Was Retouren in Mode wirklich kosten, und ob sich Vorhersage lohnt

Die gängige Erzählung ist eingängig: Retouren kosten ein Vermögen, also trainiert man ein Modell, das die Rücksendung vorhersagt, greift früh ein und spart Millionen. Wir haben das auf 2,33 Millionen echten Bestellposten eines Online-Mode-Händlers nachgerechnet. Das Ergebnis ist nüchterner und für jede Einkaufs- und Daten-Abteilung wichtiger als das Versprechen: Die Prävention sitzt genau auf der wirtschaftlichen Kante, und wo sie liegt, entscheidet eine einzige Zahl, die fast alle falsch ansetzen.

1 · Die erste Korrektur betrifft die Kosten, nicht das Modell

Über Jahre kursierte, eine Retoure koste den Händler 10 bis 15 Euro. Die bislang größte europäische Händlerbefragung räumt damit auf: Transport und Bearbeitung schlagen im Schnitt mit 2,85 Euro je Rücksendung zu Buche, nicht mit dem Doppelten oder Dreifachen. Darin steckt allerdings noch kein Wertverlust.

Den haben wir getrennt beziffert. Von den zurückgesandten Artikeln gehen rund 92 Prozent als neuwertig zurück in den Verkauf, etwa 4 bis 6 Prozent werden zu B-Ware mit Preisabschlag, rund 4 Prozent landen in der Vernichtung. Gewichtet man das mit den realen Artikelpreisen des Datensatzes (im Schnitt 32,73 Euro), ergibt sich ein Wertverlust von 0,75 bis 2,29 Euro je Retoure. Die ehrliche Gesamtkosten-Spanne für Mode liegt damit bei 3,60 bis 5,14 Euro je Rücksendung, nicht bei 10 bis 15.

Diese Zahl ist kein Detail. Sie ist der Hebel, an dem die gesamte Rechnung hängt.

2 · Die Gewinnschwelle, die niemand ausweist

Eine Intervention kostet Geld (eine Größenberatung, ein Hinweis, ein manueller Prüfschritt), und sie verhindert die Retoure nur in einem Teil der Fälle. Setzt man die Interventionskosten mit 1 Euro und die Präventionsrate mit 30 Prozent an, dann muss eine Retoure mindestens 3,33 Euro kosten, damit das Eingreifen überhaupt Geld spart. Darunter zahlt man pro verhinderter Rücksendung drauf.

Die belegte Mode-Kostenspanne (3,60 bis 5,14 Euro) liegt direkt über dieser Gewinnschwelle. Das heißt konkret:

• Rechnet man nur das Handling (2,85 Euro), lohnt Prävention nicht (Netto rund null, das Modell empfiehlt faktisch Nichtstun).
• Zählt man den Wertverlust voll mit (5,14 Euro), bringt das Modell auf unserem Test-Zeitraum rund 19.300 Euro netto, also etwa 1,6 Prozent der Retouren-Kosten dieses Ausschnitts.

Ob sich ML-gestützte Retouren-Prävention in Mode rechnet, ist also keine Frage des Modells, sondern der Wertverlust-Buchung. Wer B-Ware und Vernichtung ignoriert, kommt zum Schluss „lohnt nicht"; wer sie einrechnet, zu „lohnt knapp". Beides ist weit entfernt vom Millionen-Versprechen.

3 · Das Modell, und der ehrliche Unterschied zur Hochglanz-Demo

Auf reinen Bestelldaten (Artikel, Preis, Rabatt, Zahlart, Warenkorb) erreicht ein Gradient-Boosting-Modell auf einem zeitlichen Holdout eine ROC-AUC von 0,696, gut kalibriert. Das klingt unspektakulär, und genau hier weichen viele öffentliche Hochglanz-Demos nach oben ab.

Der Grund ist meist dasselbe: das stärkste Signal ist die eigene Retouren-Historie des Kunden, und dieses Signal sickert trivial durch, wenn man es über den gesamten Datensatz oder auf einer zufälligen Aufteilung berechnet. Wir haben es date-strikt konstruiert, also nur aus Bestellungen mit früherem Datum, die aktuelle Bestellung ausgeschlossen. Sauber gebaut hebt es die AUC auf 0,737 und verdoppelt die Netto-Ersparnis nahezu. Liegt eine Hochglanz-Demo deutlich darüber (etwa 0,80), ist die Differenz zu unseren 0,737 mit hoher Wahrscheinlichkeit der Leakage-Aufschlag, kein echter Mehrwert.

Das ist die eigentliche Botschaft an Entscheider: Eine hohe gezeigte Genauigkeit ist ohne saubere zeitliche Aufteilung und ohne Leakage-freie Merkmale nicht interpretierbar.

4 · Größen-Bracketing: der konkrete Hebel, ehrlich vermessen

Ein verbreitetes Versprechen lautet, personalisierte Größen-Empfehlung senke Retouren um 25 Prozent. Wir haben das am Bracketing-Verhalten geprüft: Kunden bestellen denselben Artikel in mehreren Größen, behalten eine, schicken den Rest zurück.

• 16,6 Prozent aller Posten sind solche Größen-Brackets, mit einer Retouren-Quote von 73 Prozent; sie machen 23,5 Prozent aller Retouren aus.
• Aber nur dort, wo genau eine Größe behalten wird (rund 40 Prozent der Brackets), ist es überhaupt ein Größenproblem. In gut der Hälfte wird nichts behalten, das ist ein Produkt- oder Geschmacksproblem, das keine Größenlogik löst.
• Ein Leakage-frei gelernter, personalisierter Größen-Empfehler trifft die behaltene Größe in 28,8 Prozent der Fälle (gegenüber 19,1 Prozent bei einer reinen Artikel-Baseline, also klar besser). Realistisch eingefangen werden damit rund 2 Prozent aller Retouren; die theoretische Decke liegt bei 6,9 Prozent.

25 Prozent sind es also nicht, und können es mit Größen-Empfehlung allein auch nicht sein. Personalisierung wirkt nachweisbar, der Hebel ist nur kleiner als beworben.

→ Der Größen-Hebel im Detail vermessen: Was Größen-Empfehlung wirklich gegen Retouren ausrichtet.

5 · Die stärkste Gegenposition

Die stärkste Gegenrede: Wir unterschätzen den Nutzen, weil wir den vollen Mode-Wertverlust (Saisonware, mehrfach retournierte Stücke, Markenauflagen zur Vernichtung) und teurere Premium-Sortimente nicht modellieren; dort steigt der Retouren-Kostensatz klar über unsere Spanne, und damit kippt die Rechnung deutlicher ins Plus. Das stimmt, und genau deshalb berichten wir eine Spanne und eine Gewinnschwelle statt einer Punktzahl: In hochpreisigen Segmenten lohnt Prävention früher und stärker. Die Kernaussage bleibt, dass die Wirtschaftlichkeit am Kostensatz hängt und nicht am Modell.

6 · Was dieser Artikel nicht abdeckt

Kein Kausalmodell der Intervention (die 30 Prozent Präventionsrate ist eine explizite Annahme, kein gemessener Effekt). Keine Körper- oder Passform-Daten, nur Kauf- und Retouren-Verhalten. Ein einzelner Händler-Datensatz (DMC 2016), keine Branchen-Verallgemeinerung. Und kein Nachhaltigkeits-Argument, obwohl die 4 Prozent Vernichtung dafür der offensichtliche Anknüpfungspunkt wären.

Reproduzierbarkeit

Sämtliche Zahlen entstehen aus dem öffentlichen DMC-2016-Datensatz über die Skripte in den Companion-Repositories fashion-returns-analysis (EDA, Modell, Leakage-freies Kunden-Merkmal, Kosten-Sensitivität) und fashion-size-fit-prediction (Größen-Empfehler). Die Rohdaten werden aus Lizenzgründen nicht mitgeliefert, sondern per Loader aus dem Kaggle-Download reproduziert.

Quellen

• European Return-o-Meter (EUROM), B. Asdecker, Universität Bamberg, 2022 (Handlings-/Transportkosten 2,85 Euro je Retoure): uni-bamberg.de
• Retourenvernichtung (~4 Prozent, ~20 Mio. Artikel/Jahr; 80 Prozent unter 15 Euro), B. Asdecker, Universität Bamberg: uni-bamberg.de
• EHI-Studie zu Retourenquoten (Textilwirtschaft): textilwirtschaft.de
• bevh-Retourenkompendium (Hrsg. G. Heinemann): bevh.org
• Datengrundlage: Data Mining Cup 2016 (Online-Fashion-Retouren), via Kaggle.