KI im E-Commerce: Produktdaten, Personalisierung und Retouren im Griff

Es ist Donnerstag, 21:50 Uhr. Sandra Bergmann sitzt am Küchentisch in Bielefeld, der Laptop offen, und schaut auf das Dashboard ihres Onlineshops für Outdoor-Bekleidung. 38 Mitarbeiter, gut 14.000 Artikel, solides Wachstum. Und trotzdem stimmt etwas nicht. Drei Produktbeschreibungen widersprechen sich beim selben Jackenmodell, ein Bestseller hat seit Wochen keine vernünftige Beschreibung, und der Retouren-Karton-Stapel im Lager wächst schneller als der Umsatz. Jede zweite zurückgeschickte Hose hat denselben Grund: zu klein bestellt.

Sandra ist kein Einzelfall. KI im E-Commerce wird oft als Spielerei für Konzerne abgetan, dabei sitzen kleine und mittlere Händler genau auf den drei stillen Margenfressern, an denen KI heute am stärksten wirkt: lückenhafte Produktdaten, generische Shop-Erlebnisse und eine Retourenflut. Der Markt wächst wieder, laut bevh (2024) legte der deutsche Onlinehandel 2024 erstmals seit 2021 wieder zu, auf 80,6 Milliarden Euro Brutto-Warenumsatz. Wer in diesem Markt vorne mitspielen will, gewinnt nicht über mehr Traffic, sondern über mehr aus jedem einzelnen Besuch. Genau dafür ist KI im E-Commerce das passende Werkzeug, und genau das erzählen wir hier am Beispiel von Sandra.

Warum KI im E-Commerce bei den Produktdaten beginnt

Produktdaten sind das Fundament jedes Onlineshops, denn ohne saubere Beschreibungen, Attribute und Bilder findet, vergleicht und kauft niemand. Genau deshalb beginnt KI im E-Commerce fast immer hier, beim Datenbestand, bevor Personalisierung oder Retouren überhaupt sinnvoll angegangen werden können. Genau hier liegt bei den meisten Mittelständlern der erste blinde Fleck: Daten kommen aus Lieferanten-Listen, Excel-Tabellen und alten Importen, sind unvollständig und widersprechen sich. Das Ergebnis sind schwache Produktseiten, die in der internen Suche und bei Google untergehen.

Das Potenzial ist riesig, wird aber kaum gehoben. Laut Bitkom (2023) sehen 82 Prozent der Händler großes Potenzial in der KI-gestützten Textgenerierung, während erst eine Minderheit KI produktiv einsetzt. Diese Lücke zwischen erkanntem Potenzial und tatsächlicher Nutzung ist die Chance für alle, die jetzt handeln.

Wie KI aus Rohdaten verkaufsstarke Produktseiten macht

Bei Sandra haben wir genau dort angesetzt. Eine KI liest die vorhandenen Rohdaten und Produktbilder aus, erkennt Material, Schnitt, Farbe und Einsatzzweck und schreibt daraus konsistente, suchmaschinenstarke Beschreibungen, immer im gleichen Markenton. Aus 14.000 chaotischen Datensätzen wird ein gepflegter Katalog, in dem jedes Attribut stimmt.

Das Schöne daran: Was früher Wochen manueller Texterei kostete, läuft jetzt im Hintergrund und bleibt aktuell, sobald ein Lieferant neue Ware schickt. Produktdaten-Anreicherung ist damit kein einmaliges Projekt, sondern ein dauerhaft sauber gehaltenes PIM-System. Wer mehr solcher konkreten Einsatzfelder sucht, findet sie in unserer Übersicht der 10 profitablen KI-Anwendungsfälle für KMU.

Wie Personalisierung aus Besuchern Käufer macht

Personalisierung im Onlineshop bedeutet, jedem Besucher das zu zeigen, was zu ihm passt, statt allen dasselbe Schaufenster vorzusetzen. Das ist längst keine Kür mehr, sondern Erwartung, und der zweite große Hebel der KI im E-Commerce: Laut McKinsey (2024) erwarten 71 Prozent der Konsumenten personalisierte Interaktionen und 76 Prozent sind frustriert, wenn diese ausbleiben.

Und Personalisierung zahlt direkt auf den Umsatz ein. Laut derselben McKinsey-Analyse erwirtschaften schneller wachsende Unternehmen 40 Prozent mehr Umsatz aus Personalisierung als ihre Wettbewerber, der typische Umsatz-Lift liegt bei 10 bis 15 Prozent. Das ist Geld, das bei generischen Shops jeden Tag liegen bleibt.

Empfehlungen, die zum echten Bedarf passen

In Sandras Shop schlägt die KI heute keine zufälligen Bestseller mehr vor, sondern lernt aus Klick-, Kauf- und Warenkorbverhalten, welche Kombination für genau diesen Besucher Sinn ergibt. Wer eine Regenjacke ansieht, bekommt die passende Überhose und nicht zehn beliebige Artikel. Die Conversion-Rate stieg in der Pilotkategorie messbar, weil Empfehlungen endlich relevant waren.

Dass relevante, datenbasierte Ansprache funktioniert, zeigt sich quer durch alle Kanäle. Wie stark gezielte Personalisierung wirkt, haben wir im Vertrieb am Beispiel KI-gestützter Personalisierung mit messbarem Conversion-Uplift beschrieben. Im Shop ist das Prinzip identisch: Relevanz schlägt Masse.

Größenberatung gegen den Warenkorbabbruch

Besonders bei Mode entscheidet die richtige Größe über Kauf oder Absprung. Eine KI-gestützte Größenberatung fragt wenige Eckdaten ab, gleicht sie mit anonymisierten Kaufdaten ähnlicher Kunden ab und empfiehlt die wahrscheinlich passende Größe. Das senkt den Warenkorbabbruch und, wie der nächste Abschnitt zeigt, vor allem die Retourenquote.

Wie KI die Retourenquote spürbar senkt

Retouren sind im Onlinehandel der größte stille Kostenblock, und der dritte Hebel der KI im E-Commerce wirkt hier doppelt: Sie verhindert Fehlkäufe vorab und macht die Ursachen sichtbar. Das Problem ist gewaltig. Laut Handelsdaten.de und EHI (2024) bekommen 28 Prozent der Online-Händler mehr als jeden vierten verkauften Artikel zurück, im Bereich Fashion und Accessoires berichten sogar 65 Prozent der Händler von Retourenquoten über 25 Prozent.

Und jede einzelne Rücksendung kostet bares Geld. Laut EHI Retail Institute (2024) zahlen 30 Prozent der Händler 5 bis 10 Euro pro Retoure, 26 Prozent sogar 10 bis 20 Euro. Bei Sandras Volumen summiert sich das zu einem fünfstelligen Betrag pro Monat, der nie auf der Rechnung steht, aber jeden Monat die Marge frisst.

Die Datenlücke, die KI schließt

Die eigentliche Pointe steckt im Umgang mit den Gründen. Laut EHI Retail Institute (2024) erfassen 81 Prozent der Händler ihre Retourengründe systematisch, aber nur 67 Prozent leiten daraus konkrete Maßnahmen ab. Die Daten liegen also da, werden aber nicht in Handlung übersetzt. Genau diese Lücke schließt KI, indem sie Muster erkennt: welche Artikel, welche Größen, welche Beschreibungen auffällig oft zurückkommen.

Bei Sandra zeigte die Auswertung, dass ein bestimmtes Hosenmodell fast immer wegen einer zu knappen Bundweite zurückging. Die KI markierte das Muster, die Größenberatung wurde angepasst und die Beschreibung ergänzt. Die Retouren dieses Modells gingen deutlich zurück. Diesen Weg vom Datenpunkt zur Entscheidung vertiefen wir in bessere Entscheidungen dank KI-Daten. Dass solche Verbesserungen am Ende reine Prozessoptimierung sind, beschreiben wir auch in Prozesse mit KI effizienter gestalten.

Was KI im E-Commerce konkret bewegt: die drei Hebel im Überblick

Damit klar wird, wo KI im E-Commerce ansetzt und was sie messbar verändert, fassen wir die drei Hebel kompakt zusammen. Jeder zahlt auf eine andere Kennzahl ein, gemeinsam verbessern sie die Marge.

Diese drei Hebel sind kein Zufall, sondern genau die Felder, in denen Händler laut Bitkom selbst das größte Potenzial sehen, von Textgenerierung über personalisierte Empfehlungen bis zur visuellen Produktsuche. Der Markt zeigt sogar, wie groß der Topf ist: Laut McKinsey (2024) kann generative KI im Handel und bei Konsumgütern einen zusätzlichen Wertbeitrag von 240 bis 390 Milliarden US-Dollar schaffen.

Warum Selbstbau scheitert und Full-Service gewinnt

Der entscheidende Unterschied bei KI im E-Commerce liegt nicht in der KI selbst, sondern in der sauberen Integration in den vorhandenen Shop- und PIM-Stack. Genau hier zerschellen die meisten Eigenversuche: Ein zusammengeklicktes Plug-in hier, ein Skript dort, am Ende widersprechen sich die Systeme und niemand pflegt das Ganze. Das Ergebnis ist mehr Aufwand statt weniger.

Deshalb arbeitet Sandra nicht mit Bastellösungen, sondern mit DigiRift als Full-Service-Partner. Wir analysieren ihren Datenbestand, binden die KI an PIM und Shop an, halten die Datenhoheit in Deutschland und sorgen dafür, dass Produktdaten, Empfehlungen und Retouren-Auswertung als ein System zusammenspielen. Sandra kümmert sich um Sortiment und Marke, wir kümmern uns um die Technik dahinter.

Wer wissen will, ob sich der Aufwand rechnet, sollte mit dem Ergebnis statt mit dem Werkzeug starten. In einem kostenlosen Potenzialgespräch von rund 30 Minuten schauen wir auf Ihren Shop, benennen den Hebel mit dem schnellsten Effekt, also Produktdaten, Personalisierung oder Retouren, und skizzieren eine realistische Zeit- und Budgetspanne. Schreiben Sie uns dazu über die Kontaktseite von DigiRift, und wir steigen direkt bei Ihren Zahlen ein. Wie sich solche Einzelhebel in eine Gesamtstrategie mit klarem ROI fügen, lesen Sie in KI-Strategie für KMU mit Blick auf den ROI.

Fazit: Drei Hebel, ein System, mehr Marge

KI im E-Commerce ist für den Mittelstand kein Hype, sondern ein Werkzeug an genau den drei Stellschrauben, die heute über die Marge entscheiden: angereicherte Produktdaten, echte Personalisierung und eine spürbar gesenkte Retourenquote. Die Zahlen sind eindeutig, das Potenzial sehen Händler selbst, gehoben wird es aber erst, wenn KI im E-Commerce sauber in den Shop- und PIM-Stack integriert ist. Sandra Bergmann verkauft heute mit klareren Produktseiten, relevanteren Empfehlungen und einem deutlich kleineren Retouren-Stapel. Wenn Sie diesen Weg nicht selbst basteln, sondern done-for-you begleiten lassen wollen, ist DigiRift Ihr Partner von der Datenanalyse bis zum laufenden Betrieb.

Quellen

1. bevh (2024): E-Commerce zurück auf Wachstumskurs. https://bevh.org/detail/e-commerce-zurueck-auf-wachstumskurs
2. EHI Retail Institute (2024): Zwischen Kosten und Kundenservice, Versand- und Retourenmanagement im E-Commerce. https://www.ehi.org/presse/zwischen-kosten-und-kundenservice/
3. Handelsdaten.de und EHI Retail Institute (2024): Retouren und Retourenquote im E-Commerce 2024. https://www.handelsdaten.de/e-commerce/retouren-retourenquote-e-commerce-2024
4. Bitkom Research (2023): Ohne Online-Angebot kommt kein Händler aus. https://www.bitkom.org/Presse/Presseinformation/Ohne-Online-Angebot-kommt-Haendler-aus
5. McKinsey & Company (2024): The value of getting personalization right or wrong is multiplying. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying
6. McKinsey & Company (2024): LLM to ROI, How to scale gen AI in retail. https://www.mckinsey.com/industries/retail/our-insights/llm-to-roi-how-to-scale-gen-ai-in-retail