Filialschließungen vermeiden: KI für Standortplanung

Acht Unimarkt-Standorte sperren am 20.12.2025 zu – und im Raum steht, dass insgesamt rund ein Drittel der mehr als 90 Filialen betroffen sein könnte. Parallel sollen 23 Filialen zu Spar und 21 zu Rewe wechseln. Das ist keine Randnotiz, sondern ein ziemlich klares Signal: Der österreichische Lebensmitteleinzelhandel ordnet sein Filialnetz neu – unter hohem Kosten- und Margendruck.

Für viele Händler klingt „Standortoptimierung“ nach Excel, Bauchgefühl und endlosen Diskussionen zwischen Expansion, Vertrieb und Controlling. Genau da setzt das Thema dieser Serie „KI im Einzelhandel und E-Commerce“ an: KI kann Filialnetze so datenbasiert steuern, dass Schließungen seltener aus dem Nichts kommen – und Zukäufe/Übernahmen schneller profitabel werden.

Was ich in Projekten immer wieder sehe: Die Daten sind da (Kassenbons, Frequenz, Warenkörbe, Online-Signale), aber die Entscheidungen werden zu spät oder zu grob getroffen. Die Realität? Filialpolitik ist heute ein Analyseproblem. Wer das sauber löst, gewinnt Zeit, Marge und Ruhe.

Was Unimarkt zeigt: Marktumstrukturierung passiert nicht „plötzlich“

Die direkte Antwort: Filialschließungen sind meist das Ergebnis langfristiger Muster – sinkende Frequenz, veränderte Einzugsgebiete, Miet- und Energiekosten, Personalengpässe, stärkere Konkurrenz. Der Anlass wirkt dann kurzfristig, aber die Daten zeigen den Trend oft Monate oder Jahre davor.

Beim Unimarkt-Fall sind drei Punkte besonders lehrreich:

1. Netzwerke werden neu verteilt. Wenn Standorte an größere Ketten übergehen, werden sie neu bewertet: Passt die Filiale zur Gesamtstrategie? Kann man sie effizient beliefern? Ergänzt sie das bestehende Netz – oder kannibalisert sie es?
2. Schließung ist nicht nur „schlechte Performance“. Manchmal ist ein Standort operativ okay, aber strategisch unpassend (Logistik, Markenpositionierung, Flächenkonzept, Umbaukosten).
3. Timing entscheidet über Wert. Wer zu spät reagiert, verhandelt aus einer Schwäche heraus. Wer früher erkennt, dass ein Standort kippt, kann noch gegensteuern (Sortiment, Öffnungszeiten, Personalplanung, lokale Aktionen) oder geordnet übergeben.

Die Konsequenz für andere Händler: Warten, bis die Filiale „offiziell problematisch“ ist, kostet Geld. Besser ist ein System, das frühe Warnsignale erkennt.

KI-basierte Standortanalyse: Was sie besser macht als Bauchgefühl

Die direkte Antwort: KI-basierte Standortanalyse kombiniert interne Verkaufsdaten mit externen Standort- und Mobilitätsdaten und erkennt Muster, die Menschen in Tabellen übersehen. Das Ziel ist nicht „KI um der KI willen“, sondern eine bessere Entscheidung bei drei Fragen: Behalten? Optimieren? Schließen/Übergeben?

Welche Daten wirklich zählen (und welche oft überschätzt werden)

In der Praxis sind diese Datenarten besonders wertvoll:

• Transaktionsdaten: Umsatz, Bonanzahl, Durchschnittsbon, Kategorienmix, Promo-Sensitivität
• Frequenzdaten: Passantenfrequenz, Eintritte, Conversion (Eintritt → Kauf)
• Einzugsgebiet & Mobilität: Fahrzeiten, Pendlerströme, „Woher kommen Stammkunden?“
• Wettbewerb: Eröffnungen/Schließungen, Preisniveau, Sortimentsnähe
• Kosten- und Prozessdaten: Personalkosten, Abschriften, Energiekosten, Lieferfenster, Out-of-Stock-Rate
• Omnichannel-Signale: Click-&-Collect-Nutzung, Online-Suche nach Filialverfügbarkeit, lokale Liefernachfrage

Oft überschätzt: reine Demografie (Alter, Einkommen) ohne Verhaltensdaten. Demografie erklärt grob, Verhalten erklärt profitabel.

Welche KI-Methoden im Filialnetz am meisten bringen

Konkrete Methoden, die sich im Handel bewährt haben:

1. Demand Forecasting pro Standort und Warengruppe

   • Prognosen auf Wochen- und Tagesebene (inkl. Feiertage, Schulferien, Wettereffekte)
   • Ergebnis: bessere Disposition, weniger Abschriften, weniger Out-of-Stock

2. Clustering von Filialtypen

   • KI gruppiert Filialen nach realem Kaufverhalten (nicht nach „gefühlt ähnlich“)
   • Ergebnis: Sortimente, Flächenlogik und Personalplanung werden typgenauer

3. Cannibalization-Modelle (Kannibalisierung)

   • Was passiert, wenn man Standort A schließt oder Standort B übernimmt?
   • Ergebnis: realistische Netzplanung statt Überraschung nach der Umstellung

4. Early-Warning-Modelle

   • Erkennen Abwärtstrends früh: Frequenz sinkt, Bonstruktur kippt, Stammkundenquote bricht
   • Ergebnis: Gegenmaßnahmen rechtzeitig – oder geordnete Exit-Strategie

Merksatz: Eine Filiale „stirbt“ selten plötzlich – sie wird über Monate leiser. KI hört das früher.

Filialschließungen vermeiden: Drei Hebel, die KI messbar unterstützt

Die direkte Antwort: KI verhindert Schließungen nicht magisch, aber sie reduziert die Zahl der Fehlentscheidungen – und erhöht die Zahl der rechtzeitig optimierten Filialen. Drei Hebel sind in Österreich gerade besonders relevant.

1) Sortiments- und Flächenoptimierung statt pauschaler Sparprogramme

Viele Händler reagieren auf Druck mit pauschalen Kürzungen: weniger Personal, weniger Tiefe im Sortiment, weniger Frische. Das kann kurzfristig Kosten senken – langfristig senkt es oft die Frequenz.

KI-gestützt geht es präziser:

• Lokale Nachfrage identifizieren (z. B. Convenience vs. Familienkauf)
• Regalfläche nach Profit pro Zentimeter priorisieren
• Frische-Abschriften durch feinere Prognosen reduzieren

Konkretes Beispiel aus dem Alltag: Eine Filiale wirkt „zu klein für Vollsortiment“. KI zeigt aber, dass bestimmte Kategorien (z. B. schnelle Abendessen, Frühstück-to-go) überproportional wachsen – und andere Regalflächen nur Kapital binden. Ergebnis: kein Umbau um jeden Preis, sondern ein smarterer Mix.

2) Personalplanung, die Frequenzspitzen wirklich trifft

Gerade rund um Weihnachten und den Jahreswechsel (wir sind mitten drin) schwanken Frequenzen stark. Wer zu knapp plant, verliert Umsatz durch Warteschlangen. Wer zu großzügig plant, verbrennt Marge.

KI kann aus historischen Mustern, lokalen Events und saisonalen Effekten stündliche Personalbedarfe ableiten. Das ist kein Luxus: Bei knappen Arbeitsmärkten wird Planung zur Wettbewerbskompetenz.

3) Preis- und Promotion-Steuerung mit Blick auf Standort-Realität

Ein Standort in Pendlerlage reagiert anders auf Aktionen als ein Standort in Wohngebietslage. KI-Modelle können Promo-Uplift pro Filiale schätzen: Welche Aktion bringt zusätzliche Bons – und welche verschiebt nur Käufe nach vorne?

Das reduziert zwei typische Fehler:

• „Aktion überall gleich“ (teuer und ineffizient)
• „Aktion nach Gefühl“ (zu spät, zu breit, zu wenig Kontrolle)

Übernahmen wie bei Unimarkt: KI als Turbo für Integration und Netzlogik

Die direkte Antwort: Bei Filialübernahmen entscheidet nicht der Kaufvertrag, sondern die Integration: Sortiment, Systeme, Logistik, Kundenbindung. KI verkürzt diese Phase und reduziert teure Anlaufverluste.

Wenn – wie im aktuellen Fall – Dutzende Standorte den Betreiber wechseln, sind diese Fragen zentral:

Welche Filialen passen wirklich ins bestehende Netz?

KI-gestützte Netzsimulationen beantworten:

• Wo entsteht Doppelabdeckung?
• Wo gibt es weiße Flecken?
• Wie verändern sich Lieferzeiten und Touren?

So wird klar, ob ein Standort als Nahversorger, Abholpunkt, Discount-Format oder Hybrid weitergeführt werden sollte.

Wie verhindert man Kundenverlust nach der Umflagung?

Viele unterschätzen das: Kunden reagieren auf Betreiberwechsel mit Skepsis – besonders, wenn Sortimente, Eigenmarken oder Preiswahrnehmung sich ändern.

KI kann helfen, indem sie:

• Kundensegmente aus Kassendaten ableitet (z. B. Stammkunden, Aktionskäufer, Convenience)
• Abwanderungsrisiken nach Sortimentswechsel erkennt
• gezielte lokale Maßnahmen empfiehlt (statt Gießkanne)

Ein praktischer Ansatz: In den ersten 6–8 Wochen nach der Umstellung jede Filiale wie einen „Relaunch“ behandeln – mit KPI-Cockpit, Test-&-Learn und klaren Stop/Go-Regeln.

Praxisplan: So starten Händler mit KI-Standortplanung in 6 Wochen

Die direkte Antwort: Der schnellste Einstieg ist ein Pilot mit 10–20 Filialen und klaren KPIs, nicht ein monatelanges Datenperfektionierungsprojekt.

Woche 1–2: Dateninventur und KPI-Definition

• Datenquellen festlegen: POS, Warenwirtschaft, Personal, ggf. Frequenz
• KPIs definieren: Deckungsbeitrag, Abschriftquote, Out-of-Stock, Bonanzahl, Conversion
• „Entscheidungsfragen“ schriftlich festhalten: Welche Filialen sind gefährdet? Welche Maßnahmen wirken?

Woche 3–4: Filial-Cluster und Early-Warning aufsetzen

• Filialtypen clustern (nach Warenkorb- und Frequenzprofil)
• Frühindikatoren definieren (z. B. 6-Wochen-Trend Bonanzahl + Frischeabschriften)
• Dashboard bauen, das Filialleiter wirklich nutzen (weniger Charts, mehr Ampeln + Handlungsvorschläge)

Woche 5–6: Maßnahmen testen und ROI messen

• 2–3 Maßnahmen pro Cluster testen (Sortiment, Personal, Promo)
• Kontrollgruppen nutzen (vergleichbare Filialen ohne Intervention)
• Ergebnis in Euro übersetzen: Umsatz, Marge, weniger Abschriften, weniger Out-of-Stock

Ein KPI, der fast immer zieht: Out-of-Stock-Rate runter = Umsatz rauf. Viele Standorte verlieren 2–5% Umsatz allein durch Fehlbestände – besonders in Peak-Zeiten.

FAQ aus dem Handel: Die Fragen, die jetzt sofort kommen

„Brauche ich dafür ein Data-Science-Team?“

Nicht zwingend. Für den Start reichen oft ein analytischer Product Owner, ein Data Engineer (intern oder extern) und ein Fachteam aus Vertrieb/Controlling. Entscheidend ist, dass die Modelle in Entscheidungen münden.

„Ist KI-Standortanalyse nur für große Ketten?“

Nein. Mittelgroße Händler profitieren besonders, weil jeder Standort stärker ins Gewicht fällt. Ein einziger „falscher“ Standort kann das Ergebnis sichtbar ziehen.

„Was ist der häufigste Fehler?“

Zu viel Fokus auf das Modell, zu wenig auf den Prozess. KI ist nur so gut wie die Entscheidung, die daraus folgt – und die Verantwortlichkeit dafür.

Was Händler aus den Unimarkt-Schließungen lernen sollten

Filialschließungen wie bei Unimarkt sind hart – für Mitarbeitende, Regionen und Marken. Aber als Marktzeichen sind sie eindeutig: Standortnetze werden in Österreich neu sortiert, und die Messlatte für Profitabilität steigt.

Wer jetzt in KI im Einzelhandel investiert – konkret in Standortanalyse, Nachfrageprognosen und Kundenanalyse – verschafft sich zwei Vorteile: frühere Warnsignale und bessere Optionen. Schließen ist dann nicht mehr der „Notausgang“, sondern eine bewusst getroffene Entscheidung. Und häufiger ist es gar nicht nötig, weil Optimierung rechtzeitig greift.

Wenn du 2026 nicht mit „Wir sperren, weil…“ beginnen willst, sondern mit „Wir haben früh gesehen, dass…“, dann ist die nächste sinnvolle Frage: Welche drei Datenpunkte pro Filiale würdest du morgen brauchen, um eine harte Standortentscheidung mit ruhigem Gewissen zu treffen?