Retouren senken mit besseren KI-Produktdaten

Ein großer Teil der Retouren im deutschen Onlinehandel entsteht nicht, weil das Produkt schlecht ist, sondern weil die Erwartung vor dem Kauf nicht zur Lieferung passte. Genau an dieser Lücke setzen bessere Produktdaten an: präzisere Beschreibungen, vollständige Maß- und Materialangaben, realistische Abbildungen und verlässliche Größenhinweise. KI hilft dabei, diese Informationen überhaupt erst in der nötigen Breite zu erzeugen – sie ersetzt aber weder Produktkenntnis noch Qualitätskontrolle.

Die Größenordnung ist beachtlich. Der European Return-o-Meter der Forschungsgruppe Retourenmanagement an der Universität Bamberg um Dr. Björn Asdecker beziffert die Zahl der Retourensendungen in Deutschland für das Jahr 2021 auf rund 530 Millionen Pakete mit etwa 1,3 Milliarden Artikeln; laut der Mitteilung der Universität vom 7. September 2022 ging damit fast jedes vierte Paket zurück. Deutschland lag in dieser ersten europäischen Händlerbefragung an der Spitze.

Warum sind die Retourenquoten in Deutschland so hoch?

Die Bamberger Auswertung nennt drei strukturelle Gründe, die wenig mit der Produktqualität zu tun haben. Der Rechnungskauf ist hierzulande deutlich verbreiteter: 28,8 Prozent der Bestellungen wurden so bezahlt, gegenüber 9,9 Prozent im übrigen befragten EU-Raum. Die Rückgabefristen sind großzügiger – im Schnitt 51,7 Tage statt 28,1 Tage. Und 88,7 Prozent der deutschen Händler boten kostenlose Retouren an, verglichen mit 52,4 Prozent anderswo.

Das ist eine wichtige Einordnung, bevor man über Optimierung spricht: Ein Teil der deutschen Retourenquote ist gewolltes Ergebnis eines kundenfreundlichen Marktes. Die Auswahlbestellung – zwei Größen, drei Farben, eine bleibt – ist in bestimmten Sortimenten schlicht das übliche Kaufverhalten. Wer sie vollständig abschaffen will, verliert Umsatz. Das Ziel ist deshalb nicht die Retourenquote null, sondern die Reduktion der vermeidbaren Rücksendungen.

Welche Rücksendegründe lassen sich durch Informationen beheben?

Es lohnt sich, die Rücksendegründe in zwei Gruppen zu sortieren, denn nur eine davon ist ein Marketingproblem.

• Informationsprobleme: Passt nicht wie erwartet, Farbe wich vom Bild ab, Größe fiel anders aus, Material fühlte sich anders an, Funktionsumfang war unklar, Zubehör fehlte oder war nicht als separat erkennbar.
• Produkt- und Prozessprobleme: Ware defekt, falscher Artikel geliefert, Lieferung zu spät, Verpackung beschädigt.

Die zweite Gruppe löst kein Text und kein Bild. Die erste Gruppe dagegen ist fast vollständig eine Frage der Produktdatenqualität – und genau hier scheitern viele Sortimente an der schieren Menge. Ein Shop mit 20.000 Artikeln kann nicht für jeden Artikel manuell recherchieren, ob die Passform klein ausfällt oder welche Pflegehinweise gelten.

Was KI bei Produktdaten realistisch leisten kann

Der nüchterne Blick hilft hier mehr als Begeisterung. Sprach- und Bildmodelle sind gut darin, vorhandene, aber unzugängliche Informationen in nutzbare Form zu bringen. Sie sind schlecht darin, Informationen zu erfinden, die nirgends vorliegen – und genau das ist im Retourenkontext gefährlich.

Sinnvolle Einsatzfelder:

• Attribute vervollständigen: Aus Herstellerdatenblättern, PDFs und Freitextfeldern strukturierte Felder erzeugen – Material, Passform, Maße, Kompatibilität, Lieferumfang. Das ist Extraktion, nicht Erfindung.
• Beschreibungen vereinheitlichen: Tausende gewachsene Texte auf eine gemeinsame Struktur bringen, sodass Kundinnen und Kunden Informationen immer an derselben Stelle finden.
• Fehlende Angaben sichtbar machen: Eine Prüfung, welche Artikel keine Maßangabe, keinen Materialhinweis oder kein Detailbild haben, ist oft wirksamer als jeder neu geschriebene Text.
• Mehr und bessere Ansichten: Zusätzliche Perspektiven, Detailaufnahmen und Darstellungen im Anwendungskontext reduzieren die Zahl der Überraschungen beim Auspacken.
• Rezensionen und Serviceanfragen auswerten: Wiederkehrende Hinweise wie „fällt eine Nummer kleiner aus" stehen häufig schon in den Bewertungen – sie müssen nur systematisch gefunden und in die Produktseite überführt werden.

Grenzen, die man kennen muss: Ein generierter Satz über Passform oder Materialstärke, der nicht auf einer belegten Quelle beruht, erhöht die Retourenquote, statt sie zu senken – und kann wettbewerbsrechtlich als irreführende Angabe angreifbar sein. Bei generierten Produktbildern gilt dasselbe in verschärfter Form: Eine Darstellung, die den tatsächlichen Artikel schöner, anders proportioniert oder anders gefärbt zeigt, produziert exakt die Erwartungslücke, die man schließen wollte.

Größenberatung: der Hebel mit dem größten Effekt

In Bekleidung und Schuhen liegen die Rücksendequoten deutlich über dem Durchschnitt aller Warengruppen – belastbare, aktuelle Einzelwerte je Kategorie veröffentlichen die wenigsten Händler, das Muster ist aber unstrittig. Der wirksamste Ansatz ist selten ein neuer Text, sondern eine artikelgenaue Größentabelle plus ein Hinweis, wie der Artikel im Vergleich zur Norm ausfällt. Beides lässt sich aus Herstellerangaben, Rücksendegründen und Bewertungen ableiten, wenn diese Daten überhaupt zusammengeführt werden.

Was eine Retoure tatsächlich kostet

Die Bamberger Studie hat auch mit einer verbreiteten Zahl aufgeräumt: Die reinen Transport- und Bearbeitungskosten je retourniertem Artikel lagen im Durchschnitt bei rund 2,85 Euro – deutlich weniger als die oft genannten zehn bis fünfzehn Euro. Das ist allerdings nur ein Teil der Rechnung. Nicht enthalten sind Wertverluste bei nicht mehr als neuwertig verkäuflicher Ware, gebundenes Kapital, Lagerfläche, Kundendienstaufwand und der Deckungsbeitrag, der bei einer Rücksendung ganz entfällt.

Für die interne Argumentation ist deshalb die Rechnung je Warengruppe entscheidend, nicht ein Branchendurchschnitt. Eine hochpreisige Modeartikel-Retoure mit Saisonabwertung ist ein völlig anderer Fall als eine Retoure im Standardsortiment, die am nächsten Tag wieder verkauft wird.

Ein pragmatischer Ablauf vor dem vierten Quartal

1. Rücksendegründe der letzten zwölf Monate nach Warengruppe auswerten und in „Informationsproblem" und „Produkt-/Prozessproblem" trennen.
2. Die zwanzig Artikel mit den höchsten absoluten Retourenkosten identifizieren – nicht die mit der höchsten Quote.
3. Für diese Artikel prüfen, welche Angaben auf der Produktseite fehlen, und die Lücken schließen.
4. Die gefundenen Muster auf das restliche Sortiment übertragen und dort automatisiert anwenden.
5. Nach acht bis zwölf Wochen erneut messen – idealerweise gegen eine unveränderte Vergleichsgruppe, sonst sind Saisoneffekte nicht von der Wirkung zu trennen.

Der frühe Herbst ist für dieses Vorgehen der günstigste Zeitpunkt im Jahr. Die Rücksendungen des zurückliegenden Weihnachtsgeschäfts sind vollständig verarbeitet und ausgewertet, gleichzeitig bleibt genug Vorlauf, damit ergänzte Produktdaten vor dem umsatzstärksten Quartal tatsächlich live sind. Wer erst im November beginnt, ändert Produktseiten mitten in der Hauptsaison – mit dem doppelten Risiko, Fehler einzubauen und keine saubere Messung mehr zu bekommen.

Für die Messung selbst gilt eine Einschränkung, die man vorab aussprechen sollte: Das vierte Quartal ist wegen Geschenkkäufen, Aktionsrabatten und verlängerten Rückgabefristen kein repräsentativer Vergleichszeitraum. Die Wirkung der Maßnahmen lässt sich sauber erst gegen eine unveränderte Vergleichsgruppe im selben Zeitraum beurteilen, nicht im Vorjahresvergleich.

Häufige Fragen

Senken KI-generierte Produkttexte automatisch die Retourenquote?

Nein. Wirksam ist nicht der generierte Text an sich, sondern der zusätzliche Informationsgehalt. Ein flüssiger Werbetext ohne Maße, Material und Passformhinweis ändert an der Erwartungslücke nichts. Entscheidend ist, dass fehlende Fakten ergänzt werden – und dass sie stimmen.

Sind KI-generierte Produktbilder rechtlich unproblematisch?

Nur, solange sie den tatsächlichen Artikel zutreffend abbilden. Irreführende Darstellungen sind nach dem Gesetz gegen den unlauteren Wettbewerb angreifbar, unabhängig davon, wie das Bild entstanden ist. Hinzu kommt: Ab dem 2. August 2026 greifen die Transparenzpflichten nach Artikel 50 der EU-KI-Verordnung, die eine Erkennbarkeit künstlich erzeugter Inhalte verlangen. Wer generierte Bilder einsetzt, sollte die Kennzeichnung jetzt vorbereiten.

Welche Kennzahl eignet sich zur Erfolgsmessung?

Nicht die Retourenquote allein, sondern die Retourenkosten je hundert Euro Umsatz und Warengruppe. Diese Kennzahl bildet ab, dass eine hohe Quote im günstigen Sortiment weniger wehtut als eine mittlere Quote bei hochpreisigen, schnell abwertenden Artikeln – und sie verhindert, dass Maßnahmen mit hoher Sichtbarkeit, aber geringem Ergebnisbeitrag Vorrang bekommen.

Wer die Rücksendegründe des vergangenen Jahres jetzt systematisch auswertet, geht mit einer belastbaren Prioritätenliste in die Hauptsaison – und weiß, an welchen Stellen im Sortiment sich Aufwand in Produktdaten wirklich rechnet. Der Unterschied zu den meisten Retourenprojekten liegt genau darin: nicht das gesamte Sortiment verbessern, sondern die zwanzig Artikel, bei denen jede vermiedene Rücksendung unmittelbar auf das Ergebnis durchschlägt.