Retouren sind für den Onlinehandel das wohl größte und eines der teuersten Ärgernisse: Mit rund 19 Euro – je nach Waren­gruppe und Komplexität der Prüfung – beziffern Handels­experten die Kosten, wenn ein Kunde eine online bestellte Ware zurückschickt (jeweils zur Hälfte Transport- und Bearbeitungskosten). Und ­immerhin geht im Schnitt laut dem Retourentacho der ­Universität Bamberg jedes sechste ausgelieferte Paket und ­jeder achte bestellte Artikel an den Versender zurück – eine Quote, die in den letzten Jahren trotz umfangreicher Be­mühungen der Händler ­nahezu gleich geblieben ist. Unterm Strich sind das ­angesichts des E-Commerce-Booms rund 280 Millionen ­Pakete und 487 ­Millionen Artikel – ein enormer Kostenfaktor für die Händler.

Wie viele der Artikel tatsächlich nicht mehr weiter­verkauft und deshalb quasi ungebraucht vernichtet werden, ist ein ­Politikum. Ein neues Gesetz soll in Zukunft für ein nachhaltigeres Denken unter Online­händlern sorgen. Laut der Bamberger ­Studie sind es 3,9 Prozent der zurückgegebenen Waren, die entsorgt werden müssen. Dagegen kommen rund 80 Prozent als A-Ware und der Rest als B-Ware (teils über industrielle Verwerter) wieder in den Verkauf.

Wie hoch der Anteil der zurückgesendeten Waren ist, hängt dabei stark von der Warengruppe ab. Während ­Lebensmittel, Kosmetika, Gartenartikel und Werkzeug eher selten zurück­geschickt werden, ist die Quote bei Unterhaltung­selektronik und Technikartikeln sowie vor allem bei Bekleidung und ­Schuhen beispielsweise empfindlich hoch, teilweise oberhalb der 50-Prozent-­Marke. Technikartikel werden nach Aussagen großer Onlinehändler offenbar gerne mal zum ausführlichen Testen bestellt und dann aufgrund fehlender Features oder Kompatibilität zurückgeschickt. Hier können Händler vor allem mit möglichst ausführlichen Beschreibungen punkten, haben aber nur begrenzte Stellschrauben angesichts des sehr kundenfreundlichen Fern­absatzrechts. Während bei diesen oft hochpreisigen Waren der Versender einen in absoluten Zahlen hohen Wertverlust verschmerzen muss, liegt die Sache bei Bekleidung etwas anders: Sie kann aus saisonalen Gründen nur über kurze Zeit noch angeboten werden. Doch Ware, die der Kunde nicht behält, ist ­oftmals ­mehrere Wochen unterwegs, und je näher das Saisonende rückt, desto stärker sinkt die Wahrscheinlichkeit, das Stück noch anderweitig verkaufen zu können.

Verständlich, dass Onlinehändler mit einer Vielzahl an ­Strategien versuchen, gerade in den Bereichen „Bekleidung“ und „Schuhe“ die Kunden davon abzuhalten, mehrere Größen und ­Farben eines Produkts zur Ansicht zu bestellen. Wenn das ­passiert, ermahnen kleinere Shops, aber auch größere wie Otto, den Kunden durch ein entsprechendes Popup, dass man doch ­bitte einfach messen möge und nur die passende Variante bestellen solle.

Andere Onlinehändler incentivieren das Bewerten der Passform und Größe durch die Kunden mit entsprechenden ­Gutscheinen. Bei den Artikeln, die der Kunde behält, und vor ­allem auch bei denen, die er zurückschickt. Ein beliebtes Mittel, das insbesondere auch bei Shopping-Clubs zum Einsatz kommt, ist ein in Aussicht gestellter Gutschein im Rücksendeprozess, falls der Kunde sich doch dazu entschließt, mit der Ware nicht den Versender zu belasten, sondern sie selbst im Freundeskreis oder etwa via Ebay Kleinanzeigen weiterzugeben.

Doch das Problem ist in der Branche – online wie offline – altbekannt: Maße auf dem Etikett oder der Größentabelle helfen nur begrenzt weiter, wenn der Schnitt, trotz theoretisch ­korrekter Maße, nicht passen will. Selbst die inzwischen zum Standard gehörenden 360-Grad-Ansichten der Kleidungsstücke können nur einen begrenzten Eindruck vermitteln, sodass eine hohe ­Unsicherheit beim Kunden bleibt.

Der Modeversender Zalando ist deshalb dazu übergegangen, mit ­Fitting Models und einem Team aus Software-Ingenieuren, Data Scientist und Business Developern zu arbeiten. Diese ­setzen auf einen datengetriebenen Algorithmus. Dabei probieren die Models sämtliche Kleidungsstücke an, und Kollegen bewerten die Passform. Mithilfe von großen Datenbeständen und Machine ­Learning findet das Unternehmen so im Laufe der Zeit anhand von ­Ähnlichkeiten heraus, welche Produkte welcher Her­steller möglicherweise passen können, und welche der Kunde eine ­Größe größer oder kleiner bestellen sollte.

Die entsprechenden Ratschläge zur Größenangabe basieren auf der Einschätzung der Fitting Models, auf den Bewertungen anderer Kunden und auf Basis der eigenen Retouren, bei denen ja gegebenenfalls angegeben wird, ob die Ware zu groß oder zu klein war. Zusätzlich experimentiert das Modeunternehmen mit Körperscannern und Heatmaps, um automatisiert und auf KI-­Basis zu ermitteln, wo ein Kleidungsstück zu eng oder zu weit für die jeweilige Person ist.

„Wir haben drei verschiedene Möglichkeiten zur ­Generierung von Körpermaßen getestet. Eine davon war die Gesichtser­kennung ohne 3D-Komponenten – also 2D-Bilder. Dann ­testeten wir die zweidimensionale Bildverarbeitung, also eine Computervision von Ganzkörperbildern. Und schließlich testeten wir mit dem großen 3D-Scangerät“, erklärt Stacia Carr, die das Fitting-Team bei Zalando leitet. Alleine mit dem 2D-Scanner, also einer großen Zahl an Bildern vom Körper des Kunden, habe man Kleidung mit einer Treffsicherheit von 97 Prozent als passend oder ­unpassend zuordnen können. Je mehr der Kunde bestellt und korrekt ­beurteilt, wenn’s nicht gepasst hat, umso besser und treffsicherer werden die Tipps zur Größen- und Passformfrage im Laufe der Zeit.

Für Zalando geht es dabei, so erklärt eine Sprecherin, nicht nur um die Reduzierung der Retourenquoten, sondern auch darum, das Einkaufserlebnis für den Kunden zu optimieren. Nach Angaben des Unternehmens zahlen sich die Datenauswertung und der Einblick in die Erfahrungen der Kunden aus: Denn auch wenn die Fitting Models bislang nur einen Teil des Sortiments anprobiert haben, lassen sich so schon Zigtausende ­Fehlbestellungen vermeiden. Größenbedingte Retouren seien im ver­gangenen Jahr um vier Prozent zurückgegangen, erklärt die Sprecherin. Was erst einmal nach nicht viel klingt, ist bei der Menge der Bestellungen dennoch ein Millionenbetrag, der den Aufwand rechtfertigt.

Zalando prüft dabei gezielt solche Produktgruppen, die aufgrund der Passform besondere Probleme machen könnten, etwa Kleider und Hosen. Denn die hätten nicht nur besonders viele Datenpunkte (Schultern, Taille, Hüften, Länge, etc.), sondern es kommt auch sehr auf persönliche Vorlieben bei Sitz und Passform an. Auch Artikel oder Hersteller, bei denen der Prozentsatz an Rücksendungen wegen Größenproblemen besonders hoch sei, habe man im Fokus.

Besser und treffsicherer bei großen Artikelmengen ist da nur noch der 3D-Körperscanner, den inzwischen verschiedene Unter­nehmen aus der Bekleidungsindustrie anbieten. Beim Kölner Startup Onefid wird der Körper von Personen mithilfe ­mehrerer Millionen Messpunkte bis ins kleinste Detail erfasst. Die Maße werden dann in einem Datensatz abgelegt und mit ­denen ­vieler Tausender anderer Personen abgeglichen, um ­ähnliche ­Körper zu clustern. Mithilfe eines Computertomografen will das ­Unternehmen Tausende Kleidungsstücke erfassen und soll so in der Lage sein, treffsicher zu beurteilen, welche Stücke dem ­Kunden oder der Kundin besonders gut passen würden. Mittelfristig soll es so möglich sein, über eine Tablet-App den passenden Stil zu definieren und den Körper detailliert zu vermessen. Bisher ist das Unternehmen allerdings auf Schuhe, passende Leisten und Sohlen spezialisiert. Jeder Schuh wird dabei ­genauestens mithilfe von 800 Messdurchgängen und Bildern in seinem ­3D-Volumen erfasst. Für die Bekleidungsversender könnte das zukünftig ­einen echten Mehrwert generieren.

Ständig mit dem Kampf um die richtige Größe hat auch ­Zyseme zu tun. Das Berliner Startup bietet maßgeschneiderte Kleidung online an, seit dem vergangenem Jahr unter anderem auch für H&M. Hier ist das Retourenproblem anders ­gelagert –, denn der Kunde bestellt nicht drei Größen zur Ansicht, ­sondern ein für ihn gefertigtes Exemplar. Das muss dafür aber ent­sprechend gut passen, weil der Kunde es so erwartet. „Die ­lernenden ­Algorithmen von Zyseme bestimmen für jeden ­einzelnen Menschen seine ­perfekte Größe. Dazu werden dem Kunden ­Fragen gestellt – ­neben Körpergröße und Gewicht zum Beispiel auch, wie häufig man Ausdauer- oder Kraftsport macht“, erklärt Bobby Östberg, CEO und Gründer von Zyseme. Auf Basis der Antworten wird das Schnittmuster generiert, mit dem der Hersteller dann ein ­individuelles Kleidungsstück fertigen kann.

Dabei sei die Maßanfertigung, so Östberg, mithilfe künst­licher Intelligenz besser zu bewerkstelligen, als mit reinem ­Vermessen des Körpers. Denn abgefragt werden beispielsweise auch bestimmte Sportarten, die der Kunde treibt, oder ­Präferenzen in Bezug auf den Schnitt. „Im Bestellprozess wird laufend die ­Plausibilität geprüft. Es ist unwahrscheinlich, dass ich 1,70 Meter groß bin und 90 Kilo wiege, wenn ich fünfmal pro Woche Ausdauersport mache. Darauf reagieren unsere Algorithmen und berücksichtigen das.“ Im Zweifelsfall könne man nachfragen, so Östberg: „Das System weist darauf hin, wann es sinnvoll ist, den Nutzer zu kontaktieren, bevor die Produktion startet. Wir ­hatten kürzlich einen Fall, bei dem das Gewicht nicht zu Größe und Sportgewohnheiten passte. Wir haben den Kunden kontaktiert, und es stellte sich heraus, dass er im Rollstuhl sitzt.“

Zyseme rechnet vor, dass individuell gefertigte Bekleidung ein probates Mittel gegen die Überproduktion sei. Für die Produktion sei das preislich übrigens kaum ein Problem, weil die Herstellung von Kleidung immer noch ein sehr manueller Prozess sei. Ein Erfolg ist das Konzept also auch in Sachen Nachhaltigkeit, weil die künstliche Intelligenz bereits heute sehr treffsicher sei: „Wir stehen ja noch am Anfang, aber wir sehen, dass die Quote an Problemfällen deutlich unter zehn Prozent liegt. Und wir werden stetig besser, da jede Bestellung unsere Algorithmen trainiert.“

Einen gänzlich anderen, nicht minder datengetriebenen Ansatz, hat der ERP-Hersteller Weclapp. Das Unternehmen kann für Händler der unterschiedlichen Branchen und Warengruppen ­voraussagen, mit welcher Wahrscheinlichkeit ein Kunde eine Sendung zurückschicken wird. Die Anwendung wird derzeit mit Echtdaten getestet und steht kurz vor der Markteinführung. ­Dabei kann das System beliebige Parameter auswählen: Etwa, wie hoch in einer bestimmten Warengruppe, bei einem ­bestimmten ­Hersteller oder Modell die Wahrscheinlichkeit ist, dass diese dem Kunden nicht zusagt. Aber natürlich auch, wie rücksende­freudig der Kunde generell ist oder sich bei ­bestimmten Waren gezeigt hat. Selbst äußere Voraussetzungen wie die Tageszeit der ­Bestellung, der Tag im Monatsverlauf oder die Wetterlage können hier theoretisch einfließen, falls man hier auf bestimmte Muster stößt.

„Durch große Datenmengen können Muster erkannt und angewendet werden, beispielsweise im Bestellprozess, bei dem dann Ähnlichkeiten des Nutzerverhaltens zu bisherigen Datenkonstellationen erkannt und Verhaltenswahrscheinlichkeiten berechnet werden“, so Ertan Özdil, Gründer und CEO der Weclapp. Es sei deswegen so treffsicher, weil man händler- und kundenübergreifend große Fallzahlen auswerte, und weil das System mithilfe von Machine Learning im Laufe der Zeit immer besser arbeiten könne. Das erfolge anonymisiert und nach den gültigen Grundsätzen des Datenschutzes.

„Das System weist darauf hin, wann es sinnvoll ist, den Nutzer zu kontaktieren, bevor die Produktion startet.“

Zum Einsatz kommt hierbei ein neuronales Netz, das die ­höhere Präzision über die schiere Menge an Daten und ­Parametern erzeugen kann. „Das ist ein echtes Zukunftsthema bei uns, in das wir uns aktiv in Forschung und Entwicklung einbringen, zum Beispiel durch das gerade entstehende Artificial-­Intelligence-Cluster mit der Universität Würzburg“, berichtet Özdil. Nach und nach wolle man die Funktionen in das ERP-System einbinden und den Handelskunden – konkrete Namen nennt der CEO hier noch nicht – anbieten.

Die Bewertung der Rücksendewahrscheinlichkeit ist ­dabei gerade erst im Entstehen, während das Unternehmen bei der KI-basierten Einschätzung von Zahlungsausfällen bereits über umfangreiche Erfahrungen verfügt, was sich natürlich methodisch positiv bemerkbar macht. Doch ähnlich wie die zu erwartende Zahlungsmoral eines Kunden dürfte die Rück­sendewahrscheinlichkeit eine Information sein, die dem Händler eine bessere Conversion und nicht zuletzt auch ein besseres Verständnis des Kunden ermöglicht. Ein Kunde, der so gut wie nie Waren zurückschickt, könnte etwa durch einen kleinen Nachlass zum Kauf animiert werden. Man könnte ihm die Versandkosten erlassen oder ihn zu einem vergünstigten Upsellig, respektive ­einem größeren Warenkorb, animieren.

Künstliche Intelligenz bietet also auf ganz unterschiedliche Weise Ansatzpunkte, um händlerseitig zu erkennen, was der Kunde benötigt und wie er am besten zufriedengestellt werden kann. Dabei geht es im Optimalfall gar nicht mal um die Zahl der zurückkommenden Pakete, sondern auch darum, dass der ­Kunde möglichst zuverlässig das findet, wonach er sucht. Sprich: Es dreht sich einmal mehr um Themen wie optimale User ­Experience und Customer Journey.

Gerade die Bekleidungsbeispiele zeigen, wohin die Reise geht: Ein guter Verkäufer in Fachgeschäften, gerade im Bekleidungs­bereich, zeichnete sich früher dadurch aus, dass er ­beeindruckend treffsicher einem Kunden, der das Geschäft betrat, die passenden Kleidungsstücke zum Anprobieren in die Kabine mitgeben ­konnte. Diese Beratungsqualität auch im Onlinehandel anbieten zu können, dürfte ein entscheidender Schritt dabei sein, dem Kunden das Einkaufen zu erleichtern – und für sich selbst das leidige Problem mit den kostenintensiven Rücksendungen auf ein Minimum zu reduzieren.