Retourenquote senken: So hilft KI im E-Commerce

Retouren sind im DACH-E-Commerce längst kein Randthema mehr, sondern ein Profitabilitäts-Test. Eine aktuelle Befragung des EHI Retail Institute unter 124 bekannten Onlinehändlern in Deutschland, Österreich und der Schweiz zeigt, wie hart die Realität ist: In der Online-Mode melden 87,7 % Retourenquoten von bis zu 50 %, bei 12,2 % liegt sie sogar darüber. Und das eigentlich Erschreckende: Rund 80 % der Händler erwarten in den nächsten drei Jahren keine Verbesserung, 17 % rechnen sogar mit steigenden Retourenquoten.

Wenn du im Handel oder E-Commerce Verantwortung trägst, ist das keine deprimierende Statistik, sondern ein klarer Auftrag. Denn Retouren sind nicht nur Versand- und Bearbeitungskosten. Sie bedeuten gebundenes Kapital, unklare Bestände, „Stockouts“ bei Top-Sellern, Abschriften, Stress im Lager – und im Worst Case eine Kundenbeziehung, die beim zweiten Fehlkauf kippt.

In unserer Serie „KI im Einzelhandel und E-Commerce“ geht’s genau um solche Hebel. Und ich bin überzeugt: Wer Retouren nur über Gebühren oder strengere Regeln „lösen“ will, verliert. Der bessere Weg ist, die Ursachen zu verstehen – und KI gezielt für Prognosen, Personalisierung und Bestandssteuerung einzusetzen.

Warum Retourenquoten so hartnäckig sind (und Mode so anfällig)

Die kurze Antwort: Retouren sind ein Symptom für Unsicherheit beim Kauf. Je höher die Unsicherheit, desto eher bestellen Kund:innen „auf Verdacht“ oder gleich mehrere Varianten.

Die EHI-Zahlen zeigen die Kategorie-Unterschiede deutlich:

• Mode/Textil: sehr hohe Retourenquoten (bis 50 % für die große Mehrheit)
• Elektronik: 85,7 % der Händler mit bis zu 10 % Retourenquote
• Möbel: ca. 93 % mit bis zu 10 %
• Spielzeug, Bücher/Medien: tendenziell niedrige Retouren

Was Mode schwieriger macht als Elektronik

Bei Mode sind Fit, Stoffgefühl, Schnitt, Farbeindruck und Stil „am Körper“ entscheidend. Produktbilder und Größenangaben helfen – aber sie sind oft nicht konsistent genug, um die Unsicherheit wirklich zu reduzieren.

Dazu kommt ein Verhaltensfaktor: „Try-at-home“ ist in vielen Segmenten zur Gewohnheit geworden. Gerade im Weihnachtsgeschäft (wir sind mitten in der Saison) wird das noch verstärkt: Geschenkekäufe, Zeitdruck, mehr Impulskäufe – und im Januar die Retourenwelle.

Retourenquote ist weniger ein Logistikproblem als ein Entscheidungsproblem – und genau da kann KI ansetzen.

Der teuerste Teil ist nicht der Rückversand, sondern die Intransparenz

Viele Teams rechnen Retouren „irgendwie“ ein, aber sie steuern sie nicht präzise. Genau das spiegelt die Studie wider: 53,3 % sagen, eine Retoure kostet pro Artikel rund 10 Euro, 13,9 % rechnen mit bis zu 20 Euro. Gleichzeitig geben 27 % an, die eigenen Bearbeitungskosten nicht beziffern zu können.

Das ist nicht nur ein Controlling-Problem. Es verhindert Optimierung.

Was in der Praxis an Retourenkosten dranhängt

Ein realistisches Kostenbild umfasst typischerweise:

• Inbound-Transport und Annahme
• Qualitätsprüfung, Aufbereitung (Dampf, Neuverpackung, Etikettierung)
• Wiedereinlagerung und Bestandskorrekturen
• Wertverlust (B-Ware, Saisonware, Out-of-Stock-Zeit)
• Kundenservice (Chats, E-Mails, Chargebacks)
• Marketing-Folgeeffekte (Rabatte zur Abverkaufsrettung)

Mein Standpunkt: Solange Retouren nicht sauber pro SKU, Größe, Lieferant, Kampagne und Kundensegment sichtbar sind, bleibt jede Maßnahme eine Wette.

KI gegen Retouren: Drei Hebel, die wirklich wirken

Die schnelle Lösung gibt’s nicht. Aber es gibt drei Hebel, die sich im DACH-Handel wiederholt als wirksam zeigen – und die sich gut miteinander kombinieren lassen.

1) Personalisierung, die „Fehlkäufe“ aktiv verhindert

Viele Recommendation-Systeme optimieren auf Klicks oder Umsatz. Das kann Retouren sogar erhöhen, weil es zu aggressiv ähnliche Produkte pusht, die am Ende doch nicht passen.

Retouren-smarte Personalisierung optimiert anders:

• Sie berücksichtigt Retourenwahrscheinlichkeit als Zielgröße (neben Conversion)
• Sie arbeitet mit Kund:innen-Signalen wie bevorzugten Schnitten, Marken-Fit, Farbpräferenzen
• Sie passt Empfehlungen an Kontexte an (Anlass, Saison, Wetterregion, bisherige Größenwahl)

Konkretes Beispiel (Mode):

• Kundin bestellt bei Marke A regelmäßig Größe M, retourniert L fast immer.
• Das System lernt: „Bei Marke A und Schnitt X ist M mit hoher Wahrscheinlichkeit korrekt.“
• Ergebnis: weniger Mehrfachbestellungen, weniger „sicherheitshalber zwei Größen“.

Snippet-tauglicher Satz:

Gute Personalisierung verkauft nicht mehr Produkte – sie verkauft die richtigen Produkte.

2) Retourenprognosen: Probleme erkennen, bevor sie teuer werden

Laut Studie verarbeiten 34,4 % Retourendaten manuell, und nur 29,5 % erfassen Retourengründe vollständig automatisch. Gleichzeitig halten 45,5 % KI für relevant, um Retouren zu prognostizieren und zu analysieren – aber 35 % distanzieren sich komplett.

Ich halte dieses „Abwinken“ für riskant, weil Prognosen heute kein Luxus mehr sind. KI kann relativ schnell Muster finden, die in Excel untergehen:

• bestimmte Größen fallen systematisch klein/groß aus
• einzelne Farben haben abweichende Wahrnehmung (Bildbearbeitung, Farbstich)
• ein Lieferant oder eine Charge verursacht Qualitätsprobleme
• Kampagnen-Zielgruppen bringen hohe Retouren trotz guter Conversion

Was sich mit einer Retourenprognose konkret steuern lässt:

• frühzeitige Anpassung von Produktdetailseiten (Hinweise, Fit-Infos, Material)
• Sperren oder Absenken von Budget für „retourenstarke“ Ads/Placements
• bessere Nachorder-Entscheidungen (nicht auf Basis Sales, sondern Net Sales)

3) Bestands- und Nachfragemanagement: Netto statt Brutto denken

Ein häufiger Denkfehler: Bestände und Forecasts werden auf Bruttoabsatz optimiert. Bei hohen Retourenquoten musst du auf Nettoabsatz optimieren – sonst überbestellst du, blockierst Cash und drückst am Ende Marge über Rabatte.

KI-gestützte Nachfrageprognosen können Retouren als festen Bestandteil des Modells nutzen:

• Retourenquote pro SKU/Größe/Woche (Saisonmuster)
• Lieferzeiten und Retourenlaufzeiten (wann kommt Ware zurück?)
• regionale Unterschiede (DACH ist nicht homogen)

Das Ergebnis ist weniger spektakulär als „wow KI“, aber finanziell stark: weniger Fehlbestand, weniger Abschriften, weniger hektische Umlagerungen.

Ein 60-Tage-Plan: So kommst du von „Bauchgefühl“ zu Steuerung

Viele Teams starten zu groß („Wir bauen jetzt eine KI-Plattform“) und bleiben dann stecken. Ich würde es in drei Schritten angehen – pragmatisch, messbar, gut kommunizierbar.

Schritt 1 (Woche 1–2): Datenbasis für Retouren schaffen

Ziel: Retouren als strukturierte Signale erfassen, nicht als Freitext-Chaos.

• Standardisierte Retourengründe (Dropdown + optionaler Freitext)
• SKU, Variante, Größe, Lieferant, Charge, Kampagne, Kanal verpflichtend mappen
• „Zustand bei Rücklauf“ als Kategorie (neu, geöffnet, getragen, defekt)

Minimal-KPI-Set:

• Retourenquote pro SKU/Variante
• Netto-Umsatz (Sales minus Returns)
• Bearbeitungskosten (auch als Schätzwert, aber konsistent)

Schritt 2 (Woche 3–6): Quick Wins auf Produktseiten und Empfehlungen

Ziel: Unsicherheit reduzieren, bevor bestellt wird.

• Fit-Hinweise aus Daten ableiten („fällt klein aus“ ist besser als nichts – aber bitte evidenzbasiert)
• Bild-/Farbkonsistenz prüfen bei auffälligen Varianten
• Empfehlungen um ein Signal ergänzen: retourenarmes Pendant statt nur „ähnlich“

Schritt 3 (Woche 7–8): Einfaches KI-Modell für Retourenrisiko pilotieren

Ziel: Ein „Retouren-Radar“ für Merchandising, Marketing und Customer Experience.

• Modell sagt Retourenrisiko pro SKU/Segment voraus
• Output ist handlungsorientiert (Ampel, Top-10 Risiko-SKUs, Treiber)
• Entscheidungen dokumentieren (damit du später nachweisen kannst, was wirkt)

KI-Projekte scheitern selten am Modell – sie scheitern daran, dass niemand weiß, was am Montagmorgen anders gemacht werden soll.

Häufige Fragen aus dem Handel (und klare Antworten)

„Senken Retouren nicht zwangsläufig die Conversion?“

Kurzfristig kann das passieren, wenn du nur Hürden einziehst. Wenn du Unsicherheit reduzierst (Fit, Erwartungsmanagement, bessere Empfehlungen), bleibt die Conversion stabil – und die Marge steigt.

„Was ist besser: Retourengebühren oder KI?“

Gebühren können Verhalten ändern, aber sie treffen auch gute Kund:innen und erzeugen Support-Aufwand. KI wirkt an der Ursache (Fehlkauf), Gebühren wirken am Symptom.

„Wir haben nicht genug Daten für KI.“

Wenn du SKU, Größe, Preis, Marke, Kanal, Region und Retourengrund sauber hast, reicht das für einen Start. Perfekte Daten sind keine Voraussetzung – saubere Mindeststandards schon.

Was du aus den EHI-Zahlen jetzt ableiten solltest

Die Botschaft der Studie ist unbequem, aber nützlich: Viele Händler glauben, dass Retourenquoten nicht besser werden. Genau deshalb entsteht ein Wettbewerbsvorteil für die Unternehmen, die das Thema nicht als Naturgesetz akzeptieren.

Wenn du 2026 profitabel wachsen willst, brauchst du im E-Commerce eine neue Routine: Netto-Performance statt Brutto-Performance, und Entscheidungen, die sich auf Daten stützen – nicht auf Annahmen. KI ist dafür kein Selbstzweck, sondern ein Werkzeug, das endlich zu dem passt, was Händler wirklich brauchen: weniger Streuverlust, weniger Chaos, mehr Planbarkeit.

Wenn du heute einen Schritt machen willst, dann diesen: Baue ein Retouren-Dashboard, das pro SKU zeigt, was wirklich übrig bleibt – und nutze diese Sicht als Grundlage für Personalisierung, Forecasting und Bestand.

Welche Stelle in deinem Shop verursacht vermutlich die meisten Retouren – Produktdaten, Größenlogik oder die Art, wie ihr Empfehlungen ausspielt?