KI-Strategie: So skalieren Marktplätze wie MediaMarkt

Ein Satz, der gerade viele Retail-Teams nervös macht: MediaMarkt hat sein Marketplace-GMV in einem Jahr um 90% gesteigert – auf 527 Mio. Euro. Das ist nicht „ein bisschen besseres Marketing“. Das ist ein Skalierungssprung.

Und er hat einen klaren Unterton, der in vielen Geschäftsberichten inzwischen zwischen den Zeilen steht: Wachstum kommt nicht mehr nur aus Sortiment und Reichweite – sondern aus Daten und KI. Ceconomy (MediaMarkt/Saturn) spricht explizit davon, dass der steigende Online-Umsatzanteil „durch neue Features und Entwicklungen in künstlicher Intelligenz“ unterstützt wurde.

Für Schweizer Einzelhändler und E-Commerce-Teams ist das im Dezember besonders relevant. Nach Black Friday, Cyber Week und dem Weihnachtsgeschäft zeigt sich brutal ehrlich, welche Plattformen ihre Nachfrage im Griff hatten – und welche nicht. Wer 2026 wachsen will, muss Marktplatzlogik verstehen: mehr Anbieter, mehr Produkte, bessere Relevanz pro Nutzer – bei gleichzeitig sinkenden operativen Kosten pro Bestellung.

Was hinter den 90% GMV-Wachstum wirklich steckt

Antwort zuerst: Das GMV-Wachstum entsteht, wenn ein Marktplatz drei Dinge gleichzeitig schafft: mehr Angebot, höhere Sichtbarkeit der passenden Produkte und verlässliche Cross-Channel-Erfüllung. KI wirkt dabei als Multiplikator – weil sie Relevanz, Prognosen und Prozesse automatisiert.

MediaMarkt hat den klassischen Pfad genommen, den wir gerade bei mehreren europäischen Retailern sehen:

• Seller-Skalierung: Über 2.000 aktive Seller.
• Sortimentsbreite: 3,2 Mio. Partnerprodukte.
• Kategorien-Expansion: Weg von reiner Consumer Electronics hin zu DIY, Grill/BBQ, Spielzeug, Wohnen, Fitness, Haustierbedarf, Solarpanels, E-Mobility.
• Geografische Expansion: Marketplace bereits in 8 Ländern, mit weiteren Rollouts angekündigt.

Das ist die „sichtbare“ Seite. Die entscheidende, weniger sichtbare Seite ist die Frage: Wie hält man Relevanz und Profitabilität stabil, wenn Komplexität explodiert? Genau hier wird KI zur Pflicht – nicht zum Nice-to-have.

GMV ist nicht nur Umsatz – sondern ein Relevanz-Test

GMV (Gross Merchandise Value) ist für Marktplätze ein sehr praktischer Indikator: Er zeigt, ob Nutzer genug passende Produkte finden und kaufen – und ob der Marktplatz im Stande ist, diese Käufe operativ sauber abzuwickeln.

Wenn GMV fast verdoppelt, passiert meist Folgendes gleichzeitig:

1. Nutzer finden schneller das Richtige (Suche/Ranking/Empfehlungen).
2. Der Warenkorb wird größer (Cross-Selling, Bundles, Zubehörlogik).
3. Out-of-Stock sinkt (Forecasting, Bestandslogik, Seller-Steuerung).
4. Friktion sinkt (Retourenquote, Lieferperformance, Trust).

KI zahlt auf alle vier Punkte ein – wenn man sie systematisch einsetzt.

KI als Wachstumsmotor: Drei Hebel, die GMV sichtbar steigern

Antwort zuerst: Die stärksten GMV-Hebel in Marktplätzen sind KI-gestützte Kundeneinblicke, Nachfrageprognosen und personalisierte Sichtbarkeit. Nicht als einzelne Tools, sondern als zusammenhängendes System.

1) KI-gestützte Kundeneinblicke: Sortiment wird zur Wette – oder zur Wissenschaft

Viele Händler erweitern ihr Sortiment nach Bauchgefühl: „DIY läuft“, „Solar ist Trend“, „Haustierbedarf geht immer“. Das kann funktionieren – ist aber teuer.

KI-gestützte Customer Analytics macht daraus einen messbaren Prozess:

• Cluster statt Zielgruppe: Kundensegmente auf Basis von Verhalten (Suchmuster, Kaufintervalle, Preissensitivität, Markenaffinität).
• Intent-Erkennung: Unterscheidung zwischen „informational“ (Vergleich/Recherche) und „transactional“ (kaufbereit).
• Warenkorb-Pfade: Welche Produktkombinationen führen tatsächlich zum Kauf (z. B. E-Bike-Zubehör, Ladegeräte, Versicherung, Helme).

Wenn ein Marktplatz plötzlich Millionen Artikel anbietet, ist die Kernfrage nicht „Was können wir noch listen?“, sondern: Welche Sortimentslücken kosten uns heute GMV – und welche neuen Kategorien erhöhen die Kaufwahrscheinlichkeit?

Meine Erfahrung aus Projekten im Retail: Schon ein sauber gebautes Segmentmodell (5–10 Segmente) plus eine gute Suchanalyse reicht oft, um innerhalb weniger Wochen sehr konkrete Sortimentsentscheidungen zu treffen.

2) KI-basierte Nachfrageprognosen: Skalierung ohne Chaos

Mit Marktplatzwachstum steigt die Volatilität. Aktionen, Wetter, TikTok-Trends, Preisbewegungen bei Wettbewerbern – alles schlägt durch. Forecasting ist der Unterschied zwischen Wachstum und Dauerstress.

KI-Prognosen (z. B. Zeitreihenmodelle plus externe Signale) helfen bei:

• Bestands- und Verfügbarkeitssteuerung: Welche Artikel müssen in welcher Region verfügbar sein?
• Seller-Performance-Steuerung: Welche Anbieter liefern stabil, welche verursachen Support- und Retourenkosten?
• Aktionsplanung: Welche Rabatte erhöhen GMV wirklich – und welche fressen nur Marge?

Gerade für Schweizer Händler ist das spannend, weil die Marktgröße begrenzt ist. Das heißt: Fehlbestände und Überbestände tun schneller weh. KI ist hier nicht „Luxus“, sondern Risikomanagement.

3) Personalisierte Empfehlungen & Ranking: Sichtbarkeit ist das neue Regal

Im stationären Handel entscheidet Regalplatz. Im E-Commerce entscheidet Ranking.

Wenn MediaMarkt sein Sortiment massiv verbreitert, entsteht automatisch das klassische Problem: Mehr Auswahl kann Conversion senken, weil der Nutzer überfordert ist. Personalisierung löst genau das.

Praktisch heißt das:

• Personalisierte Startseiten nach Nutzerintention (Geschenke, Ersatzteile, Upgrade, Zubehör).
• „Next best product“ statt „ähnliche Produkte“ (z. B. nach Budget, Marke, Lieferzeit).
• Dynamische Filter-Reihenfolge: Filter, die für dieses Segment am häufigsten zum Kauf führen, werden nach oben gezogen.
• Search Tuning mit KI: Synonyme, Tippfehler, semantische Suche (z. B. „Balkonkraftwerk“ vs. „Solarmodul Set“).

Ein Satz, der intern oft für Klarheit sorgt: „Wir optimieren nicht für Klicks, sondern für Kaufwahrscheinlichkeit pro Impression.“

Cross-Channel als KI-Spielwiese: Click & Collect ist ein Datengold

Antwort zuerst: Wenn 36–37% der Online-Bestellungen im Markt abgeholt werden, entsteht ein hybrides System, das KI besonders gut optimieren kann – von Verfügbarkeit bis Personalplanung.

Ceconomy meldet: Kunden haben Bestellungen im Wert von über 2 Mrd. Euro in MediaMarkt- und Saturn-Filialen abgeholt. Das sind 36% des gesamten Order-Volumens (im Q4: 37%).

Das ist nicht nur Logistik. Das ist ein Signal:

• Kund:innen wollen schnell.
• Sie wollen Sicherheit (Abholung statt „Paket vielleicht morgen“).
• Sie nutzen Filialen als Service- und Vertrauenspunkte.

KI kann diesen Cross-Channel-Mix konkret verbessern:

1. Store-Level-Forecasting: Welche Filiale braucht welche Pick-Kapazität morgen zwischen 16:00–19:00?
2. Bestandsgenauigkeit: Anomalie-Erkennung bei Inventurdifferenzen, um „Phantom-Stock“ zu reduzieren.
3. Fulfillment-Entscheidung: Aus welchem Lager/Store wird am kostengünstigsten und schnellsten erfüllt (unter Einbezug von Retourenwahrscheinlichkeit)?

Für Schweizer Retailer mit dichter Filialstruktur ist das eine reale Chance: Click & Collect ist ein Vorteil gegenüber reinen Online-Playern – wenn die Datenlage stimmt.

Was Schweizer Händler daraus lernen (und sofort testen können)

Antwort zuerst: Wer Marktplatzwachstum replizieren will, braucht nicht zuerst „mehr Seller“, sondern eine KI-fähige Betriebsbasis: Daten, Prozesse, Messgrößen, Governance.

Hier sind vier konkrete Schritte, die ich für 2026 als pragmatische Roadmap sehe:

1) Führt ein „GMV-Driver“-Dashboard ein

Nicht 40 KPIs. Sondern 8–12, die direkt auf GMV und Marge wirken:

• Such-Nulltrefferquote (Top 100 Queries)
• Conversion nach Kategorie und Lieferzeit
• Out-of-Stock-Rate (Top-Seller)
• Anteil personalisierter Empfehlungen am Umsatz
• Retourenquote nach Seller/Kategorie
• Lieferperformance (OTIF) nach Seller
• Click-&-Collect-Anteil und Abholzeitfenster
• Beitrag neuer Kategorien zum Deckungsbeitrag

2) Startet mit einem KI-Use-Case, der sich in 6–8 Wochen messen lässt

Gute Einstiegs-Use-Cases im Marktplatz-/Retail-Kontext:

• Semantische Suche für 20.000 häufigste Queries
• Personalisierte Kategorie-Rankings für 2–3 Kernkategorien
• Demand Forecasting für Top-500 Artikel (inkl. Aktionen)

Entscheidend: Vorher/Nachher sauber messen.

3) Macht Seller-Qualität zu einem Algorithmus, nicht zu Bauchgefühl

Marktplätze gewinnen langfristig über Vertrauen. Dafür braucht es objektive Steuerung:

• Score pro Seller (Lieferzeit, Storno, Retouren, Support-Tickets)
• Sichtbarkeit im Ranking abhängig vom Score
• Frühwarnsystem bei Performance-Abfall

Das klingt hart, aber es schützt die Kundenerfahrung – und damit GMV.

4) Plant Kategorien wie ein Portfolio – nicht wie eine Liste

MediaMarkt erweitert in Bereiche wie Solar, E-Mobility oder Haustierbedarf. Der Trick ist nicht „breiter werden“, sondern sinnvoll breiter werden.

Ein Portfolio-Ansatz kombiniert:

• Nachfragepotenzial (Search/Traffic/Trends)
• Margenprofil
• Logistik-/Retourenkosten
• Cross-Sell-Potenzial (Zubehör, Services)
• Risiko (Regulatorik, Qualität, Safety)

KI hilft hier, die Variablen nicht zu „erraten“, sondern zu berechnen.

Mini-Q&A, die in Projekten immer kommt

Brauche ich als Händler in der Schweiz wirklich einen Marktplatz? Nicht zwingend. Aber du brauchst Marktplatz-Mechaniken: Sortimentsbreite ohne Lager-Risiko, datengetriebene Relevanz, klare Seller-/Partnersteuerung.

Welche KI bringt am schnellsten Umsatz? In den meisten Shops: Suche und Ranking. Wenn Nutzer schneller finden, was sie kaufen wollen, steigt GMV oft innerhalb weniger Wochen.

Woran erkenne ich, dass Personalisierung „echt“ wirkt? Wenn sie nicht nur CTR hebt, sondern messbar:

• Conversion Rate,
• durchschnittlichen Warenkorb,
• und Retourenquote verbessert.

Der Punkt für unsere Serie „KI im Einzelhandel und E-Commerce“

MediaMarkts 90%-Sprung ist ein sehr sichtbares Signal: Marktplätze werden zu datengetriebenen Systemen. Wer KI nur als „Chatbot-Projekt“ betrachtet, wird im Wettbewerb um Relevanz und Effizienz zurückfallen.

Wenn du 2026 Wachstum willst, fokussiere auf drei Fragen:

1. Welche Kundensignale nutzen wir heute nicht – obwohl wir sie schon haben?
2. Welche Prognosen würden unsere teuersten Fehler verhindern (Stock, Pricing, Aktionen)?
3. Wo entscheidet ein Algorithmus über Sichtbarkeit – und wie gut ist unserer?

Der nächste große Sprung im E-Commerce kommt nicht aus „mehr Budget“, sondern aus besseren Entscheidungen pro Klick. Welche Entscheidung würdest du als Erstes automatisieren – Suche, Forecasting oder Ranking?