Visual-Merchandising-Wirkungsanalyse

Das echte Ausmaß des Problems

Einzelhändler haben in den letzten zehn Jahren massiv in digitale Kassen, Bestandssysteme und Online-Analytics investiert. Was dabei oft übersehen wurde: Die Verkaufsfläche selbst — also die Frage, ob das Produkt an Position A oder B, im Hochregal oder in Griffhöhe, neben Komplementärware oder isoliert liegt — bleibt analytisch blind.

Schätzungen aus der Branche gehen davon aus, dass Platzierungsentscheidungen 30 bis 50 Prozent des Umsatzunterschieds zwischen vergleichbaren Stores erklären können — mehr als Standort oder Sortimentsbreite. Trotzdem laufen die meisten VM-Prozesse so ab: Ein Planogramm wird entworfen, umgesetzt, und dann wird vier Wochen später auf die Umsatzzahlen geschaut. Was in dieser Zeit zwischen Regal und Kasse passiert ist, bleibt unsichtbar.

Die Folgen sind konkret:

• Teure Flächen werden verschenkt: Ein Endcap in Eintrittsnähe kostet durch verringerten Durchlauf — wird aber trotzdem mit Restware bestückt, weil “das immer so war”
• Abschriften statt Umplatzierung: Ware, die am falschen Ort liegt, dreht nicht — und landet als Abschrift in der Saisonkalkulation, obwohl sie an anderer Position verkauft hätte
• Umbauten basieren auf dem letzten Bauchgefühl: Ohne Wirkungsnachweis weiß niemand, ob der letzte Umbau besser oder schlechter war als der Stand davor
• Das Wissen verlässt das Unternehmen: Wenn die erfahrene VM-Managerin geht, geht auch das intuitive Wissen über Kundenpräferenzen mit

Marktforschungsanalysen — etwa von EY und McKinsey zur Retail Intelligence — zeigen konsistent: Händler, die VM-Entscheidungen datengestützt validieren, erzielen im Schnitt 5 bis 15 Prozent höhere Flächenproduktivität als Wettbewerber, die rein auf Intuition setzen. Trax Retail dokumentierte in einer Fallstudie mit Henkel Beauty Care 2024, dass die Kombination aus Computer-Vision-Regalüberwachung und POS-Datenkorrelation in 3,5 Monaten zu einem Umsatzanstieg von über 2 Prozent führte — bei gleichem Sortiment, lediglich durch bessere Platzierungssteuerung.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Tabelle macht bewusst deutlich: KI eliminiert Bauchgefühl nicht. Sie ergänzt es. Ein System, das Laufwege und Kassenbon-Daten verknüpft, liefert einen Datenpunkt — aber es erklärt nicht, warum ein Kunde vor dem Regal stehenblieb und dann doch nichts kaufte. Das Ziel ist nicht die vollautomatisierte Platzierungsentscheidung, sondern die Schärfung der Intuition durch belastbare Rückmeldung.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Visual-Merchandising-Analysen, die früher manuelle Stichproben, Filialbesuche und Excel-Auswertungen brauchten, laufen jetzt automatisiert. Realistisch spart eine VM-Managerin 1 bis 2 Stunden pro Woche an Auswertearbeit — das ist nicht dramatisch, aber konsistent. Der Zeitgewinn liegt weniger in der Stundenzahl als in der Qualität: Daten stehen täglich zur Verfügung, nicht erst nach der nächsten Saisonauswertung.

Kosteneinsparung — mittel (3/5) Der Hebel ist indirekt: Bessere Platzierung erhöht Sell-through und reduziert Abschriften. In der Praxis sind 2 bis 5 Prozent Umsatzsteigerung durch verbesserte Flächenproduktivität realistisch — wie die Trax Retail/Henkel-Fallstudie zeigt. Das klingt klein, ist aber bei einem Umsatz von 2 Millionen Euro im Jahr bereits 40.000 bis 100.000 Euro. Direkte Kosteneinsparungen — weniger Umbauaufwand durch zielgerichtetere Entscheidungen — kommen hinzu. Verglichen mit Bereichen wie KI-gestützter Bestandsoptimierung ist der Hebel moderater, weil die Attribution indirekter ist.

Schnelle Umsetzung — niedrig (2/5) Kamerainstallation, Netzwerkinfrastruktur, POS-Datenintegration, Kalibrierungsphase — realistisch sind 6 bis 10 Wochen bis zu belastbaren ersten Ergebnissen. Das ist deutlich mehr Anlaufzeit als bei rein softwarebasierten KI-Anwendungen. Der technische Aufwand liegt besonders in der POS-Integration: Ohne saubere Verknüpfung von Flächenzonen und Kassenbon-Daten fehlt die entscheidende Komponente. Ähnlich wie bei der Regalüberwachung per KI-Kamera ist die Hardwareinstallation die kritische Hürde.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist messbar — im A/B-Filialvergleich lässt sich isolieren, welche Platzierungsänderung welchen Effekt hatte. Aber vollständige Kausalität gibt es nicht: Saisonalität, Wetter, Personalunterschiede und andere Faktoren überlagern das Signal. Wer mit zwei Testfilialen startet und sauber kontrolliert, bekommt belastbare Daten. Wer auf aggregierte Umsatzkennzahlen ohne Kontrollgruppe setzt, hat ein Korrelationsproblem.

Skalierbarkeit — mittel (3/5) Einmal eingerichtet, skaliert die Software über weitere Filialen gut. Das Bottleneck ist die Hardwareinfrastruktur: Jede neue Filiale braucht Kamerainstallation und Kalibrierung. Das ist kein technisches, sondern ein Investitions- und Logistikproblem. Bei einer Kette mit 20+ Filialen lohnt es sich, einen Standard-Installationsworkflow zu entwickeln — dann sinken die Kosten je Filiale.

Richtwerte — stark abhängig von Filialanzahl, bestehender Kassensystemstruktur und Umfang der Kamerainfrastruktur.

Was das System konkret macht

Im Kern verbindet eine KI-gestützte VM-Wirkungsanalyse drei Datenquellen, die in den meisten Handelshäusern bereits vorhanden sind — aber getrennt voneinander:

1. Anonyme Bewegungsdaten aus Kamerasystemen Computer-Vision-Modelle analysieren Kamerafeeds und rekonstruieren — ohne Gesichtserkennung, ohne Personenidentifikation — wie viele Personen sich in welcher Flächenzone aufgehalten haben, wie lange und welche Wege sie gegangen sind. Das Ergebnis: Verweildauerkarten und Frequenzprofile je Zone, typischerweise stündlich oder täglich aggregiert.

2. Kassenbon-Daten nach Zone Die Verknüpfung mit dem POS-System ist der entscheidende Schritt. Wenn bekannt ist, welche Produkte in welchen Zonen des Stores liegen, lässt sich aus der Kassensystemdaten ableiten: Wie viele Personen, die Zone X besucht haben, haben dort auch gekauft? Das ist die Konversionsrate je Flächenzone — und genau das zeigt, ob ein Produkt an Position A mehr kaufauslösendes Signal hat als an Position B.

3. A/B-Vergleich über Filialen oder Zeiträume Das mächtigste Analysewerkzeug ist der kontrollierte Vergleich: Filiale A bekommt das neue Endcap-Konzept, Filiale B behält das alte. Nach vier Wochen vergleicht das System Konversionsrate, Dwell-Zeit und Umsatz je Zone. Wenn Filiale A signifikant besser abschneidet und andere Faktoren (Frequenz, Sortiment, Saison) vergleichbar sind, hat man einen Wirkungsnachweis — keinen Beweis, aber einen belastbaren Hinweis.

Was das System nicht leistet: Es erklärt nicht, warum ein Kunde vor dem Regal stehengeblieben ist und nichts gekauft hat. Dafür braucht man Kundeninterviews oder Usability-Methoden. Die KI liefert das Was, nicht das Warum.

Warum Heatmaps allein nicht reichen: Der Unterschied zwischen Aufmerksamkeit und Kauf

Das ist die wichtigste konzeptuelle Falle bei diesem Use Case — und der Punkt, an dem die meisten ersten Implementierungen scheitern.

Eine klassische Heatmap zeigt: Hier ist viel Frequenz, dort wenig. Rot = viele Menschen, blau = wenige. Viele Händler schließen daraus: Rote Zonen sind gut, blaue Zonen müssen aktiviert werden. Das ist falsch — oder zumindest unvollständig.

Das Unternehmen Standard AI hat 2024 drei strukturelle Schwächen klassischer Heatmap-Systeme dokumentiert:

Frequenz und Verweildauer werden vermischt. Eine Zone mit vielen kurzen Durchläufen sieht in einer einfachen Heatmap genauso “heiß” aus wie eine Zone mit wenigen langen Verweilen. Kaufauslösendes Verhalten — das Innehalten, Anfassen, Überlegen — braucht Verweildauer, nicht Frequenz. Ein Schnelldurchlaufkorridor ist wertlos für Impulskäufe.

Mitarbeitende werden nicht herausgefiltert. Wer einen Kaffeebereich analysiert und nicht zwischen Kunden und dem Mitarbeitenden, der zweimal täglich auffüllt, unterscheidet, sieht falsch erhöhte Dwell-Time. In der Praxis können Mitarbeitendenaktivitäten 20 bis 40 Prozent der gemessenen Zonenaktivität ausmachen — besonders in eng bespielten Bereichen.

Kameraübergreifende Wegrekonstruktion fehlt. Wenn vier Kameras verschiedene Bereiche abdecken und nicht miteinander sprechen, kann man keine Laufwege rekonstruieren — sondern sieht nur lokale Punktaufnahmen. Welche Zonen ein Kunde in welcher Reihenfolge durchläuft, bleibt unsichtbar.

Die entscheidende Frage lautet deshalb nicht: “Wo halten sich Kunden auf?” — sondern: “Wo kaufen Kunden, die sich aufgehalten haben?”

Das ist der Unterschied zwischen Aufmerksamkeit und Konversion. Eine Zone mit hoher Verweildauer und niedriger Konversionsrate kann auf eine Frustration hindeuten (Orientierungslosigkeit, falsche Preisauszeichnung, unattraktive Präsentation). Eine Zone mit niedriger Verweildauer und hoher Konversionsrate zeigt: Hier kaufen Kunden schnell und gezielt — kein Handlungsbedarf, nur aufrechterhalten. Erst wenn beide Dimensionen gemeinsam betrachtet werden, entstehen handlungsrelevante Erkenntnisse.

Konkrete Werkzeuge — was wann passt

Für eine vollständige VM-Wirkungsanalyse brauchst du drei Schichten: Kamerasystem, Analyseplattform und Datenbankintegration mit dem Kassensystem. Die Plattformwahl hängt davon ab, wie viele Filialen du betreibst und wie tief du die POS-Integration brauchst.

RetailNext — für mittelgroße bis große Filialnetze RetailNext bietet ein integriertes System aus eigenen Kamerasensoren (Aurora) und einer Cloud-Analyseplattform mit explizitem Visual-Merchandising-Modul. Die Plattform verknüpft Laufwegdaten mit POS-Daten und erlaubt A/B-Vergleiche zwischen Filialen. Preis: ca. 500 USD Sensorinstallation, 100 bis 250 USD/Sensor/Monat laufend — die Gesamtkosten für einen Store mit 10 Sensoren liegen realistisch bei 1.000 bis 2.500 USD/Monat. Kein Free-Trial, kein deutschsprachiger Support, US-Datenhosting (DSGVO-Zusatzvereinbarung erforderlich). Empfehlenswert ab 5+ Filialen, wenn du ein dediziertes VM-Team hast.

Trax Retail — für CPG-Marken und Planogramm-Compliance Trax Retail ist nicht für den Einzelhändler selbst konzipiert, sondern primär für Markenanbieter (CPG-Marken), die die Einhaltung von Platzierungsvereinbarungen in Handelsketten überwachen wollen. Das System erkennt SKUs per Computer Vision, misst Share of Shelf und Out-of-Stock. Henkel dokumentierte 2024 mit Trax Retail: 4,3 Prozent weniger Out-of-Stock, über 2 Prozent Umsatzsteigerung in 3,5 Monaten. Enterprise-Preismodell auf Anfrage. Sinnvoll, wenn du als Markenanbieter operierst oder als Händler mit mehreren starken Eigenmarken arbeitest.

Eigenentwicklung mit Microsoft Power BI und vorhandener Kamerainfrastruktur Für Händler, die bereits Kameras im Store betreiben (oft aus Sicherheitsgründen), ist ein pragmatischer Mittelweg möglich: Einfache People-Counter aus dem Bereich der Gebäudetechnik (ab ca. 300 bis 800 EUR je Eingang) liefern Frequenzdaten je Zone. Diese werden manuell oder per API mit dem Kassensystem verknüpft und in Microsoft Power BI visualisiert. Das ist kein vollwertiges VM-Analysetool — du verlierst die Wegrekonstruktion und Dwell-Time auf Personenebene — aber du bekommst Zonenfrequenz vs. Zonenumsatz als erste Orientierung. Monatliche Kosten: ca. 10 bis 15 EUR/Nutzer/Monat für Microsoft Power BI, plus einmalige Integrationsarbeit.

Zusammenfassung: Wann welcher Ansatz

• 5+ Filialen, dediziertes VM-Team, Bereitschaft für Enterprise-Investment → RetailNext
• CPG-Marke oder Händler mit starken Eigenmarken, Fokus auf Planogramm-Compliance → Trax Retail
• 1–4 Filialen, knappes Budget, erste Orientierung → People-Counter + Microsoft Power BI
• Vorhandene Kamerasystem-Infrastruktur mit CV-Fähigkeit → API-Anbindung an Kassensystem prüfen

Datenschutz und Datenhaltung

Kamerasysteme im Einzelhandel bewegen sich im datenschutzrechtlich sensiblen Bereich, auch wenn keine Gesichtserkennung eingesetzt wird. Die entscheidende rechtliche Frage: Werden personenbezogene Daten verarbeitet?

Ein reines Frequenzzählsystem, das Punkte im Raum zählt und keine Bilder speichert, verarbeitet nach herrschender Meinung keine personenbezogenen Daten — und fällt damit außerhalb der DSGVO. Sobald jedoch Videobilder gespeichert werden, einzelne Personen auch anonymisiert als Trajektorien über längere Zeiträume verfolgt werden oder Kameras auf Eingangsbereiche mit erkennbaren Gesichtern ausgerichtet sind, ändert sich die rechtliche Einordnung.

Konkrete Anforderungen für die gängigen Systeme:

• RetailNext: US-Anbieter. AVV nach Art. 28 DSGVO erforderlich. Datentransfer in die USA — Standardvertragsklauseln (SCCs) müssen abgeschlossen sein. RetailNext verarbeitet nach eigenen Angaben keine Rohbilder, sondern nur anonymisierte Metadaten. Dennoch: Vertragliche Absicherung ist vor dem Produktivbetrieb zu klären.
• Trax Retail: US-Anbieter. Gleiche Anforderungen wie RetailNext. Trax Retail verarbeitet primär Produktbilder (keine Personendaten) — das vereinfacht die DSGVO-Einordnung erheblich.
• People-Counter / Eigenentwicklung: Bei eigenem Hosting (On-Premise-Kameras, lokale Datenbankintegration) vollständige Datenkontrolle. Empfehlenswert für Händler mit DSGVO-Sensibilität.

Unabhängig vom System gilt: Kunden müssen über den Kamerabetrieb informiert werden (Hinweisschild am Eingang, Datenschutzerklärung aktualisieren). Der Betriebsrat — sofern vorhanden — muss vor der Einführung einbezogen werden, da Kamerasysteme regelmäßig mitbestimmungspflichtig sind.

Praxistipp: Die DSGVO-Einordnung von Retail-Analytics-Systemen ist ein aktives Thema bei den deutschen Datenschutzbehörden. Vor dem Produktivbetrieb sollte der betriebliche Datenschutzbeauftragte oder ein externer Datenschutzberater einbezogen werden.

Was es kostet — realistisch gerechnet

Einmalige Kosten

• Kamerainstallation und Hardware: 500 bis 1.500 EUR je Sensor/Kamera, je nach Modell und Montagekomplexität
• Netzwerkinfrastruktur (falls noch nicht vorhanden): 500 bis 3.000 EUR je Filiale
• POS-Datenintegration und Schnittstellenentwicklung: 2.000 bis 8.000 EUR einmalig, abhängig von der Kassensystem-Komplexität
• Kalibrierung und Zonendefinition (wer trägt welchen Umsatz welcher Flächenzone zu): 1 bis 2 Wochen intern
• Typisch für eine Pilotfiliale (Gesamteinrichtung): 5.000 bis 15.000 EUR

Laufende Kosten (monatlich)

• RetailNext: ca. 1.000 bis 2.500 USD/Store/Monat (10 Sensoren, Richtwert)
• People-Counter-System mit Microsoft Power BI: 300 bis 800 EUR/Store/Monat (Gerätemiete oder -abschreibung + Softwarelizenz)
• Eigenentwicklung On-Premise: Hauptsächlich interner Wartungsaufwand

Was du dagegenrechnen kannst Flächenproduktivität ist der zentrale Hebel: Ein Store mit 1,5 Millionen EUR Jahresumsatz und einer Flächenproduktivitätssteigerung von 3 Prozent durch bessere Platzierung macht 45.000 EUR zusätzlichen Umsatz. Dazu kommt die Abschriftenreduzierung — wenn 2 Prozent weniger Ware auf Abschrift landen (bei typischen Abschriftquoten von 5 bis 8 Prozent), sind das weitere 1.500 bis 3.000 EUR je Millionen Umsatz.

Wie du den ROI tatsächlich misst Nicht durch eine einfache Vorher-Nachher-Rechnung, sondern durch kontrollierten A/B-Vergleich: Eine Testfiliale bekommt die Layoutänderung, eine demographisch und frequenzmäßig vergleichbare Kontrollfiliale nicht. Nach 4 Wochen Messperiode werden die Konversionsraten je Zone und der Gesamtumsatz verglichen — bereinigt um saisonale Effekte. Das ist die einzige belastbare Methode; alles andere ist Korrelation ohne Kausalität.

Drei typische Einstiegsfehler

1. Mit der Heatmap zufrieden sein — und nichts verändern. Das häufigste Scheitermuster: Ein System wird eingeführt, liefert bunte Heatmaps, und dann passiert — nichts. Die Daten werden bewundert, aber nicht in Entscheidungen übersetzt. Das liegt selten an fehlendem Willen, sondern an fehlendem Prozess. Lösung: Vor der Systemeinführung muss klar sein, wer wann welche Entscheidung auf Basis welcher Kennzahl trifft. Konkret: “Wenn die Konversionsrate in Zone C unter 8 Prozent fällt und mindestens 200 Besuche pro Woche stattgefunden haben, prüfen wir innerhalb von zwei Wochen die Platzierung in dieser Zone.” Ohne diesen Auslöseplan bleibt das Dashboard eine Dekoration.

2. Dwell-Time als Proxy für Kaufinteresse verwenden. Der gefährlichste Messfehler: Lange Verweildauer in einer Zone wird als Indikator für Kaufinteresse interpretiert. In der Praxis kann Dwell-Time eine frustrierte Orientierungslosigkeit signalisieren (kein Preisschild, unklare Produktpräsentation) genauso wie echtes Kaufinteresse. Der Beweis liegt erst in der Kombination mit der Kaufrate: Hohe Dwell-Time, niedrige Konversionsrate — das ist ein Problemsignal, kein Erfolgssignal.

3. Das System wird eingeführt, aber die POS-Integration fehlt — oder ist unvollständig. Dieses Problem entsteht oft aus Kostendruck: Man kauft die Kamerainfrastruktur und spart bei der Kassensystemintegration. Das Ergebnis ist ein reines Frequenzanalysetool — man weiß, wo Kunden langgehen, aber nicht, wo sie kaufen. Ohne Kaufdaten fehlt die zweite Hälfte der Wirkungsanalyse. Lösung: Die POS-Integration ist kein optionales Add-on, sondern Voraussetzung für die Kernfunktion. Wer das Budget dafür nicht hat, sollte lieber warten oder mit einem einfacheren Ansatz starten.

4. Den Umbau starten, bevor Basisdaten vorhanden sind. Wer ein neues VM-Konzept einführt und gleichzeitig das Analysesystem installiert, hat kein Vergleichsmaterial. Man braucht mindestens 4 Wochen Basismessung im Status quo, bevor der erste Umbau erfolgt — sonst fehlt der Ausgangswert, gegen den man misst.

Was mit der Einführung wirklich passiert — und was nicht

Der größte Widerstand kommt selten von der IT oder dem Datenschutz. Er kommt vom VM-Team selbst.

Erfahrene Visual-Merchandising-Managerinnen und -Manager haben über Jahre ein intuitives Gespür entwickelt: Was funktioniert, was nicht, was dem Kunden gefällt. Dieses Gespür ist real und wertvoll — und es ist die Grundlage, auf der die KI-Ergebnisse interpretiert werden. Wenn die Daten der Intuition widersprechen, entsteht Reibung.

Das können drei Muster sein:

“Das System sagt das Falsche.” Das KI-System meldet, dass Zone B besser konvertiert als Zone A — aber die erfahrene Fachperson weiß genau, warum das falsch ist: In der Messperiode war ein Sonderaufsteller in Zone A, der das Ergebnis verzerrt hat. Das ist kein Bug, das ist Kontextwissen. Lösung: Das Team muss Datenannotationen vornehmen können — “Sonderaufsteller KW 42–44 in Zone A, Ergebnisse nicht vergleichbar” — und das System muss diese Kommentare in der Auswertung abbilden.

“Die Daten ersetzen meine Entscheidung.” Die Sorge, dass aus einem Analyse-Tool schnell ein Reporting-Tool wird, das VM-Entscheidungen durch Algorithmen ersetzt. Das ist ein legitimes Bedenken. Klarstellen: Das System gibt Hinweise, keine Anweisungen. Die endgültige Platzierungsentscheidung bleibt bei der VM-Fachperson.

“Wir haben keine Zeit, die Daten zu lesen.” In hektischen VM-Teams, die jede Woche Umbaukonzepte entwickeln und koordinieren, ist der Aufwand für regelmäßiges Datenlesen oft nicht einkalkuliert. Lösung: Wochenreport in drei Zahlen — Konversionsrate je Zone, Verweildauer-Hotspots, A/B-Vergleich wenn aktiv. Mehr braucht es für den Wochenbetrieb nicht.

Was konkret hilft:

• Das VM-Team frühzeitig in die Pilotphase einbinden — sie definieren die Zonen, sie benennen die Hypothesen, die getestet werden sollen
• Ersten Erfolg sichtbar machen: Welche Platzierungsänderung wurde durch das System entdeckt und hat dann funktioniert? Diese Geschichte erzählen
• Reporting automatisieren, damit das Lesen der Daten keine separate Aufgabe wird, sondern in die wöchentliche VM-Routine integriert ist

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben das immer aus dem Bauch heraus gemacht — und es hat funktioniert.” Das stimmt oft für die Zeit, in der das Sortiment stabil war, die Kundenstruktur bekannt und das Team erfahren genug, um intuitiv richtig zu liegen. Was das Argument übersieht: Bei steigender Sortimentskomplexität, schnelleren Kollektionszyklen und wechselnden Kundenerwartungen nimmt die Verlässlichkeit der Intuition ab. Und bei Personalwechsel geht das Bauchgefühl mit. Die KI-Analyse ist kein Ersatz für das Bauchgefühl — sie ist die Dokumentation, die das Bauchgefühl auch dann verfügbar macht, wenn die Person mit dem Bauchgefühl das Unternehmen verlassen hat.

“Das kostet zu viel für einen Effekt, den wir nicht beweisen können.” Das ist der wichtigste Einwand — und er kann berechtigt sein. Für ein Einzelgeschäft mit 300 Quadratmetern ist die Investition fast nie wirtschaftlich. Für eine Kette mit 8 Filialen und einem Jahresumsatz von 12 Millionen Euro sieht die Rechnung anders aus: 3 Prozent Flächenproduktivitätssteigerung entspricht 360.000 Euro Mehrumsatz. Das trägt die Investition in 6 bis 12 Monaten — wenn die POS-Integration sauber ist und das Team die Daten tatsächlich nutzt. Die Bedingung “wenn” ist entscheidend; der Einwand ist deshalb keine schlechte Frage, sondern ein Anlass, intern ehrlich zu prüfen, ob die organisatorischen Voraussetzungen vorliegen.

“Datenschutz — wir dürfen das nicht.” Darf man — sofern man es richtig macht. Menschen zählen und anonymisierte Bewegungspfade aufzeichnen ohne Gesichtserkennung ist mit DSGVO vereinbar, wenn die rechtliche Grundlage (berechtigtes Interesse oder Einwilligung), die technische Anonymisierung und die Informationspflicht (Hinweisschild) umgesetzt sind. Die Datenschutzbehörden haben sich zu Retail-Analytics-Systemen bereits mehrfach geäußert — die meisten modernen Systeme sind bei korrekter Konfiguration DSGVO-konform. Ein Kurzgespräch mit dem Datenschutzbeauftragten klärt in der Regel, was konkret zulässig ist.

Woran du merkst, dass das zu dir passt

Du betreibst mindestens drei Filialen und hast ein Team, das sich aktiv um Visual Merchandising kümmert — sei es eine dedizierte VM-Managerin oder Kategorie-Verantwortliche, die Platzierungsentscheidungen treffen.

Du hast bereits ein Kassensystem, das Verkäufe produktgenau erfasst — und du weißt (oder könntest ermitteln), welche Produkte physisch in welchen Flächenzonen des Stores liegen.

Du kannst heute nicht erklären, warum Filiale A eine Kollektion besser verkauft als Filiale B — obwohl beide das gleiche Sortiment haben.

Abschriften und Slow-Seller-Restmengen am Saisonende sind für dich ein konstantes Problem, und du hast die Vermutung, dass ein Teil davon an falscher Platzierung liegt.

Du kannst intern jemanden benennen, der die wöchentlichen Analyseergebnisse liest, dokumentiert und daraus Entscheidungsempfehlungen ableitet. Ohne diese Person ist ein teures System sinnlos.

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

1. Unter drei Filialen oder unter 300 Quadratmetern Verkaufsfläche. Die Investition in Kamerainfrastruktur und POS-Integration amortisiert sich bei einem Einzelgeschäft kaum. Die manuelle Beobachtung — welcher Aufsteller läuft, welcher nicht — ist effizienter und günstiger. Das ändert sich erst ab einer Filialanzahl, bei der du die Filialen nicht mehr täglich persönlich besuchen kannst.

2. Kein sauberes POS-System mit produktgenauer Bestandszuordnung. Wenn du nicht weißt, welche Produkte in welchen Zonen des Stores platziert sind — oder wenn dein Kassensystem nur Gesamtumsätze auswirft, keine zonenspezifischen Auswertungen erlaubt — fehlt die Grundlage für die Wirkungsanalyse. Dann fehlt die zweite Hälfte des Messinstruments. Zuerst das Kassensystem aufräumen, dann die Kamerasysteme installieren.

3. Kein definierter VM-Prozess. Wenn Platzierungsentscheidungen ad hoc getroffen werden und kein Planogramm oder keine Zieldefinition existiert, hat man keinen Ausgangszustand, gegen den man misst. Ein VM-Analysesystem misst Veränderungen — wenn es keine dokumentierten Ausgangszustände gibt, misst man Rauschen. Zuerst einen Basisplanogramm-Prozess etablieren, dann messen.

Das kannst du heute noch tun

Bevor du in ein System investierst, beantworte diese eine Frage ehrlich: Kannst du heute sagen, welche drei Zonen in deiner stärksten Filiale die höchste Konversionsrate haben — und warum?

Wenn nicht, ist das der erste Schritt: Mach eine manuelle Bestandsaufnahme. Zeichne einen einfachen Grundriss, markiere fünf bis zehn Zonen, notiere für jede Zone, welche Produkte dort liegen und wie viel sie in den letzten vier Wochen verkauft haben. Berechne die Stückzahl je Zone geteilt durch die geschätzte Besucher-Frequenz in dieser Zone. Das ist deine erste grobe Konversionsrate — ohne jede Technik.

Was du dabei lernst: Ob du überhaupt ausreichend Datenbasis hast, um von einem KI-System zu profitieren. Wer bei dieser manuellen Übung feststellt, dass er die Verkaufsdaten je Zone nicht aus dem Kassensystem abrufen kann, hat zuerst ein Systemintegrationsproblem zu lösen — keines, das ein weiteres Analysetool löst.

Wenn du weiter bist und bereits Grundlagendaten hast, nutze diesen Prompt, um deine Analyse zu strukturieren:

Quellen & Methodik

• Trax / Henkel Beauty Care Fallstudie (2024): Dokumentierte Ergebnisse aus dem Einsatz von Trax Retail für Regalüberwachung: 4,3 % Out-of-Stock-Reduzierung, über 2 % Umsatzsteigerung in 3,5 Monaten. Quelle: Trax Retail Case Studies, traxretail.com (Stand April 2026).
• Standard AI, “Why Traditional Heatmaps Are Failing Retailers” (2024): Analyse der drei strukturellen Schwächen klassischer Heatmap-Systeme: Frequenz/Dwell-Vermischung, fehlende Mitarbeitendentrennung, fehlende kameraübergreifende Wegrekonstruktion. Quelle: standard.ai/why-traditional-heatmaps-are-failing-retailers.
• EY, “Retail Intelligence — Transforming Art into Science”: Schätzung von 5–15 % höherer Flächenproduktivität bei datengestützten VM-Entscheidungen. Quelle: ey.com/en_us/insights/transforming-retail (Stand April 2026).
• RetailNext Pricing: Schätzwerte basierend auf ITQlick und TrustRadius-Angaben (~500 USD Sensorinstallation, 100–250 USD/Sensor/Monat). RetailNext veröffentlicht keine offiziellen Listenpreise; Werte sind Richtwerte aus Drittquellen (Stand April 2026).
• DSGVO-Einordnung Retail-Analytics: Basierend auf Datenschutzbehörden Baden-Württemberg (LfDI BW) Leitfaden KI und Datenschutz (2024). Keine rechtsverbindliche Einschätzung — Einzelfallprüfung durch Datenschutzbeauftragten empfohlen.
• Erfahrungswerte Implementierung: Einrichtungskosten und Zeitrahmen basieren auf Branchenrichtwerten für Retail-Analytics-Projekte im deutschen Mittelstand (Einzel- und Fachhandel, 3–20 Filialen), Stand April 2026.