Dosenpfand & Regalvielfalt: KI rettet Nischengetränke

Fünf bis acht Millionen Dosen und Flaschen kommen aktuell pro Tag über Rückgabeautomaten zurück – der Handel hat dafür rund 6.500 Automaten aufgestellt. Das ist ein messbarer Erfolg für die Kreislaufwirtschaft. Gleichzeitig passiert etwas, das viele erst merken, wenn sie vor dem Kühlregal stehen: Die exotische Dose, die letzte Woche noch da war, ist plötzlich verschwunden.

Gerade Ethnohändler und Spezialsortimente – etwa asiatische Aloe-Vera-Drinks, japanischer Tee, Joghurtgetränke oder Marken, die man im klassischen Supermarkt kaum sieht – spüren den Druck besonders. Denn Einwegpfand ist nicht nur „ein Sticker auf der Verpackung“. Es verändert Prozesse, Kosten und Verfügbarkeiten entlang der gesamten Lieferkette.

In dieser Ausgabe unserer Serie „KI in der Logistik und Lieferkette“ nehme ich eine klare Position ein: Regalvielfalt und Nachhaltigkeit schließen sich nicht aus – aber ohne Daten und KI wird’s für Nischenprodukte eng. Wer jetzt mit KI-gestützter Bedarfsprognose, smarter Sortimentssteuerung und digitalisierten Pfandprozessen arbeitet, kann Vielfalt erhalten und effizienter werden.

Warum das Dosenpfand Nischenprodukte stärker trifft als Mainstream

Kurz gesagt: Je kleiner und volatiler die Nachfrage, desto härter wirken zusätzliche Prozesskosten und Komplexität.

Bei großen Marken (Cola, Energy, Standardwasser) ist die Logik simpel: hohe Stückzahlen, stabile Nachfrage, klare Listungen, eingespielte Lieferketten. Bei exotischen Getränken ist das Gegenteil oft der Fall: wechselnde Geschmacksrichtungen, saisonale Peaks (Sommerdrinks), Social-Media-Hypes und eine Kundschaft, die gerne Neues probiert.

Wo die Komplexität entsteht – entlang der Lieferkette

Bei Einwegpfand kommen zusätzliche Anforderungen dazu, die besonders bei Importware wehtun:

• Kennzeichnung & Konformität: Verpackungen müssen pfandfähig sein (bzw. korrekt gekennzeichnet/registriert). Fehler bedeuten Rückläufer, Delistings oder Umverpackung.
• Kleinere Chargen, mehr Varianten: Viele Ethno-Getränke kommen in kleinen Losgrößen – jede Variante braucht saubere Stammdaten und Prozesssicherheit.
• Höhere indirekte Kosten: Klärfälle an der Kassa, Rücknahme-Handling, Abrechnung, Schulung – das ist bei 1–2 Paletten pro Produktlinie unverhältnismäßig teuer.

Der Effekt: Lieferanten und Importeure streichen lieber „komplizierte“ Artikel, Händler reduzieren das Risiko – und die Vielfalt leidet.

Der unterschätzte Hebel: Digitalisierung der Rücknahme

Die Rückgabe ist heute schon stark automatisiert. Der nächste Schritt ist die Durchgängigkeit: Rücknahmedaten, Pfandclearing, Artikelstammdaten und Disposition müssen sauber zusammenspielen. Das ist eine Datenaufgabe – und damit ein KI-Thema.

Die Realität im Spezialhandel: Vielfalt ist ein logistisches Produkt

Direkte Antwort: Vielfalt entsteht nicht im Marketing, sondern in Beschaffung, Disposition und Regalfläche.

Ein Beispiel aus dem Artikelkontext: Asiatische Supermärkte wie die in Wien-Landstraße beschriebenen (mit Marken wie Calpis, Pokka, Foco, OKF) leben davon, dass Kund:innen im Kühlregal Dinge entdecken. Das Sortiment ist Teil des Einkaufserlebnisses.

Aber: Diese Vielfalt funktioniert nur, wenn die Lieferkette sie trägt.

Drei typische Schmerzpunkte im Alltag (und warum sie eskalieren)

1. Unsichere Abverkaufsdaten pro Variante Bei Nischenartikeln reichen wenige Tage Out-of-Stock, um falsche Schlüsse zu ziehen („läuft nicht“), obwohl eigentlich die Nachlieferung hakt.
2. Fehlende Prognosen für Peaks Weihnachten (wir sind mitten in der Saison), Neujahr, Prüfungszeiten, Ramadan, Lunar New Year – diese Ereignisse verschieben Nachfrage in Communities oft stark.
3. Zu grobe Sortimentslogik Klassische ABC-Analysen sind bei Nischenprodukten gefährlich: Der Umsatz ist klein, der Wert (Kundenbindung, Differenzierung, Warenkorb-Effekt) aber groß.

Hier liegt die Chance: KI kann den „Wert“ von Nische datenbasiert sichtbar machen – und damit entscheidungsfähig.

KI-gestützte Bedarfsprognose: So bleiben exotische Drinks listbar

Direkte Antwort: KI-Prognosen stabilisieren kleine Nachfragen, indem sie mehr Signale nutzen als nur Vergangenheitswerte.

Klassische Forecasts scheitern bei Nischenartikeln oft an drei Dingen: zu wenig Historie, zu viel Volatilität, zu viele Varianten. Moderne KI (z. B. probabilistische Modelle, hierarchische Zeitreihen, Demand Sensing) kann das abfedern, wenn die Datengrundlage stimmt.

Welche Daten wirklich helfen (praxisnah)

Für Ethno- und Spezialsortimente funktionieren Prognosen deutlich besser, wenn man zusätzliche Signale einbezieht:

• POS-Daten mit Granularität (Filiale, Wochentag, Uhrzeit)
• Preis- und Promotionskalender
• Feiertage & Community-relevante Events (z. B. Lunar New Year)
• Wetterdaten (bei Kaltgetränken oft stärker als gedacht)
• Rücknahme-/Pfanddaten als Verfügbarkeitsindikator (unerwartet nützlich: Rücklauf korreliert mit Absatz)
• Social-/Trend-Signale (z. B. wenn ein Geschmack viral geht; muss nicht perfekt sein, aber als Frühwarnsystem taugt’s)

Snippet für Entscheider: Gute KI-Prognosen für Nischenprodukte entstehen, wenn man Nachfrage und Verfügbarkeit modelliert – nicht nur Absatz.

Was das in der Disposition verändert

Mit KI lässt sich statt „Bestellpunkt nach Bauchgefühl“ eine robuste Logik aufsetzen:

• Sicherheitsbestände werden artikel- und risikobasiert (nicht pauschal)
• Out-of-Stock wird als Kostenfaktor quantifiziert (nicht als „Pech gehabt“)
• Varianten können in Familien prognostiziert werden (z. B. „Aloe-Vera-Drinks“), selbst wenn einzelne Sorten wenig Daten haben

Das Ergebnis ist weniger spektakulär, aber wirtschaftlich: weniger Abschriften, weniger Lücken im Regal, weniger Frust bei Kund:innen.

KI für Sortimentssteuerung: Vielfalt erhalten, ohne Lager zu sprengen

Direkte Antwort: KI hilft, Regalfläche so zu planen, dass Nischenprodukte bleiben – aber rotieren, statt zu verstauben.

Viele Händler reagieren auf Komplexität mit Reduktion. Verständlich. Nur: Wer Spezialsortiment ist, verliert damit sein Profil. Die bessere Strategie ist dynamische Sortimentsrotation: Vielfalt ja, aber datenbasiert und kontrolliert.

Ein praktikables Modell: „Core + Rotationsslot“

Ich habe in Projekten gesehen, dass dieses Prinzip besonders gut funktioniert:

• Core-Sortiment: 60–80 % der Plätze sind stabil (Top-Seller, Must-haves pro Community)
• Rotationsslots: 20–40 % werden alle 4–8 Wochen neu befüllt (Trends, Limited Editions)

KI kann dabei:

• Rotationskandidaten anhand von Nachfragewahrscheinlichkeit auswählen
• die optimale Verteilung je Standort vorschlagen (nicht jede Filiale braucht alles)
• Delistings verhindern, indem „kleine“ Artikel mit hohem Bindungseffekt erkannt werden

Der „Nischenwert“-Score (einfach erklärt)

Statt nur Umsatz zu betrachten, lohnt ein Score, der mehrere Effekte kombiniert:

• Wiederkaufsrate in Zielgruppen
• Warenkorb-Uplift (kommt das Produkt oft zusammen mit anderen Artikeln?)
• Substitutionsrisiko (wenn weg, kauft der Kunde woanders?)
• Lieferkettenrisiko (Lead Time, Mindestmengen, Pfand-/Compliance-Komplexität)

So wird aus Gefühl eine Entscheidung.

Nachhaltigkeit + Vielfalt: Mit KI wird Pfand zur Steuerungsgröße

Direkte Antwort: Pfanddaten sind nicht nur Abrechnung – sie sind ein operatives Signal für Supply-Chain-Optimierung.

Wenn täglich Millionen Gebinde zurückkommen, entstehen Datenmengen, die Händler nutzen können:

• Rücklaufquoten pro Artikel/Standort als Indikator für Konsum und Verfügbarkeit
• Zeitverzug zwischen Verkauf und Rückgabe als Planungsinput (z. B. für Lager/Entsorgung)
• Fehlercodes/Rejects an Automaten als Qualitäts- und Stammdaten-Feedback

Konkreter Nutzen in der Lieferkette

• Bessere Planung von Abholrouten (Transportoptimierung, weniger Leerfahrten)
• Kapazitätsplanung für Rücknahmebereiche und Lager
• Stammdatenqualität steigt, weil Probleme sichtbar werden (falsche EAN, unklare Pfandzuordnung)

Und ja: Das zahlt auch aufs Nachhaltigkeitsziel ein – weniger Sonderfahrten, weniger Ausschuss, weniger „Wegwerfen, weil’s zu kompliziert ist“.

Quick Wins: So starten Händler und Importeure in 30–60 Tagen

Direkte Antwort: Erst Transparenz, dann Automatisierung – und KI dort einsetzen, wo der Hebel groß ist.

Wer jetzt denkt „KI klingt gut, aber wir sind zu klein“: Gerade im Spezialhandel lohnt es sich, weil jeder Fehlgriff sofort sichtbar wird.

1) Datenbasis klären (Woche 1–2)

• Artikelstammdaten auditieren (EAN, Pfandstatus, Verpackungsvarianten)
• Out-of-Stock-Logik prüfen: Was ist echtes „läuft nicht“ vs. Lieferproblem?

2) Nischen-Portfolio definieren (Woche 2–4)

• Core-Artikel pro Warengruppe festlegen
• Rotationsslots definieren (Regalplätze sind eine Währung)

3) Erste Prognosen testen (Woche 4–8)

• 20–50 Artikel als Pilot
• Forecast-Qualität messen (MAPE reicht nicht – Out-of-Stock-Kosten mitbewerten)
• Dispositionsvorschläge im Schattenbetrieb laufen lassen

4) Personalisierung leichtgewichtig nutzen (ab Woche 6)

Auch ohne riesige Plattform geht was:

• Zielgruppen-Segmente (z. B. nach Einkaufsprofilen) und passende Nischen-Highlights
• einfache Trigger: „Neu eingetroffen“ für genau die Kund:innen, die die Kategorie kaufen

Ein Satz, der intern hilft: Wenn wir Vielfalt wollen, müssen wir sie planen, nicht hoffen.

Was das für 2026 bedeutet: Vielfalt wird algorithmisch gemanagt

Direkte Antwort: Der Wettbewerb im Handel läuft über Effizienz – und über die Fähigkeit, kleine Zielgruppen profitabel zu bedienen.

Einwegpfand treibt Standardisierung und Prozessdisziplin. Das ist gut für Kreislaufwirtschaft. Aber ohne gezielte Steuerung verliert der Markt genau das, was Kund:innen in Städten wie Wien, Graz oder Linz schätzen: Auswahl, Entdeckung, kulturelle Vielfalt.

Meine Prognose für 2026: Die Gewinner kombinieren Nachhaltigkeit mit KI in der Lieferkette. Sie wissen früher, welcher exotische Drink nächste Woche fehlt, welche Variante sich lohnt und wo ein Rotationsslot mehr Bindung bringt als ein weiterer Energy-Drink.

Wenn Sie Sortimentsverantwortung, Logistik oder E-Commerce betreiben, ist das der richtige Zeitpunkt, die Frage neu zu stellen: Welche Nischenartikel sind für Ihre Kund:innen unverhandelbar – und welche Daten brauchen Sie, um sie zuverlässig verfügbar zu halten?

Wenn Sie das strukturiert angehen wollen: Starten Sie mit einem Pilot auf Nischengetränken. Kaum eine Kategorie zeigt so schnell, ob Prognosen, Stammdaten und Nachschub wirklich funktionieren.