Wie sagt KI Retouren vor dem Checkout voraus? Riskante Warenkörbe erkennen, einfach erklärt

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. Die Retourenprognose im Checkout nutzt maschinelles Lernen, um vor der Bestellung abzuschätzen, wie wahrscheinlich ein Artikel oder ein Warenkorb retourniert wird. So kann ein Händler eingreifen, solange die Kundin oder der Kunde die Bestellung noch ändern kann.
2. Starke Prädiktoren sind die Zusammensetzung des Warenkorbs, etwa derselbe Artikel in mehreren Grössen oder Farben, sowie die eigene Retourenhistorie der Kundschaft; Studien zeigen, dass die Genauigkeit ohne historische Kundendaten stark sinkt.
3. Eine Studie aus dem Jahr 2024 zu einem deutschen Onlinehändler für Anlassmode meldete eine Balanced Accuracy von bis zu 0,86 bei künftigen Bestellungen, ohne historische Kundendaten jedoch nur 0,61.
4. Am besten vertretbar sind hilfreiche Massnahmen wie Grössenberatung oder ein Passformhinweis am Produkt, nicht das Blockieren von Bestellungen oder das Bestrafen von Kundinnen und Kunden.
5. In der EU haben Online-Käufer grundsätzlich ein 14-tägiges Widerrufsrecht, und die DSGVO gibt Personen das Recht, keiner ausschliesslich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden. Das begrenzt, wie Prognosen eingesetzt werden dürfen.

Retouren vor dem Checkout vorherzusagen heisst, jeden Artikel oder Warenkorb auf sein Retourenrisiko zu bewerten, während sich die Kundschaft noch auf der Website befindet. Modelle des maschinellen Lernens werten Signale aus, etwa mehrere Grössen desselben Artikels im Warenkorb, die historische Retourenquote des Produkts und das bisherige Verhalten der Kundin oder des Kunden. Daraus lösen sie vor der Bestellung eine Massnahme aus, typischerweise einen Grössenvorschlag oder einen Passformhinweis. Ziel ist es, vermeidbare Retouren zu verhindern, nicht, Kundinnen und Kunden an der Ausübung ihrer gesetzlichen Rechte zu hindern.

Warum Retouren vor dem Checkout vorhersagen statt danach?

Sobald eine Bestellung versandt ist, ist eine Retoure vor allem ein Kostenfaktor, der gesteuert werden muss: Transport, Prüfung, Neuverpackung und oft eine Abschrift. Vor dem Checkout kann der Händler das Ergebnis noch beeinflussen. Wer ein Kleid in zwei Grössen in den Warenkorb legt, lässt sich mit guter Grössenberatung vielleicht überzeugen, nur eines zu behalten; wer kurz davor ist, einen Artikel zu kaufen, der bekanntermassen klein ausfällt, kann darauf hingewiesen werden.

Das Ausmass der Retouren erklärt das Interesse. Die US National Retail Federation schätzte im Oktober 2025, dass die gesamten Retouren im US-Einzelhandel 2025 849,9 Milliarden US-Dollar erreichen würden, dass Online-Retouren 19,3 Prozent der Online-Umsätze entsprächen und dass 9 Prozent der Retouren betrügerisch seien. Mode gehört zu den retourenintensivsten Online-Kategorien, daher fällt schon ein kleiner Rückgang vermeidbarer Retouren ins Gewicht.

Wie funktioniert ein Modell zur Retourenprognose?

Ein Modell zur Retourenprognose ist ein Klassifikator: Für jeden Artikel einer Bestellung schätzt es die Wahrscheinlichkeit, dass er zurückgeschickt wird. Es wird mit historischen Bestellungen trainiert, die danach gekennzeichnet sind, ob jeder Artikel behalten oder retourniert wurde, und dann in Echtzeit auf offene Warenkörbe angewendet.

Die Forschung beschäftigt sich seit mehreren Jahren damit. Ein Paper aus dem Jahr 2019 mit dem Titel «Early Bird Catches the Worm: Predicting Returns Even Before Purchase in Fashion E-commerce» beschrieb ein Modell, getestet mit einer grossen Mode-E-Commerce-Plattform, das die Retourenwahrscheinlichkeit auf der Warenkorbseite in Echtzeit schätzte, damit der Händler vor der Bestellung vorbeugende Massnahmen ergreifen konnte. Eine 2024 an der Konferenz ICAART vorgestellte Studie von Forschenden des August-Wilhelm Scheer Instituts testete mehrere Algorithmen, darunter XGBoost, mit Daten eines deutschen Onlinehändlers für Fest- und Anlassmode.

Lesen Sie auch

Warum Retouren das teuerste Problem im Mode-E-Commerce sind

Wie genau ist die Retourenprognose?

Die Genauigkeit hängt stark von den Daten ab. In der Studie von 2024 erreichten die Modelle eine Balanced Accuracy von bis zu 0,86 bei künftigen Bestellungen und 0,86 bei neuen Produkten, sofern historische Daten zum Kundenverhalten vorlagen. Ohne diese Kundenhistorie lag die Balanced Accuracy höchstens bei 0,61. Der Datensatz zeigte auch, wie ungewöhnlich manche Segmente sind: Die gesamte Retourenwahrscheinlichkeit lag bei 0,73 und stieg bei Bestellungen mit mehreren Artikeln auf 0,94. Das spiegelt die Kategorie Anlassmode wider, nicht Mode im Allgemeinen.

Daraus folgen zwei Lehren. Erstens ist die eigene Historie der Kundschaft oft das aussagekräftigste Signal; das Modell ist deshalb bei Stammkunden am stärksten und bei Erstbesuchern am schwächsten. Zweitens lassen sich Ergebnisse eines Händlers oder einer Kategorie nicht automatisch auf andere übertragen; jedes Unternehmen muss das Modell mit den eigenen Daten validieren.

Was kann ein Händler mit einem riskanten Warenkorb tun?

Die Wahl der Massnahme ist wichtiger als das Modell. Hilfreiche Massnahmen senken die Retouren und verbessern zugleich das Einkaufserlebnis; strafende Massnahmen riskieren, Kundschaft zu verärgern und die Aufmerksamkeit der Behörden auf sich zu ziehen.

• Grössenberatung: Enthält ein Warenkorb mehrere Grössen eines Artikels, eine Grössenempfehlung anzeigen und fragen, welche am besten passt.
• Passformhinweise: Artikel kennzeichnen, die laut Retourenhistorie klein oder gross ausfallen.
• Bessere Produktinformationen: Masse, Grössen der Models und Detailbilder für Artikel hervorheben, die oft mit «entspricht nicht der Beschreibung» zurückkommen.
• Lieferoptionen: Wo möglich Anprobe oder Abholung im Geschäft vorschlagen.
• Prüfen statt blockieren: Extreme, betrugsähnliche Muster an eine menschliche Prüfung weiterleiten, statt Bestellungen automatisch abzulehnen.

Wo liegen die rechtlichen und ethischen Grenzen?

In der EU haben Verbraucherinnen und Verbraucher beim Online-Kauf laut dem Leitfaden Your Europe der Europäischen Kommission grundsätzlich ein 14-tägiges Widerrufsrecht ohne Angabe von Gründen, das bei Waren ab der Lieferung läuft. Die Retourenprognose kann dieses Recht nicht aufheben. Sie kann der Kundschaft nur helfen, vor dem Kauf bessere Entscheidungen zu treffen.

Das Datenschutzrecht setzt eine zweite Grenze. Artikel 22 DSGVO gibt Personen das Recht, keiner ausschliesslich auf einer automatisierten Verarbeitung, einschliesslich Profiling, beruhenden Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt. Ein Grössentipp erreicht diese Schwelle kaum; einer Kundin oder einem Kunden aufgrund eines Risikowerts automatisch den Verkauf zu verweigern oder die Konditionen zu ändern, kann sie jedoch durchaus erreichen und erfordert eine sorgfältige rechtliche Prüfung, Transparenz und menschliche Beteiligung.

Lesen Sie auch

Wie wird KI im Kundenservice der Mode eingesetzt, und wo scheitert sie?

Wie sollte ein Händler beginnen?

1. Die Trainingsdaten bereinigen: jede Retoure mit Bestellposition, SKU, Grösse und einem strukturierten Retourengrund verknüpfen.
2. Mit einem einfachen, erklärbaren Modell und einer einzigen Massnahme beginnen, etwa Grössenberatung bei Warenkörben mit mehreren Grössen.
3. Einen kontrollierten Test durchführen und Retourenquoten, Conversion und Kundenzufriedenheit mit einer Kontrollgruppe vergleichen.
4. Das Modell, seine Daten und seine Wirkung für die Datenschutz- und Rechtsprüfung dokumentieren.
5. Regelmässig neu trainieren, denn Sortimente, Aktionen und Kundenverhalten ändern sich jede Saison.

Häufige Fragen

Kann KI vorhersagen, welche Online-Bestellungen retourniert werden?

Ja, mit nützlicher, aber nicht perfekter Genauigkeit. Forschung mit Daten aus dem Mode-E-Commerce zeigt, dass Modelle die Retourenwahrscheinlichkeit vor dem Kauf abschätzen können. Die Genauigkeit hängt stark davon ab, ob der Händler historische Verhaltensdaten zur Kundin oder zum Kunden hat.

Was sind Auswahlbestellungen im Online-Modehandel?

Bei Auswahlbestellungen (englisch «Bracketing») wird derselbe Artikel in mehreren Grössen oder Farben bestellt, mit der Absicht, die nicht passenden oder nicht gefallenden Exemplare zurückzuschicken. Sie gehören zu den deutlichsten Signalen, die Modelle zur Retourenprognose nutzen, und Grössenberatung ist die häufigste Antwort darauf.

Ist es legal, Bestellungen von Kundinnen und Kunden mit vielen Retouren abzulehnen?

Die Regeln unterscheiden sich je nach Land, doch in der EU schränkt die DSGVO ausschliesslich automatisierte Entscheidungen ein, die Personen erheblich beeinträchtigen. Händler sollten sich rechtlich beraten lassen, Menschen in solche Entscheidungen einbinden und transparent sein. Das gesetzliche 14-tägige Widerrufsrecht bei Online-Käufen können sie nicht aufheben.

Welche Daten braucht man, um Retouren vorherzusagen?

Mindestens historische Bestellpositionen, verknüpft mit dem Retourenergebnis, Produktattribute und strukturierte Retourengründe. Eine Historie auf Kundenebene verbessert die Genauigkeit erheblich; deshalb funktioniert die Prognose bei Stammkunden besser als bei Erstkäufern.

LeitfadenDer umfassende Leitfaden zu KI in Mode-E-Commerce, Marketing und RetailDen ganzen Leitfaden lesen