täglich in Gesprächen mit Händlern: Die meisten kennen ihre Retourenquote auf Kategorieebene. Kaum jemand kennt sie auf SKU-Ebene. Und noch weniger wissen, was eine einzelne Retoure konkret kostet, wenn man Wareneingang, Qualitätsprüfung, Wiederaufbereitung und Buchhaltung zusammenrechnet. Retouren-KI macht genau das sichtbar – und das ist der erste Schritt zu echter Profitabilitätssteuerung.

Zusätzlich ermöglicht der Risiko-Score eine gezieltere Marketingsteuerung: Kundensegmente mit strukturell hoher Retourenwahrscheinlichkeit – etwa bekannte „Vielrückender“ – können gezielt mit anderen Produkten bespielt oder mit angepassten Zahlungsmodalitäten angesteuert werden. Das ist keine Bestrafung von Kunden. Das ist Ressourcensteuerung.

Lagermanagement: Wenn Retouren planbar werden

Retouren sind für viele Lagerbetreiber das unangenehmste Unbekannte im Tagesgeschäft: Sie kommen dann, wenn sie wollen, in Mengen, die schwer vorhersagbar sind, und binden Kapazitäten in Wareneingang und Qualitätssicherung, die eigentlich für ausgehende Ware gebraucht werden. Lagermanagement ohne Retourenprognose ist im Fashion-Segment wie Wettervorhersage ohne Wetterdaten.

Pacemaker.ai beschreibt das Grundprinzip treffend: Je planbarer das Retourenvolumen, desto effizienter lassen sich Wareneingang, Prüfung, Wiedereinlagerung und Wiederverkauf organisieren. Das betrifft Personalplanung genauso wie Regalkapazität und den Einkaufszyklus. Wenn ein Seller weiß, dass nach einer Promotionkampagne erfahrungsgemäß 35 Prozent der Bestellmenge innerhalb von drei Wochen zurückkommt, kann er Lagerplatz reservieren, Personal einteilen und die Wiedereingliederung in den Lagerbestand vorausplanen – statt reaktiv zu operieren.

Das Mittelstand-Digital Zentrum Handel zeigt in seinen Pilotprojekten, wie ML-Modelle Sicherheitsbestände reduzieren helfen, weil Rückläufer als kalkulierbare Lagereinheit einbezogen werden. Das klingt technisch, hat aber direkte betriebswirtschaftliche Konsequenzen: weniger gebundenes Kapital, bessere Liquidität, niedrigere Lagerkosten. Für kleinere Marktplatz-Seller ist genau das oft der Unterschied zwischen einem profitablen und einem defizitären Quartal.

Welche Seller am meisten profitieren – und welche warten sollten

Nicht jeder Seller braucht sofort ein vollständiges KI-Retourenprognosesystem. Für den Elektronikhändler mit 8 Prozent Retourenquote ist der ROI solcher Investitionen überschaubar. Für den Fashion-Seller mit 40 Prozent Retourenquote und 500 aktiven SKUs dagegen kann ein funktionierendes Prognosemodell den Unterschied zwischen Break-even und Verlust ausmachen.

Sinnvoll ist der Einstieg in Retouren-KI, wenn folgende Voraussetzungen erfüllt sind: erstens ein Sortiment mit strukturell hoher Retourenquote (vor allem Mode, aber auch Schuhe und Sportartikel), zweitens eine Bestellhistorie von mindestens 12 Monaten mit sauber erfassten Retourengründen, drittens eine SKU-Anzahl, bei der manuelle Analyse nicht mehr wirtschaftlich ist. Wer weniger als 50 aktive Artikel führt, löst das Problem mit einer strukturierten Excel-Auswertung schneller als mit einem ML-Projekt.

Die EHI-Studie „Zwischen Retouren und Rentabilität“ macht deutlich, dass erst 7,3 Prozent der Händler KI produktiv einsetzen – was für frühe Mover einen echten Wettbewerbsvorteil bedeutet. Wer heute anfängt, Daten strukturiert zu erfassen und erste Prognosemodelle zu testen, ist in 18 Monaten in einer anderen Liga als die Mehrheit, die noch auf Bauchgefühl setzt.

Produktdaten als unterschätzter Hebel: KI zeigt, wo das Listing das Problem ist

Ein oft übersehener Output von Retouren-KI-Modellen: Sie zeigen, ob das Problem beim Produkt selbst liegt oder beim Listing. Ein Artikel mit systematisch hoher Retourenquote und dem häufigsten Retourengrund „entspricht nicht der Beschreibung“ hat kein Logistikproblem. Er hat ein Content-Problem.

KI-Systeme können diese Muster automatisiert erkennen und Handlungsempfehlungen erzeugen: Größentabellen präzisieren, zusätzliche Produktbilder einpflegen, Materialangaben ergänzen, Passform-Hinweise einfügen. Das ist keine Raketenwissenschaft – aber es braucht die Datenbasis, um zu wissen, bei welchen der 500 SKUs das Listing-Problem am teuersten ist. Ohne Prognosemodell würde ein Seller diese Artikel im Rauschen seiner Retourenstatistik verlieren.

Ähnlich funktioniert es bei der Größenberatung: Wenn das Modell erkennt, dass ein bestimmtes Produkt überproportional häufig in zwei Größen gleichzeitig bestellt und dann eine retourniert wird, ist das ein klares Signal für einen Fit-Hinweis im Listing oder eine Größenempfehlungsfunktion. Das verbessert die Conversion und senkt die Retourenquote gleichzeitig. Zwei Fliegen, eine KI.

Praxisnahe Einstiegsschritte: So starten Seller ohne großes IT-Budget

Der häufigste Einwand gegen Retouren-KI lautet: „Das können wir uns als mittelgroßer Marktplatz-Seller nicht leisten.“ Das stimmt für große, maßgeschneiderte ML-Implementierungen. Es stimmt nicht für den strukturierten Einstieg, der in vielen Fällen bereits erhebliche Wirkung zeigt.

Ein realistischer Einstiegspfad in drei Phasen sieht so aus:

1. Datenbasis schaffen: Retourengründe konsequent und einheitlich erfassen – nicht nur „sonstiges“, sondern differenziert nach Passform, Qualität, Produktbeschreibung, Lieferproblem. Wer hier sechs Monate investiert, hat danach die Grundlage für jede weitere Analyse.
2. SKU-Auswertung einführen: Retourenquote, Retourenkosten und Deckungsbeitrag nach Retouren für jede aktive SKU berechnen – zunächst auch manuell oder per Tabellenkalkulationslösung. Schon diese Übersicht zeigt in der Regel fünf bis zehn Artikel, die das Ergebnis überproportional belasten.
3. Erste Prognosemodelle testen: Viele Shop-Systeme und ERP-Anbieter integrieren inzwischen einfache ML-Funktionen in ihre Standardpakete. Wer bereits auf Shopify, Shopware oder einem spezialisierten Warenwirtschaftssystem arbeitet, sollte prüfen, welche Prognose-Features bereits lizenziert, aber noch nicht aktiviert sind.

Der entscheidende Punkt: Retouren-KI muss nicht von Tag eins vollständig sein. Ein SKU-Risiko-Score, der auf zwölf Monaten sauber erfasster Daten basiert, ist für viele Seller wertvoller als ein theoretisch ausgereiftes Modell ohne belastbare Eingabedaten.

Gegenargumente und ihre Grenzen: Was gegen Retouren-KI vorgebracht wird

Es gibt legitime Einwände gegen den KI-Einsatz im Retourenmanagement, die ernst genommen werden sollten – auch wenn sie die grundlegende Richtung nicht verändern.

„KI diskriminiert Kunden.“ Dieser Einwand ist berechtigt, wenn Kunden auf Basis ihres Retourenverhaltens pauschal schlechter behandelt werden – etwa durch Zahlungsartensperrungen ohne Transparenz. Er ist weniger stichhaltig, wenn es um produktbezogene Prognosen oder das Anpassen von Marketingbudgets geht. Die Lösung liegt nicht darin, KI zu vermeiden, sondern sie so einzusetzen, dass keine ungerechtfertigte Ungleichbehandlung entsteht.

„Unsere Daten sind zu schlecht für KI.“ Das ist oft eine Selbsterfüllende Prophezeiung. Schlechte Daten sind der Startpunkt, nicht der Ausschlussgrund. Wer heute beginnt, Retourengründe sauber zu erfassen, hat in zwölf Monaten eine nutzbare Datenbasis. Der richtige Zeitpunkt, damit anzufangen, war vor einem Jahr. Der zweitbeste Zeitpunkt ist heute.

„Die Plattform gibt uns die Daten nicht.“ Das stimmt für Amazon-FBA-Seller in Teilen. Amazon stellt aggregierte Retourenberichte zur Verfügung, keine vollständigen Kundendatensätze. Das schränkt kundenbezogene Modelle ein, produktbezogene Analysen auf SKU-Ebene sind aber auch mit den verfügbaren Daten möglich. Ergänzend können die tatsächlichen Kosten pro Retoure auf Basis eigener Buchhaltungsdaten berechnet und mit den Plattformdaten verknüpft werden.

Kein Argument gegen Retouren-KI ist so stark, dass es rechtfertigt, strukturell defizitäre Artikel weiter im Sortiment zu führen, weil man schlicht nicht weiß, was sie kosten.

DSGVO, Datenbasis, Integration: Was vor dem KI-Start geklärt sein muss

Retouren-KI auf Basis personenbezogener Kundendaten ist im EU-Raum kein rechtsfreier Raum. Wer Retourenrisiko-Scores auf Kundenbasis erstellt – also einzelnen Nutzern eine Rücksendungswahrscheinlichkeit zuordnet – bewegt sich im Anwendungsbereich der DSGVO. Datensparsamkeit, Zweckbindung und Pseudonymisierung sind keine optionalen Features, sondern Pflicht. Wer das ignoriert, riskiert nicht nur Bußgelder, sondern auch Vertrauensverlust bei Kunden, wenn rauskommt, dass das System stillschweigend Risikoklassen bildet.

Meine Empfehlung: Startet mit produktbezogenen Prognosen statt kundenbezogenen. Ein Retourenrisiko-Score pro SKU ist datenschutzrechtlich unkritisch und liefert schon einen erheblichen Teil des operativen Nutzens. Kundenbezogene Modelle – etwa zur Zahlungsartensteuerung oder personalisierten Beratung – können in einem zweiten Schritt und mit sauberem rechtlichem Rahmen folgen.

Technisch ist die Integration in bestehende ERP- und Warenwirtschaftssysteme die eigentliche Hürde. Praxisberichte der Schweizerischen Post zu KI-gestützten Retourenlösungen zeigen: Implementierungen scheitern seltener an der Modellqualität als an Schnittstellenproblemen und uneinheitlichen Datenformaten zwischen Shop-System, Marktplatz-APIs und Lagerverwaltung. Wer hier nicht vorab investiert, baut ein Hochleistungsmodell auf Sand.

Was bleibt: Retouren-KI als Wettbewerbsfaktor, nicht als IT-Projekt

Retouren werden nicht verschwinden. Das Kundenverhalten auf Marktplätzen – Größen-Sampling, Buy-to-Try, aggressive Preisvergleiche – ist in vielen Segmenten strukturell. Wer darauf wartet, dass die Plattformen das Problem lösen, wartet vergeblich. Amazon, Zalando und eBay haben kein Interesse daran, das Retourenvolumen der Seller zu minimieren – solange die Plattformgebühren fließen, ist das weitgehend deren Problem.

Die Frage ist also nicht, ob Retouren-KI und ein verbessertes Lagermanagement sinnvoll sind. Die Frage ist, wie viele schlechte Quartale ein Seller noch braucht, bevor er anfängt, seine Bestandsdaten systematisch auszuwerten, Retourenrisiko-Scores pro SKU zu berechnen und die eigene Seller-Profitabilität endlich auf sauberen Zahlen zu bauen – statt auf dem Gefühl, dass es irgendwie noch geht.

Wie sieht Ihr aktuelles Retourenmanagement aus – und wissen Sie, welche Ihrer SKUs Sie im letzten Quartal tatsächlich Geld gekostet haben?