KI steuert Retouren im Onlinehandel

Retouren lassen sich im Onlinehandel zwar nicht vermeiden, aber mithilfe von künstlicher Intelligenz signifikant reduzieren und effizienter steuern. Eine Retourenprognose mittels Machine Learning stellt hier den Ausgangspunkt für allerhand organisatorische und strategische Massnahmen dar.

Onlineshopping steht bei vielen Konsumenten hoch im Kurs. Jedoch wird im Durchschnitt auch jede sechste Bestellung wieder retourniert. Besonders hoch ist die Retourenquote im Bereich Fashion und Accessoires. Fast 40 Prozent aller Bestellung gehen hier ganz oder teilweise an den Onlinehändler zurück (EHI Retail Institute, 2019). Eine solch hohe Retourenquote erzeugt enorme Kosten und steht im Konflikt mit Bestrebungen zu mehr Nachhaltigkeit. Nachvollziehbarerweise sind neue und vor allem auch technologiegestützte Ansätze zur Senkung von Retourenquoten sehr willkommen.

Mit Hilfe von künstlicher Intelligenz Retouren vorhersagen

Eines vorweg: Trotz grosser Hoffnungen in die vielfältigen Anwendungen von künstlicher Intelligenz (KI) – der Einsatz dieser innovativen Technologie wird das Retourenproblem nicht gänzlich lösen können. Praxisbeispiele zeigen jedoch (z. B. Westphalia DataLab, 2020), dass KI-basierte Lösungen dazu verhelfen, Retourenquoten signifikant zu senken und Effizienzgewinne im eigenen Betrieb zu realisieren. Grundlage eines der vielversprechenden Ansätze stellt die Retourenprognose mittels Machine Learning dar. Spezielle Algorithmen werden hierbei auf Basis von historischen Daten antrainiert und lernen mit jeder neuen Retoure dazu. Als Datengrundlage kommen hier neben den historischen Verkaufs- und Retourenzahlen auch weitere Daten zum Einsatz. Dazu zählen Informationen zu Kundencharakteristika (bspw. Alter, Wohnort, Retourenverhalten), Angaben zum Warenkorb (bspw. Bestellsumme, Rabattartikel, Anzahl des gleichen Artikels in verschiedenen Grössen) und auch sogenannte externe Daten (bspw. Wetter, Ferien und Feiertage). Machine-Learning-Verfahren sind auf Basis dieser Daten nicht nur imstande, Prognosen für die Zukunft zu erstellen, sondern auch besonders relevante Retourentreiber zu identifizieren, d. h. die Frage zu beantworten, unter welchen Umständen Artikel besonders häufig retourniert werden.

KI-basierte Retourenprognosen optimal nutzen

Auf Basis präziser Retourenprognosen lassen sich Abläufe und Ressourcen rund um die operative Bearbeitung von Retouren besser planen und Effizienzgewinne realisieren. Beispielsweise kann das Personal im Lager – das häufig flexibel durch externe Personaldienstleister aufgestockt oder heruntergefahren werden kann – optimal geplant werden. Eine passende Personaleinsatzplanung verhindert Lagerstau und erhöht die Zufriedenheit der Kundschaft, die durch eine schnelle Bearbeitung der Retoure auch eine schnelle Rückerstattung des Kaufpreises erwarten können. Mit den gewonnenen Informationen zu den Retourentreibern können darüber hinaus auch präventive Massnahmen eingeleitet werden, die auf die Senkung der Retourenquote abzielen. Beispielsweise können falsche oder unpassende Bezeichnung von Kleidergrössen korrigiert, Interdependenzen zwischen Produkten im Onlineshop sinnvoll gekennzeichnet sowie Ansätze einer personalisierten digitalen Kaufberatung entwickelt werden. Die Möglichkeiten, mit KI echten Mehrwert zu erzeugen, sind vielzählig, es braucht nur den Mut, sich auf die Reise zu machen.

Die Connecta Bern wird auch im 2021 aufgrund der aktuellen Lage digital durchgeführt. Die Vielfalt der Digitalisierung, welche die Connecta auszeichnet, wird neben dem Connecta Blog in den Formaten Connecta TV und Connecta Talk aufgegriffen. Hier erfahren Sie mehr: www.post.ch/connecta