Wie findet KI die Ursachen von Retouren in der Mode?

KI findet die Ursachen von Retouren, indem sie auswertet, was Kundinnen und Kunden über ein Produkt sagen (Retourengründe, Bewertungen, Retourenkommentare und Service-Chats), und dies mit den Daten des Produkts selbst verknüpft, etwa Grössentabelle, Material, Passformattribute und Bilder. Das Ergebnis ist kein besserer Bericht über Retourenquoten, sondern eine kurze Liste behebbarer Ursachen pro Artikel, jeweils mit einer verantwortlichen Stelle. Das funktioniert nur, wenn Retourengründe einheitlich erfasst werden und die Produktdaten sauber genug sind, um Gleiches mit Gleichem zu vergleichen.

Warum reichen Retourengründe nicht aus, um Retouren in der Mode zu erklären?

Die meisten Händler fragen bei einer Retoure nach dem Grund, doch die Auswahl ist knapp und die Antworten sind pauschal. Laut einem Bericht von Coresight Research, über den FashionUnited berichtete, lag die durchschnittliche Retourenquote im US-Online-Bekleidungshandel 2025 bei 23,4 Prozent, und fast 70 Prozent der Kundinnen und Kunden, die online gekaufte Kleidung zurückschickten, nannten Grösse und Passform. Das sagt einem Merchandiser, dass die Passform generell das Problem ist, aber nicht, warum eine bestimmte Hose zurückkommt.

Dieselbe Studie ergab, dass rund 40 Prozent der US-Kundschaft einen Online-Bekleidungskauf wegen unklarer oder fehlender Produktinformationen abgebrochen hatten. Retouren und abgebrochene Warenkörbe haben daher oft dieselbe Ursache: Die Produktseite hat der Kundin oder dem Kunden nicht gesagt, was sie wissen mussten. Retourengründe halten das Symptom fest («zu klein», «nicht wie abgebildet»); die Ursache liegt in den Produktdaten, im Content oder im Kleidungsstück selbst.

Daten auf Kategorieebene zeigen, wie ungleich das Problem verteilt ist. Ein im Februar 2026 veröffentlichter Bericht des Retourenanalyse-Unternehmens Returnalyze stellte zu Beginn der Weihnachtssaison Retourenquoten von über 51 Prozent bei Denim und von bis zu 48,2 Prozent bei Kleidern im Zeitraum vor dem Black Friday fest, während das sogenannte Size Bracketing (mehrere Grössen bestellen, um eine zu behalten) über alle Kategorien hinweg zwischen 5 und 9 Prozent blieb. Ein einzelner Durchschnittswert verdeckt genau die Artikel, die Aufmerksamkeit brauchen.

Welche Daten braucht KI für die Ursachenanalyse von Retouren?

Die Analyse kombiniert strukturierte und unstrukturierte Daten. Keine dieser Quellen ist neu; was KI verändert, ist die Fähigkeit, Texte in grossem Umfang auszuwerten und mit Produktattributen zu verknüpfen.

Der Schritt, der die Analyse überhaupt ermöglicht, ist ein verlässlicher Schlüssel zwischen allen Quellen: die SKU oder der Artikel- und Farbcode. Werden Retouren auf einen generischen Artikel gebucht und Bewertungen auf ein Marktplatz-Listing, hat die KI nichts, was sie verknüpfen könnte.

Lesen Sie auch

KI-Qualitätsprüfungen für PIM-Daten: fehlende, falsche und widersprüchliche Attribute erkennen

Wie macht KI aus Bewertungen und Kommentaren Ursachen?

Sprachmodelle eignen sich gut für den ersten Schritt: strukturierte Signale aus Texten zu extrahieren. Amazon beschrieb im Januar 2024, wie The Paypers berichtete, ein Fit-Insights-Tool für Verkaufspartner, das mithilfe grosser Sprachmodelle Kundenfeedback zu Passform, Stil und Material extrahiert und bündelt, damit Marken Retourengründe verstehen und Fehler in Grössentabellen erkennen. In derselben Ankündigung wurde beschrieben, wie Sprachmodelle Produktgrössen aus Grössentabellen auslesen, doppelte Informationen entfernen und fehlende oder falsche Masse automatisch korrigieren.

Ein praxistauglicher Ablauf für eine Marke oder einen Händler sieht so aus:

1. Extrahieren. Jeden Kommentar, jede Bewertung und jeden Chat einer festen Taxonomie zuordnen: fällt klein oder gross aus, Länge, Ärmel, Schulter, Haptik des Stoffs, Transparenz, Farbe im Vergleich zum Bild, Qualitätsmangel, Transportschaden.
2. Verknüpfen. Jedes Signal Artikel, Farbe und Grösse zuordnen und die PIM-Attribute (Passformtyp, Zusammensetzung, Dehnbarkeit, Masse) sowie das zum jeweiligen Zeitpunkt aktive Bildset ergänzen.
3. Vergleichen. Artikel markieren, deren Retourenquote oder Beschwerdemix von vergleichbaren Artikeln derselben Kategorie, Passform und Preisklasse abweicht, nicht vom Gesamtdurchschnitt.
4. Erklären. Das Modell die Belege für jeden markierten Artikel mit Anzahlen und Beispielzitaten zusammenfassen lassen, damit ein Mensch sie in wenigen Minuten prüfen kann.
5. Weiterleiten. Jede Ursache einer verantwortlichen Stelle zuweisen: Grössentabelle und Attribute an das PIM-Team, Bilder und Texte an Content, Schnitt oder Gradierung an Design, Mängel an Beschaffung und Qualitätssicherung.
6. Messen. Die Retourenquote des korrigierten Artikels nach der Änderung mit seiner eigenen Historie und mit ähnlichen Artikeln vergleichen.

Welche Ursachen lassen sich in Produktdaten und Content beheben?

Viele Ursachen erfordern kein neues Kleidungsstück. Eine Grössentabelle, die bei einem Artikel Körpermasse und bei einem anderen Kleidungsmasse angibt, ein fehlender Hinweis, dass ein Artikel klein ausfällt, keine Angaben zu Grösse und Konfektionsgrösse des Models oder ein Bild, das eine Farbe zu hell wiedergibt: All das lässt sich innerhalb weniger Tage im PIM oder im Content-System korrigieren. Generative Tools können helfen, Passformhinweise umzuschreiben oder Texte zu markieren, die den Attributen widersprechen, sie sollten aber keine Masse erfinden; diese müssen aus der technischen Spezifikation stammen.

Andere Ursachen liegen weiter vorne in der Kette. Wiederholte Beschwerden über eine zu schmale Schulter bei mehreren Artikeln auf demselben Grundschnitt deuten auf ein Schnittproblem für das Design hin. Beschwerden über Pilling oder Nähte, die sich in einer Produktionscharge häufen, weisen auf ein Problem in Beschaffung und Qualität hin. Am wertvollsten ist die Analyse, wenn sie solche Muster über mehrere Saisons hinweg sichtbar macht, denn ein einzelner Artikel hat selten genug Retouren, um ein Muster allein zu belegen.

Wo liegen die Grenzen und Risiken der KI-gestützten Retourenanalyse?

• Kleine Stichproben. Ein Artikel mit wenigen Dutzend Retouren erzeugt überzeugend klingende Zusammenfassungen auf dünner Datenbasis. Zeigen Sie neben jeder Aussage die Anzahl an.
• Verzerrte Texte. In Bewertungen sind starke Meinungen überrepräsentiert; Retourenkommentare bleiben oft leer. Kombinieren Sie Quellen, statt sich auf eine einzige zu verlassen.
• Halluzinierte Ursachen. Ein Modell, das nach dem «Warum» gefragt wird, liefert immer eine Antwort. Verlangen Sie, dass es die verwendeten Kommentare zitiert, und lassen Sie einen Menschen bestätigen, bevor Änderungen live gehen.
• Datenschutz. Service-Chats und Kommentare können personenbezogene Daten enthalten. Entfernen oder pseudonymisieren Sie diese vor der Analyse und prüfen Sie die Rechtsgrundlage der Verarbeitung nach DSGVO.
• Betrug und Richtlinienmissbrauch. Die NRF schätzte, dass 2025 9 Prozent aller Retouren betrügerisch waren. Solche Retouren verfälschen die Produktsignale und sollten herausgefiltert werden, wo sie sich erkennen lassen.

Lesen Sie auch

Was bedeuten KI-Shopping-Agenten für die Websites und Produktfeeds von Modemarken?

Wie sollten Teams messen, ob die Korrekturen wirken?

Legen Sie die Kennzahl vor der Änderung fest: Retourenquote nach Artikel und Grösse, Anteil passformbezogener Gründe und Conversion auf der Produktseite, da bessere Informationen auch den Umsatz steigern können. Vergleichen Sie den geänderten Artikel mit seinem eigenen Zeitraum vor der Änderung und mit einer Kontrollgruppe ähnlicher, unveränderter Artikel, denn Saisonalität und Aktionen verändern Retourenquoten von sich aus. Die NRF prognostizierte für 2025 Retouren im US-Einzelhandel von insgesamt 849,9 Milliarden US-Dollar und schätzte, dass 19,3 Prozent der Online-Umsätze retourniert würden; in dieser Grössenordnung lohnen selbst moderate, belegte Verbesserungen bei Artikeln mit hohem Volumen den Analyseaufwand, allerdings nur, wenn jede Korrektur bis zum Ergebnis nachverfolgt und nicht bloss als Aktivität gemeldet wird.