Retourenprognose und -prävention

Das echte Ausmaß des Problems

Eine Retoure kostet im deutschen E-Commerce im Schnitt 10 bis 20 Euro — Logistik, Prüfung, Wiederaufbereitung, Neueinlagerung, Kundenkommunikation zusammengerechnet. Für Mode und Schuhe liegt die Retourenquote bei 40 bis 60 Prozent, für Elektronik bei 15 bis 25 Prozent, für Möbel bei 10 bis 15 Prozent. Ein Mode-Shop mit 2 Millionen Euro Jahresumsatz und 50 Prozent Retourenquote verarbeitet Retouren im Wert von 1 Million Euro — bei Kosten von 10 bis 20 Euro je Retoure und angenommen 40 Euro Warenkorbwert sind das 25.000 Retouren/Jahr, Bearbeitungskosten von 250.000 bis 500.000 Euro.

Das Bundesverband E-Commerce und Versandhandel (bevh) beziffert die Gesamtkosten durch Retouren im deutschen E-Commerce auf über 7 Milliarden Euro jährlich. Die Besonderheit: Viele dieser Kosten sind nicht variabel senkbar, solange keine präventive Strategie existiert. Wer keine Prognose hat, behandelt jede Bestellung gleich — ohne zu wissen, dass Kunde A eine 80-prozentige Retourenwahrscheinlichkeit hat und Kunde B nur 10 Prozent.

Das führt zu irrationalen Maßnahmen: pauschale Versandkosten für alle, standardisierte Produktbeschreibungen ohne Passform-Hinweise, identische Fulfillment-Priorität für Hoch- und Niedrig-Risiko-Bestellungen. KI macht genau hier den Unterschied: Sie rechnet die Retourenwahrscheinlichkeit pro Bestellung voraus — und ermöglicht gezielte Präventionsmaßnahmen vor dem Versand.

So funktioniert es in der Praxis

Ein Retourenprognose-Modell arbeitet mit zwei Kategorien von Eingabedaten:

Produktsignale: Welche Produkte werden überproportional häufig zurückgeschickt? Oft sind es bestimmte Größen, Farben oder Produktvarianten — nicht das Produkt selbst. Ein T-Shirt in Größe XL wird mit 60 Prozent Quote retourniert, in Größe M nur mit 25 Prozent. Das Modell lernt diese Muster aus historischen Retourendaten und kann sie auf neue, noch nicht retournierte Bestellungen übertragen.

Kundensignale: Welche Kunden schicken überproportional viel zurück? Multi-Order-Kunden (bestellen mehrere Größen, behalten eine), First-Time-Käufer ohne Produkterfahrung, Kunden aus bestimmten Regionen oder mit bestimmten Gerätepräferenzen beim Kauf (Mobil vs. Desktop). Auch das Bestellverhalten innerhalb einer Session gibt Hinweise: Wer nach einem 30-Minuten-Vergleich kauft, gibt seltener zurück als wer nach 2 Minuten bestellt.

Präventionsmaßnahmen: Das Modell priorisiert nicht nur — es empfiehlt auch, was zu tun ist. Bei hoher Retourenwahrscheinlichkeit durch Größenunsicherheit: automatisch Größenberatungs-Widget einblenden oder personalisierten Größenhinweis in Bestätigungsmail ergänzen. Bei Kunden mit historisch hoher Multi-Return-Quote: Rückversandkosten-Aufklärung prominent einblenden. Bei bestimmten Produkten: Videoreview direkt in die Produktseite integrieren.

Der operative Ablauf: Historische Bestelldaten (mit Retourenmarkierung) werden für das Modelltraining aufbereitet. Das Modell berechnet für jede neue Bestellung im Moment des Kaufabschlusses einen Retourenwahrscheinlichkeitsscore. Dieser Score wird an das Shop-System übergeben und löst definierte Präventionsmaßnahmen aus.

Welche Tools passen hierzu

ReturnGO — spezialisierte Retourenmanagement-Plattform mit Prognosekomponente. Integration mit Shopify, WooCommerce. Neben der Vorhersage auch ein vollständiges Return-Portal für Kunden. Preise ab ca. 150 Euro/Monat.

Optio / Narvar Return — stärker auf Fulfillment und Logistik-Optimierung ausgerichtet, aber mit Retourenprognose-Modul. Gut für Händler, die auch die Logistik-Effizienz der Retourenabwicklung verbessern wollen. Preise auf Anfrage, typisch für größere Shops.

Eigenes Modell mit ChatGPT / Claude API + Python ML — für Shops mit Datenanalytik-Ressource: historische Bestelldaten in ein Gradient-Boosting-Modell (XGBoost) laden, Retourenwahrscheinlichkeit je Bestellung berechnen, Score per API an Shopware oder WooCommerce übergeben. Aufwand: 20–40 Entwicklerstunden; laufende Kosten unter 100 Euro/Monat. Vorteil: maximale Kontrolle und keine Abhängigkeit von einem SaaS-Anbieter.

Salesforce Commerce Cloud AI (für größere Shops) — integrierte Retourenprognosefunktion als Teil der Commerce-Cloud-Suite. Nur relevant für Shops, die bereits auf dieser Plattform laufen.

Was es kostet — realistisch gerechnet

SaaS-Lösung (ReturnGO oder vergleichbar):

• Kosten: 150–400 Euro/Monat
• Integrationsaufwand: 8–15 Stunden
• Erste Prognosen nutzbar: nach 2–4 Wochen Training

Eigene ML-Lösung:

• Entwicklungsaufwand: 15.000–30.000 Euro einmalig (Modellentwicklung, Integration, Dashboard)
• Laufende Kosten: unter 200 Euro/Monat
• Sinnvoll ab ca. 500.000 Euro Retourenabwicklungsvolumen/Jahr

ROI-Rechnung am Beispiel: Mode-Shop, 1,5 Millionen Euro Umsatz, 45 Prozent Retourenquote = 675.000 Euro Retourenvolumen, ca. 33.750 Retouren/Jahr à 15 Euro Bearbeitungskosten = 506.250 Euro Retourenkosten. Reduktion der Retourenquote um 12 Prozent durch Prävention: ~4.050 verhinderte Retouren, Einsparung 60.750 Euro/Jahr. SaaS-Kosten: 4.800 Euro/Jahr. Netto-Ersparnis: ca. 56.000 Euro/Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Retourendaten-Aufbereitung	Woche 1–2	Historische Bestelldaten mit Retourenmarkierung exportieren, Retourengründe kategorisieren	Retourengründe sind nicht systematisch erfasst — nur Gesamtquote bekannt, keine Detailanalyse möglich
Modell-Setup & Integration	Woche 2–5	Tool einrichten oder Modell entwickeln, Shop-Integration testen, Score-Übergabe validieren	Score-Übergabe an Shop-System technisch komplex — Middleware nötig
Präventionsmaßnahmen aktivieren	Woche 5–8	Scoring-basierte Maßnahmen live schalten (Größenwidget, Hinweismails, Produktbeschreibungen überarbeiten)	Maßnahmen zu generisch — gleiches Widget für alle Retourengründe statt differenziert
Auswertung & Kalibrierung	Ab Woche 8	Retourenquote vor/nach vergleichen, Präventionsmaßnahmen nach Effektivität bewerten	Zu früh gemessen — Saisonalität verzerrt den Vergleich

Häufige Einwände

„Wir kennen unsere Retourenquote — die ist schon immer so hoch und lässt sich nicht ändern.” Die Gesamtquote ist tatsächlich wenig handlungsbar. Das Interessante ist die Verteilung dahinter: In jedem Shop gibt es eine Handvoll Produkte oder Produktkombinationen, die überproportional zur Retourenquote beitragen. Bessere Produktbeschreibungen, zusätzliche Größentabellen oder ein Video erhöhen die Kaufsicherheit und senken die Retourenwahrscheinlichkeit direkt. Diese „Quick Wins” lassen sich ohne KI finden — aber mit KI schneller und systematischer.

„Retourenprävention bedeutet, Kunden das Rücksendrecht schwieriger zu machen.” Das ist nicht der Ansatz. Retourenprävention bedeutet, die Kaufentscheidung zu verbessern — mehr Informationen, bessere Visualisierung, passendere Empfehlungen — damit Kunden das kaufen, was sie wirklich behalten wollen. Das ist gut für den Kunden (weniger Aufwand mit Retouren) und gut für den Händler (weniger Kosten). Das gesetzliche Widerrufsrecht bleibt davon vollständig unberührt.

---

Wenn du wissen willst, welche Produkte in deinem Sortiment die höchste Retourenquote haben und warum, meld dich. Oft reicht ein strukturierter Blick in deine Bestelldaten, um die größten Hebel zu identifizieren — das braucht keine KI, sondern nur die richtigen Fragen an die richtigen Daten.