KI-Analyse von Kassendaten für Sortiments- und Flächenoptimierung

Das echte Ausmaß des Problems

In deutschen Einzelhandelsketten mit 3 bis 30 Filialen produziert jede Kasse täglich Hunderte bis Tausende Transaktionsdatensätze. Das sind nicht abstrakte Zahlen, das sind exakte Aufzeichnungen, wer was wann zusammen kauft, welche Produktkombinationen immer wieder zusammen im Kassenbon auftauchen, und welche Artikel in einer Filiale gut laufen, in der Filiale drei Straßen weiter aber nicht.

Diese Daten liegen vor. Sie werden kaum genutzt.

Laut einer Analyse von Quantzig erzielte ein mittelgroßer Facheinzelhändler nach der Einführung eines datengestützten Retail-Analytics-Systems eine Steigerung der Verkaufsmarge um 10 Prozent, allein durch gezieltere Sortimentsentscheidungen und Aktionsplanung auf Basis von POS-Transaktionsdaten (Quantzig, „Retail Performance Analytics”, 2024). RELEX Solutions berichtete, dass der finnische Einzelhändler Puuilo nach der Einführung automatisierter Bestell- und Sortimentsanalyse auf POS-Basis den Lagerbestand vergleichbarer Artikel um 4,5 Prozent senken und die routinemäßige Bestellarbeit im Lager um bis zu 30 Prozent reduzieren konnte (RELEX Solutions, Puuilo Case Study, 2024).

Was fehlt, ist nicht die Datengrundlage, die haben die meisten. Was fehlt, ist die Auswertung:

• Warenkorbanalyse: Welche Artikel kaufen Kunden systematisch zusammen? Was sollte nebeneinander stehen, damit mehr davon verkauft wird?
• Flächenproduktivität: Welche SKUs belegen überproportional viel Regalfläche gemessen an ihrem Beitrag zu Umsatz und Marge?
• Filialvergleich: Welche Produkte laufen in Filiale A deutlich besser als in Filiale B, und warum? Ist das ein Sortimentsproblem, ein Platzierungsproblem, oder ein demografisches Einzugsgebietsproblem?
• Tagesprofile: Wann kaufen welche Kundengruppen? Welche Stunden sind echte Kaufstunden, und welche sind nur Laufkundschaft ohne Umsatz?

Erfahrungsgemäß läuft in einem typischen Fachhandel mit 500 bis 2.000 SKUs eine stille Drift: Produkte, die vor drei Jahren Renner waren, schleichen sich in die Regale zurück, obwohl die Nachfrage schon lange abgeflacht ist. Gleichzeitig werden Cross-Selling-Potenziale übersehen, die sich aus echten Kaufmustern ergeben würden, nicht aus dem Lieferantengespräch.

Mit vs. ohne KI, ein ehrlicher Vergleich

Werte basieren auf Erfahrungsberichten aus Handelsanalyse-Projekten bei Händlern mit 3–20 Filialen und 300–2.000 SKUs (Stand 2024–2025). Keine repräsentative Studie, aber konsistente Beobachtungen.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Der größte sofortige Hebel liegt im Reporting: Was Category Manager heute 4–8 Stunden wöchentlich kostet, POS-Export laden, Excel-Tabellen bauen, Pivot-Auswertungen manuell anfertigen, kann mit einem automatisierten Dashboard auf 30 Minuten Durchsicht geschrumpft werden. Das ist echter Zeitgewinn, nicht theoretisch. Nicht die größte Zeitersparnis in der gesamten Handelskategorie (direkte Automationen wie die automatisierte Nachbestellung bei Schnelldrehern laufen vollständig ohne manuelle Prüfung), aber solide im oberen Bereich.

Kosteneinsparung, mittel (3/5) Der direkte ROI kommt aus zwei Quellen: Reduktion von Lagerhütern (tote Fläche, gebundenes Kapital) und besseres Cross-Merchandising (Mehrverkauf ohne Mehraufwand). Beides ist real, aber es setzt voraus, dass die Erkenntnisse auch umgesetzt werden. Viele Händler erkennen durch die Analyse ihre schwachen SKUs, zögern aber beim Auslistungsentscheid. Die Kosteneinsparung entsteht erst durch Handeln, nicht durch Wissen.

Schnelle Umsetzung, hoch (4/5) Ein erster Einblick aus einem CSV-Export ist ohne jede IT-Infrastruktur möglich: Kassenexport herunterladen, in Julius AI oder ChatGPT hochladen, fragen. Das erste Bild entsteht in 1–3 Tagen. Ein produktiver Workflow mit wöchentlichen Automatisierungen braucht 4–6 Wochen. Im Vergleich zu hardware-abhängigen Handelslösungen (Regalüberwachung per Kamera, Besucherstromanalyse) ist das sehr schnell.

ROI-Sicherheit, mittel (3/5) Der Effekt ist messbar, aber er ist selten sauber isolierbar. Wenn nach einer Regalneuordnung auf Basis der Warenkorbanalyse der Umsatz in der betroffenen Kategorie um 8 Prozent steigt, war das die Analyse, eine laufende Aktion, das Wetter, oder eine Preisänderung des Lieferanten? Kausalität ist schwer zu belegen. Wer die Erkenntnisse in kontrollierten A/B-Tests umsetzt (zwei Filialen als Testgruppe, zwei als Kontrollgruppe), kann Kausalität deutlich besser belegen, aber das erfordert organisatorische Disziplin.

Skalierbarkeit, mittel (3/5) Mehr Filialen und mehr SKUs liefern reichhaltigere Muster und bessere statistische Absicherung. Aber: Jede neue Filiale bringt auch potenzielle Dateninkonsistenzen mit sich, unterschiedliche Kassensysteme, abweichende Artikel-IDs, verschiedene Produktgruppen-Zuordnungen. Die Analyse skaliert nicht automatisch sauber; sie skaliert nur so gut wie die Datenqualität darunter.

Richtwerte, stark abhängig von Sortimentstiefe, Filialanzahl und Qualität der Kassendaten.

Was die Kassendaten-Analyse konkret macht

Der technische Kern heißt Warenkorbanalyse oder Market Basket Analysis, ein Verfahren aus dem Bereich Machine Learning, das in großen Transaktionsdatenmengen nach Kaufmustern sucht: Welche Artikel tauchen überdurchschnittlich häufig im selben Kassenbon auf?

Das Verfahren arbeitet mit drei Kennzahlen:

• Support: Wie oft erscheint diese Produktkombination überhaupt? (Mindest-Schwelle, damit das Muster relevant ist)
• Confidence: Wenn Artikel A gekauft wird, wie hoch ist die Wahrscheinlichkeit, dass auch Artikel B dabei ist?
• Lift: Ist diese Kombination stärker als der Zufall erklären würde? Ein Lift > 1 zeigt echte Affinität.

Ein Beispiel: In einem Baumarkt-ähnlichen Sortiment taucht die Kombination „Wandfarbe + Abdeckfolie + Malerkrepp” in 34 Prozent aller Transaktionen mit Wandfarbe auf. Confidence: 34 Prozent. Lift: 2,8, das heißt, diese Kombination ist fast dreimal häufiger als statistisch zu erwarten. Schlussfolgerung: Die drei Produkte sollten nebeneinander stehen, idealerweise als Display gebündelt.

Neben der reinen Warenkorbanalyse kann die KI aus POS-Daten noch weitere Auswertungen liefern:

Flächenproduktivität: Verglichen werden SKUs nach dem Muster: Wie viel Regalfläche belegt dieses Produkt? Wie viel Umsatz oder Deckungsbeitrag bringt es je Quadratzentimeter? Produkte mit schlechtem Verhältnis (hohe Fläche, niedriger Deckungsbeitrag) sind Kandidaten für Auslistung oder Flächenreduktion.

Filialvergleich und Kannibalisierung: Läuft eine Produktgruppe in Filiale A deutlich besser als in Filiale B? Was unterscheidet die Regalsituation, das Einzugsgebiet oder den Promotionskalender der beiden Standorte? Das System macht die Abweichungen sichtbar, die Ursachenanalyse bleibt beim Einkäufer. Eine verwandte, tiefer gehende Perspektive auf Promotions-Überlagerungen bietet der Anwendungsfall Promotions-Kannibalisierungserkennung.

Zeitprofile: Wann kauft welche Kundengruppe? Frühmorgens vor der Arbeit andere Artikel als mittags oder am Samstagabend? Diese Erkenntnisse fließen in Tagesaktionen, Bestückungszeiten und Personaleinsatz ein, dazu der ergänzende Anwendungsfall KI-gestützte Mitarbeitereinsatzplanung im Handel.

Datenqualität als Voraussetzung

Hier liegt der am häufigsten unterschätzte Fallstrick: Die Warenkorbanalyse ist so gut wie die Kassendaten darunter. Und Kassendaten sind in der Praxis selten sauber.

Typische Probleme, die du vor dem Start klären musst:

Inkonsistente Artikel-IDs. Wurde ein Produkt im Laufe der Zeit unter mehreren Nummern geführt? Wurde eine Variante (z. B. 1-Liter- und 5-Liter-Packung desselben Produkts) als zwei verschiedene SKUs erfasst, obwohl sie analytisch dieselbe Nachfrage abbilden? Dann spiegelt die Analyse zwei getrennte Produkte mit niedrigem Support, obwohl das kombinierte Volumen groß wäre.

Retouren und Stornos. Werden zurückgebuchte Artikel in deinem Export als Negativposten geführt oder fehlen sie komplett? Stornierte Transaktionen, die nicht bereinigt werden, verfälschen Frequenzwerte und erscheinen als echte Kaufmuster.

Aktionsartikel als Ausreißer. Ein Saisonartikel, der vier Wochen lang stark beworben wurde, hinterlässt einen auffälligen Kaufpeak, der in einer kumulierten Analyse wie ein starkes Dauermuster aussieht, obwohl es ein einmaliger Promotion-Effekt war. Aktionskalender und Kassendaten müssen zusammen betrachtet werden.

Fehlende Produktgruppen-Hierarchie. Ohne eine saubere Hierarchie (Warengruppe → Untergruppe → SKU) ist die Analyse auf Artikel-Ebene nicht aggregierbar, du kannst nicht sehen, ob „Süßwaren allgemein” gut laufen, wenn jeder Artikel als isolierte SKU erfasst ist.

Empfehlung: Führe vor dem KI-Einsatz eine 30-minütige Datensichtung durch:

1. Wie viele eindeutige Artikel-IDs gibt es, und wie viele davon sind aktiv (in den letzten 90 Tagen verkauft)?
2. Gibt es Dopplungen oder Varianten, die zusammengeführt werden sollten?
3. Sind Retouren und Stornos im Export-Format als solche erkennbar?
4. Gibt es einen Aktionskalender, der parallel zur Kassenanalyse geführt wird?

Diese vier Fragen zu beantworten kostet einen Nachmittag, und verhindert, dass die KI-Analyse Woche eins lang scheinbar plausible, aber faktisch inkorrekte Muster liefert.

Konkrete Werkzeuge, was wann passt

Der richtige Einstieg hängt davon ab, was du heute schon hast und wie tief du gehen willst.

Julius AI, wenn du ohne IT-Einbindung starten willst Du lädst den POS-Export als CSV hoch, stellst Fragen in natürlicher Sprache, auf Deutsch oder Englisch, und bekommst Visualisierungen und Musteranalysen zurück. Julius schreibt intern Python-Code, führt ihn aus und erklärt die Ergebnisse. Keine Programmierkenntnisse nötig. Erster Einblick in Kaufmuster in unter zwei Stunden. Einschränkung: Datenhaltung in den USA (San Francisco), Kassendaten mit Kundendaten vorher anonymisieren oder bereinigen. Freemium: kostenloses Einsteiger-Kontingent reicht für Tests, Plus-Plan bei 20 USD/Monat für regelmäßige Nutzung.

ChatGPT Advanced Data Analysis, wenn du bereits ChatGPT Plus hast Das Tool kann mit dem integrierten Code Interpreter CSV-Dateien analysieren, Assoziationsregeln berechnen, Charts erstellen und Muster in natürlicher Sprache erklären. Kein Setup, kein Extrapreis für ChatGPT-Plus-Nutzer (20 USD/Monat). Schwäche: keine dauerhafte Speicherung oder Automatisierung, jede Session startet neu. Gut für explorative Erstanalyse, nicht für wöchentliche Routineauswertungen.

Microsoft Power BI, wenn du regelmäßige Dashboards und Filialvergleiche willst Power BI verbindet sich direkt mit deinen POS-Datenquellen, aktualisiert Dashboards täglich oder wöchentlich automatisch und erlaubt Filialvergleiche auf Klick. Die Q&A-Funktion (natürlichsprachige Abfragen auf Deutsch) ist im Pro-Plan enthalten. Vorteil: EU-Datenhosting über Microsoft 365 EU Data Boundary möglich. Einrichtungsaufwand höher als Julius oder ChatGPT, rechne mit 2–4 Wochen für ein vollständiges Kassendaten-Dashboard, das automatisch läuft. Kosten: Power BI Desktop kostenlos (Windows), Pro ab 12,10 €/Nutzer/Monat.

Looker Studio, wenn du kostenlos mit Google-Tabellen arbeiten willst Kostenlos, browserbasiert, keine Windows-Pflicht wie Power BI. Ideal, wenn dein POS-System Exporte in Google Sheets einspeisen kann oder wenn du Daten manuell monatlich hochladen möchtest. Tiefe KI-Analyse (wie Assoziationsregeln) muss vorher in Julius AI oder ChatGPT laufen, Looker Studio ist das Visualisierungs-Frontend, kein Analyse-Backend. Datenhaltung in den USA, AVV von Google verfügbar.

Zusammenfassung: Wann welcher Ansatz

• Schneller erster Einblick ohne IT → Julius AI oder ChatGPT Advanced Data Analysis
• Regelmäßige Dashboards, Filialvergleiche, EU-Hosting → Power BI
• Kostenloses Visualisierungs-Frontend für manuell gepflegte Daten → Looker Studio
• Enterprise-Ansatz mit ERP-Integration und automatischen Datenflüssen → Power BI mit direkter POS-Datenbankverbindung oder externer BI-Beratung

Datenschutz und Datenhaltung

POS-Daten enthalten typischerweise keine personenbezogenen Daten auf Einzeltransaktionsebene, solange keine Kundenkarte, kein Loyaltyprogramm und kein gespeichertes Zahlungsmittel mit der Transaktion verknüpft ist. In diesem Fall sind die Daten: Datum, Uhrzeit, Filiale, Kassenbon-Nummer, Artikel-ID, Menge, Preis. Kein Name, keine Adresse, kein Bezug zu einer natürlichen Person.

Das ändert sich, wenn:

• Kundenkarten-Daten einbezogen werden (dann: personenbezogene Daten, DSGVO gilt vollumfänglich)
• Zahlungsmittel-IDs wie Kreditkartennummern oder IBAN-Referenzen im Export auftauchen
• Zeitstempel so präzise sind, dass sie eine Person über Standortdaten identifizierbar machen

Für reine Sortiments- und Warenkorbanalyse ohne Kundenbezug ist das DSGVO-Risiko überschaubar. Trotzdem gilt: Wer Daten an externe KI-Dienste wie Julius AI (US-Hosting) übergibt, sollte sicherstellen, dass die Daten keine unbeabsichtigten Kundenbezüge enthalten. Standard-Vorsichtsmaßnahme: Kundenkarten-IDs aus dem Export entfernen oder anonymisieren, bevor die Datei in ein Cloud-Tool hochgeladen wird.

Für Analysen mit direktem Kundenbezug (Loyaltyprogramm, personalisiertes Merchandising) gelten die üblichen Anforderungen: Auftragsverarbeitungsvertrag (AVV) mit dem Tool-Anbieter, Datenhaltung prüfen, ggf. Datenschutz-Folgenabschätzung wenn Profiling-Charakter gegeben ist.

Praktisches Vorgehen:

• Kundenkarten-IDs aus dem CSV-Export entfernen (oder durch Pseudonyme ersetzen), dann ist die Datei für Sortimentsanalyse DSGVO-unkritisch
• Power BI mit EU Data Boundary: Verarbeitung in der EU nachweisbar, AVV über M365-Vertrag abgedeckt
• Julius AI: DPA (Datenverarbeitungsvertrag) auf Anfrage erhältlich; US-Hosting bleibt Fakt, für anonymisierte Kassendaten akzeptabel, für Loyaltydaten nicht

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Erste explorative Analyse aus einem CSV-Export: praktisch null (kostenlose Tools, 2–4 Stunden Eigenaufwand)
• Dashboard-Einrichtung mit wöchentlichem Update-Rhythmus: 2–4 Wochen interner Aufwand (oder 1.500–4.000 Euro externer Einrichtungsaufwand, je nach POS-System und gewünschtem Automatisierungsgrad)
• Datenbereinigungs-Aufwand (Artikel-IDs konsolidieren, Retouren-Handling klären): erfahrungsgemäß 3–8 Stunden, die aber ohnehin in bessere Datenpflege investiert sind

Laufende Kosten (monatlich)

• Julius AI Plus: 20 USD/Monat (reicht für Einzelnutzer, wöchentliche Analysen)
• ChatGPT Plus (falls noch nicht vorhanden): 20 USD/Monat
• Power BI Pro: 12,10 €/Nutzer/Monat (mit EU-Hosting, für regelmäßige Team-Dashboards)
• Looker Studio: kostenlos

Wie du den Nutzen tatsächlich misst Der ehrlichste Beweis ist nicht eine Hochrechnung, es sind zwei Filialen. Setz eine Regalneuordnung auf Basis der Warenkorbanalyse in zwei Testfilialen um. Vergleiche die Umsatzentwicklung der betroffenen Kategorie vier Wochen lang mit zwei Kontroll-Filialen, die unverändert bleiben. Das ist kein wissenschaftliches Experiment, aber ein nachvollziehbarer interner Beleg. Wenn die Testfilialen +5 bis +10 Prozent in der Kategorie zeigen und die Kontroll-Filialen nicht, hast du einen Wirkungsnachweis.

Was du dagegenrechnen kannst Drei Category Manager, die je 5 Stunden wöchentlich weniger für manuelle Reportingarbeit aufwenden: 15 Stunden pro Woche. Bei einem Bruttostundensatz von 20–30 Euro macht das 300–450 Euro wöchentlich, ca. 1.200 bis 1.800 Euro monatlich. (Orientierungswert nach Destatis-Verdienstdaten Einzelhandel 2024.) Dazu kommen die Erträge aus besserer Sortimentssteuerung, die sich schwerer direkt beziffern lassen. Die reine Zeitersparnis amortisiert ein einfaches Julius AI-Setup in wenigen Wochen.

Typische Einstiegsfehler

1. Die Analyse läuft über zu viele Monate auf einmal. Wer alle verfügbaren Kassendaten der letzten zwei Jahre auf einmal analysiert, bekommt Durchschnittsmuster, die saisonal verzerrt sind. Die Warenkorbanalyse aus dem Dezember (Glühwein + Lebkuchen) gilt im Juli nicht mehr, und umgekehrt. Besser: Rollierend drei Monate analysieren, saisonal getrennt.

2. Schlechte Assoziationen werden übersehen, gute werden überinterpretiert. Ein häufiger Fehler ist, die Lift-Kennzahl zu ignorieren und nur auf den Support zu schauen. “Brot und Butter werden oft zusammen gekauft” hat hohen Support, aber einen Lift nahe 1, das ist keine echte Affinität, sondern statistischer Zufall (beide sind Grundbedarfsartikel). Echter Cross-Selling-Wert steckt in Paarungen mit Lift > 1,5 und moderatem Support.

3. Erkenntnisse werden an den Einkäufer weitergegeben, aber nicht umgesetzt. Das ist der häufigste und teuerste Fehler. Die Analyse identifiziert 14 SKUs mit schlechter Flächenproduktivität. Der Einkäufer steckt das Ergebnis in einen Ordner. Sechs Monate später sind alle 14 noch im Sortiment. Lösung: Jede Analyserunde endet mit einer priorisierten Liste von maximal drei konkreten Maßnahmen, und einem Namen, der für jede Maßnahme verantwortlich ist.

4. Das System läuft, aber niemand pflegt die Basisdaten. Das ist der Wartungsfehler, der stille Schäden anrichtet. Wenn neue Artikel eingeführt werden, ohne dass sie in der Produkthierarchie korrekt eingehängt werden; wenn Lieferantenwechsel zu neuen Artikel-IDs ohne Mapping führen; wenn eine Filiale umzieht und ihre Datensätze plötzlich eine andere Filial-ID trägt, dann degradiert die Analyse langsam, ohne dass jemand es merkt. Die Erkenntnisse klingen weiterhin plausibel, sind aber zunehmend inkorrekt. Einmal pro Quartal: Datenbasis-Check. Fünf Minuten, die viel verhindert.

Realistischer Zeitplan mit Risikohinweisen

Was mit der Einführung wirklich passiert, und was nicht

Kassendaten-Analyse klingt technisch, aber die meisten Widerstände sind menschlich. Drei Muster begegnen dir fast immer:

Der Category Manager sieht seine Erfahrung infrage gestellt. Wenn ein Tool auf einmal zeigt, dass Produkt A und B nie zusammen gekauft werden, obwohl er das 15 Jahre lang so eingekauft hat, ist die erste Reaktion selten Neugier, sondern Abwehr. „Das Modell kennt unsere Kunden nicht.” Das ist manchmal sogar berechtigt. Weg damit umzugehen: Zeig die Analyse zuerst bei Mustern, die er ohnehin kennt. „Das Modell bestätigt, was du weißt, jetzt schauen wir, was es noch findet.” Wenn KI die Erfahrung zuerst bestätigt, wird sie als Werkzeug akzeptiert, nicht als Konkurrenz.

Der Einkäufer fühlt sich durch KI-Empfehlungen in die Enge getrieben. „Das System sagt, ich soll Lieferant X ausflisten”, aber er hat eine 12-Jahres-Beziehung und gerade erst Jahresbonusverhandlungen. Wenn du KI-Erkenntnisse als Handlungsanweisung präsentierst, erzeugst du Gegenwehr. Wenn du sie als zweite Meinung einrahmst, „das Modell sieht ein Abverkaufsproblem, wie siehst du das?”, bleibt die Entscheidungshoheit beim Menschen. Das ist kein Trick, das ist die realistische Grenze von Korrelationsanalyse: die KI weiß nicht, warum das Muster so ist. Der Einkäufer schon.

IT und Controlling streiten über Datenhoheit, bevor der erste Export raus ist. Wer darf die Kassendaten exportieren? In welchem Format? An wen geht das Dashboard? Solche Fragen sind oft ungeklärt und treten erst auf, wenn du konkret anfragen möchtest. Wenn du sie unvorbereitet triffst, stoppt das Projekt sofort. Klär diese Punkte vor dem ersten Export, eine kurze E-Mail mit cc: an alle Beteiligten reicht in den meisten Fällen. Ein Sponsor auf Geschäftsleitungsebene, der das Vorhaben kennt, ist die beste Versicherung gegen solche Blockaden.

Was nicht passiert: dass das Team sofort begeistert ist und die Analyse ab Woche eins nutzt. Typisch ist ein 6–8-Wochen-Lernzyklus, in dem die ersten Ergebnisse skeptisch kommentiert, einzelne Muster manuell gegengeprüft und dann langsam als plausibel anerkannt werden. Das ist normal und kein Zeichen, dass etwas falsch läuft.

Häufige Einwände, und was dahintersteckt

„Unsere Kassendaten sind ein Chaos, das kann man nicht analysieren.” Das ist der häufigste Einwand, und er enthält einen wahren Kern. Wenn Artikel-IDs inkonsistent sind, Varianten als separate SKUs laufen und Retouren nicht sauber markiert sind, ist direkter KI-Einsatz verfrüht. Aber: Die Analyse zu beginnen ist gleichzeitig der beste Weg, das Chaos sichtbar zu machen. Die erste Analyserunde zeigt dir genau, wo die Datenpflege-Probleme stecken, und damit, wo du anfangen musst. Das ist wertvoller als jedes interne Audit.

„Wir wissen schon aus Erfahrung, was zusammen gekauft wird.” Manchmal stimmt das. Aber Erfahrung hat einen systematischen Fehler: Sie gewichtet unverhältnismäßig stark das, was zuletzt passiert ist, was ein Lieferant präsentiert hat, oder was optisch auffällt. Kassenanalysen überraschen regelmäßig Einkäufer mit Mustern, die niemand intuitiv vermutet hatte, und sie zeigen gleichzeitig, wie stark bewährte Annahmen in einzelnen Filialen einfach nicht gelten. Erfahrung und Daten sollten sich ergänzen, nicht konkurrieren.

„Dafür brauchen wir einen Analysten.” Das stimmte 2019. Heute lädt Markus Danner den CSV-Export in Julius AI hoch und tippt: „Welche Produktpaare kaufen Kunden am häufigsten zusammen? Zeig mir die Top-20 nach Lift-Wert.” Er bekommt eine Tabelle in drei Minuten. Der nächste Schritt, Interpretation und Entscheidung, bleibt menschlich. Aber der Schritt, der früher einen Analysten brauchte, ist jetzt ein Upload und eine Frage.

„Die Ergebnisse könnten sich saisonal täuschen.” Das ist kein Einwand, sondern ein korrekter Hinweis. Kassendaten aus dem Dezember sind kein verlässlicher Prediktor für das Sommergeschäft. Deshalb: Analysen immer mit klar definiertem Zeitfenster laufen lassen, und saisonal getrennt auswerten. Wer das nicht tut, bekommt verzerrte Muster. Wer es tut, bekommt die besten verfügbaren Signale für die nächste Saison. Mehr dazu im Anwendungsfall Saisonplanung mit KI-Unterstützung.

Woran du merkst, dass das zu dir passt

• Du hast ein POS-System mit CSV-Export und mindestens 3 Monate Transaktionshistorie, das reicht für erste belastbare Muster
• Dein Sortiment hat mehr als 200 aktive SKUs in mindestens 3 Warengruppen, darunter ist die Warenkorbanalyse statistisch zu schwach
• Deine Sortiments- und Flächenentscheidungen laufen heute nach Erfahrung und Lieferantengespräch, du weißt, dass da Potenzial liegt, kannst es aber nicht quantifizieren
• Du hast mehr als eine Filiale, Filialvergleiche sind einer der wertvollsten Output der POS-Analyse
• Du hast jemanden, der die Erkenntnisse auch umsetzen kann, ein Einkäufer oder Category Manager mit der Befugnis, Regallayouts zu ändern und Auslistungen zu entscheiden

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 200 aktiven SKUs in weniger als 3 Warengruppen. Bei einem sehr fokussierten Sortiment sind die Transaktionsmengen pro Produktpaar zu gering für statistisch stabile Assoziationsregeln. Die Ergebnisse sind rauschend, und du kennst dein Sortiment eh gut genug, um ohne Algorithmus zu entscheiden.

2. Kassendaten werden nicht filialweise getrennt erfasst oder die Artikel-IDs sind über verschiedene Kassensysteme hinweg nicht konsolidiert. Wenn du drei Filialen mit drei verschiedenen Kassensystemen hast, die dieselben Produkte unter verschiedenen Nummern führen, musst du zuerst ein Mapping aufbauen. Das ist ein separates Projekt, ohne dieses Fundament liefert die Analyse Unsinn.

3. Kein Einkäufer oder Category Manager ist bereit, auf Basis der Erkenntnisse tatsächlich zu handeln. Das klingt trivial, ist es aber nicht. Wenn die Unternehmenskultur so aussieht, dass Lieferantenbeziehungen stärker wiegen als interne Daten, wenn eine Auslistungsempfehlung aus der KI-Analyse den nächsten Lieferantentermin torpedieren würde, dann entstehen Erkenntnisse, die niemand nutzt. Der ROI ist dann null, auch wenn die Analyse gut ist.

Das kannst du heute noch tun

Lade den Kassenexport deiner letzten drei Monate herunter, typischerweise aus dem Back-Office-Bereich deines POS-Systems als CSV oder Excel-Datei. Entferne gegebenenfalls Kundenkarten-IDs aus der Datei, falls vorhanden. Dann öffne Julius AI (kostenloser Account reicht für den ersten Test) und lade die Datei hoch.

Stelle diese eine Frage zuerst:

“Welche Produktpaare werden am häufigsten im selben Kassenbon zusammen gekauft? Zeig mir die Top 20 nach Häufigkeit und erkläre, was der Lift-Wert bedeutet.”

Was du danach weißt: ob dein Export die richtige Struktur hat und ob die ersten Muster etwas Überraschendes zeigen. Das dauert 20 Minuten, keine Investition, keine IT, keine Entscheidung. Nur ein erster ehrlicher Blick in deine eigenen Daten.

Für die vertiefte wöchentliche Analyse hier der Prompt, den du direkt einsetzen kannst:

Quellen & Methodik

• Quantzig, „Retail Performance Analytics Case Study” (2024): 10 Prozent Steigerung der Verkaufsmarge bei einem Einzelhändler nach Einführung datengestützter POS-Analysetools. quantzig.com/case-studies/retail-performance-analytics-ultimate-guide-to-gain-leverage-in-marketing/
• RELEX Solutions, Puuilo Case Study (2024): 4,5 Prozent Reduktion des Lagerbestands bei vergleichbaren Artikeln und bis zu 30 Prozent Reduktion routinemäßiger Bestellarbeit nach Einführung automatisierter Sortiments- und Bestandsanalyse auf POS-Basis. relexsolutions.com/resource_type/case-study/
• Mastercard Data Analytics (zitiert bei Revelis, 2024): Führender Einzelhändler erzielte 30 Prozent höheren ROI auf Promotionsaktionen durch Market-Basket-Analyse und zielgerichtete Produktplatzierung. revelis.eu/en/market-basket-analysis-a-use-case-on-ai-and-marketing-campaigns/
• Saisonale Drift in Assoziationsregeln: European Journal of Information Technologies and Computer Science, „A Seasonal and Multilevel Association Based Approach for Market Basket Analysis in Retail Supermarket” (2022): Zeigt, dass saisonale Trennung der Analysezeiträume statistisch signifikant unterschiedliche Assoziationsregeln ergibt. ej-compute.org/index.php/compute/article/view/31
• Julius AI Preise und Datenschutz: Veröffentlichte Tarife (Stand April 2026). Business-Plan ab 450 USD/Monat für Datenbankanbindungen; Plus-Plan 20 USD/Monat für CSV/Excel-Analysen.
• Microsoft Power BI Preise: Veröffentlichte Tarife Microsoft Deutschland (Stand Mai 2026). Pro: 12,10 €/Nutzer/Monat.
• Eigene Erfahrungswerte: Aus Handelsanalyse-Projekten bei stationären Einzelhändlern mit 3–20 Filialen und 300–2.000 SKUs (Stand 2024–2025). Keine repräsentative Studie.

Du willst wissen, welche Sortimentsentscheidungen deine POS-Daten nahelegen und wie du den Einstieg strukturierst? Meld dich, das klären wir in einem kurzen Gespräch.