Ein Schuhgeschäft in Köln verkauft im Oktober zu viele Winterstiefel und bestellt im März zu wenig Sandalen. Jedes Jahr. Nicht weil der Inhaber schlechte Entscheidungen trifft, sondern weil er Daten aus dem letzten Jahr mit Bauchgefühl kombiniert — und das reicht einfach nicht, um Wetteranomalien, veränderte Kaufgewohnheiten und Lieferengpässe gleichzeitig zu berücksichtigen.
Genau das ist das Versprechen von KI im Einzelhandel: nicht Magie, sondern bessere Entscheidungen auf Basis von Daten, die du ohnehin hast.
Drei Bereiche, in denen das konkret funktioniert — und ein ehrlicher Blick auf das, was es dafür braucht.
Produktempfehlungen: Was nach “Kaufen Sie auch…” steckt
Du kennst das von Amazon: “Kunden, die dieses Produkt gekauft haben, kauften auch…” Hinter dieser Zeile steckt ein Empfehlungsalgorithmus, der Kaufmuster analysiert und Zusammenhänge erkennt, die kein Mensch manuell finden würde.
Für Online-Händler ist das heute keine Enterprise-Technologie mehr. Tools wie Nosto, Clerk.io oder Shopify ermöglichen solche Empfehlungen auch für mittelgroße Shops — mit einem monatlichen Budget, das eher im dreistelligen Bereich liegt als im fünfstelligen.
Wie es funktioniert: Der Algorithmus analysiert, welche Produkte häufig zusammen angesehen oder gekauft werden, welche Artikel nach einer bestimmten Suchanfrage konvertieren, und welche Produkte Kunden mit ähnlichem Kaufverhalten interessieren. Das Ergebnis wird als personalisierte Sektion auf der Homepage, in der Produktdetailseite oder im Warenkorb angezeigt.
Was es dafür braucht: Ausreichend Transaktionsdaten. Als Faustregel gelten etwa 10.000 Transaktionen pro Monat als unterer Schwellwert für verlässliche Empfehlungen. Ein Laden mit 200 Verkäufen pro Monat wird keine guten Ergebnisse sehen — hier ist Empfehlungs-KI schlicht noch zu wenig Datenbasis vorhanden.
Für stationäre Händler ohne eigenen Online-Shop gibt es eine einfachere Variante: E-Mail-Personalisierung auf Basis der Kaufhistorie. Wer letzten Sommer Gartengeräte gekauft hat, bekommt im April einen personalisierten Newsletter. Das funktioniert mit Tools wie Klaviyo oder Mailchimp und braucht keine komplexe Integration.
Den vollständigen Usecase dazu findest du hier: Personalisierte Empfehlungen im Handel.
Bestandsprognosen: Weniger Ladenhüter, weniger leere Regale
Zu viel bestellt und das Lager voll mit Ware, die sich nicht verkauft. Oder zu wenig bestellt und der beliebteste Artikel ausverkauft, obwohl die Nachfrage steigt. Beides kostet Geld — und beides passiert in fast jedem Einzelhandelsunternehmen regelmäßig.
KI-gestützte Bestandsprognosen funktionieren, indem sie weit mehr Variablen einbeziehen als ein Mensch gleichzeitig verarbeiten kann. Historische Verkaufsdaten sind nur der Anfang. Dazu kommen Saisonalität, Wochentage, lokale Ereignisse, Wetterprognosen (relevant für Gartencenters, Modehändler und Sportgeschäfte), aktuelle Trends aus dem Web und manchmal sogar Social-Media-Signale.
Blue Yonder, Relex Solutions und Slim4 sind Beispiele für spezialisierte Planungssoftware, die im gehobenen Mittelstand und bei Großhändlern eingesetzt wird. Diese Systeme kosten Zehntausende Euro pro Jahr und brauchen ein Implementierungsprojekt — das ist kein Tool für den Einzelkämpfer.
Für kleinere Betriebe gibt es zugänglichere Wege. Inventory Planner (integriert in Shopify, WooCommerce und andere) bietet KI-gestützte Nachbestellvorschläge für überschaubare Monatsbeiträge. Brightpearl kombiniert Lagerverwaltung mit Forecasting. Diese Tools verlangen keine IT-Abteilung und liefern trotzdem deutlich bessere Prognosen als Tabellen.
Der ehrliche Vorbehalt: Bestandsprognosen sind nur so gut wie die Daten, die dahinterstecken. Wenn Verkaufsdaten lückenhaft sind, Retouren nicht erfasst werden oder Saisonaktionen nicht dokumentiert sind, wird die KI unzuverlässige Vorschläge liefern. Datenqualität kommt vor KI-Einsatz.
Kunden-Chatbots im Handel: Was sie leisten — und wo sie scheitern
“Wo ist meine Bestellung?” ist die häufigste Anfrage im Kundendienst von Online-Händlern. Eine Frage, die vollständig automatisierbar ist — wenn der Chatbot Zugriff auf das Bestellsystem hat.
KI-gestützte Chatbots im Einzelhandelskontext können heute mehr als FAQ-Antworten liefern. Sie verbinden sich mit dem Bestellsystem und geben Echtzeit-Status aus. Sie kennen das Produktsortiment und beraten bei Fragen zu Größen, Kompatibilität oder Verfügbarkeit. Sie leiten Retouren-Anfragen durch einen strukturierten Prozess. Sie eskalieren automatisch an einen menschlichen Mitarbeiter, wenn die Anfrage komplex wird.
Tools wie Tidio, Gorgias oder Zendesk sind für den E-Commerce-Bereich gebaut und lassen sich mit gängigen Shop-Systemen verbinden. Einen strukturierten Überblick bietet der Usecase Kundensupport-Chatbot im Handel. Der Implementierungsaufwand ist überschaubar — eine Woche für ein einfaches Setup, ein paar Wochen für eine vollständige Integration.
Was nicht gut funktioniert: Beratung bei komplexen, emotionalen Anfragen. Ein Chatbot, der einem enttäuschten Kunden erklärt, warum sein Weihnachtsgeschenk nicht rechtzeitig ankam, wird die Situation verschlimmern, nicht verbessern. Die Kunst liegt darin, die Grenze sauber zu ziehen: einfache, transaktionale Anfragen zum Chatbot, alles andere zu einem Menschen.
Und noch etwas, das oft vergessen wird: Ein Chatbot braucht Pflege. Sortiment ändert sich, Rückgaberegeln ändern sich, Kampagnen laufen an. Wer den Chatbot deployt und dann nie wieder anfasst, wird in drei Monaten einen Chatbot haben, der falsche Informationen liefert.
Was sich für wen rechnet
Kleine Händler bis 1 Million Euro Jahresumsatz bekommen den größten Hebel aus zwei Bereichen: E-Mail-Personalisierung auf Basis der Kaufhistorie und einfache Chatbot-Lösungen für Standard-Anfragen. Beides ist unter 200 Euro im Monat umsetzbar und liefert messbaren Return.
Ab etwa 5 Millionen Euro Umsatz wird Bestandsoptimierung interessant — hier sind die Kosten von Über- und Unterbeständen groß genug, um eine dedizierte Lösung zu rechtfertigen. Und ab dieser Größe hat man typischerweise auch die Datenmenge, die für verlässliche Prognosen nötig ist.
Produktempfehlungs-KI rechnet sich für Online-Händler mit ausreichendem Traffic ab einer Conversion-Rate-Verbesserung von einem Prozentpunkt. Bei einem Shop mit 50.000 Euro Monatsumsatz entspricht das 500 Euro zusätzlichem Umsatz pro Monat — bei Tools, die unter 200 Euro kosten. Das ist eine einfache Rechnung.
Was in fast jedem Fall lohnt: die bestehende Software auf vorhandene KI-Features prüfen. Viele Shopsysteme, E-Mail-Tools und CRM-Lösungen haben in den letzten zwei Jahren KI-Funktionen integriert, die im bestehenden Abo enthalten sind — und kaum jemand nutzt sie. Hier liegt oft der schnellste und günstigste Einstieg.
Du willst wissen, welche Tools für deinen konkreten Fall passen? Unser KI-Tools-Vergleich gibt dir eine Orientierung, und der Artikel zu KI einführen ohne zu scheitern zeigt dir, wie du den ersten Schritt strukturiert angehst.
Wenn du regelmäßig Praxisbeispiele aus dem Unternehmenseinsatz lesen möchtest, ist der KI-Syndikat Newsletter der richtige Ort dafür.