Retouren sind ein Produktdatenproblem: Warum jede zurückgeschickte Ware mit einem fehlenden Attribut beginnt

Wenn eine Bestellung zurückkommt, beginnt im Unternehmen meist eine Suche nach dem Schuldigen. Das Lager? Der Versanddienstleister? Die Kundin, die „einfach mehrere Größen bestellt“ hat?

Selten fällt der Blick dorthin, wo die Retoure tatsächlich entstanden ist: auf die Produktseite.

Eine Retoure ist oft nichts anderes als eine Erwartung, die die Produktdaten geweckt und das Produkt nicht erfüllt hat.

Die Retoure beginnt vor dem Warenkorb

Online-Käufer können Ware weder anfassen noch anprobieren. Sie entscheiden auf Basis von Informationen: Titel, Bilder, Maße, Material, Kompatibilität, Pflegehinweise. Was dort fehlt, ergänzt der Kopf mit Annahmen.

Und Annahmen sind der Rohstoff jeder Retoure. Ein „Regal aus Echtholz“, das sich als Furnier entpuppt. Ein Ladekabel, das „universell“ heißt und am Gerät nicht passt. Eine Jacke, die auf dem Foto fließend fällt und in der Realität steif ist.

In keinem dieser Fälle hat die Logistik versagt. Die Information hat es getan.

Drei Arten von Datenlücken, die Retouren auslösen

In der Praxis lassen sich die meisten datengetriebenen Retourengründe auf drei Muster zurückführen. Wir nennen sie die drei Lücken der Erwartung.

1. Die Lücke der Vollständigkeit. Das entscheidende Attribut fehlt schlicht: die Tiefe des Schranks, die Kompatibilität mit einem Gerätemodell, die Passform („fällt klein aus“). Wer es nicht weiß, bestellt und hofft.

2. Die Lücke der Präzision. Das Attribut ist vorhanden, aber so vage, dass es nichts aussagt. „Mittelgroß“, „Mischgewebe“, „für viele Geräte geeignet“. Je ungenauer die Angabe, desto größer der Interpretationsspielraum, und desto häufiger liegt die Interpretation daneben.

3. Die Lücke der Konsistenz. Titel, Beschreibung, Bullet Points und Marktplatz-Eintrag erzählen unterschiedliche Geschichten. Im Shop steht 80 cm, auf dem Marktplatz 82 cm, im PDF des Herstellers 78 cm. Welche Zahl stimmt? Kunden merken es oft erst, wenn das Paket geöffnet ist.

Ein Beispiel aus dem Alltag

Stellen Sie sich einen Händler für Wohnaccessoires vor. Ein Beistelltisch kommt von einem Lieferanten per Excel-Liste ins System: Titel, Farbe „Eiche“, Maße in einer einzigen Spalte als „45x45x50“. Mehr gibt der Lieferant nicht her.

Im Shop erscheint der Tisch als „Eiche, kompakt“. Auf dem Marktplatz wird die Farbe zu „Braun“, die Maße landen im Freitext. Ein Kunde bestellt den Tisch für den Platz neben dem Sofa. Er ist 50 cm hoch, die Sofalehne 62 cm. Aus „kompakt“ wurde in seinem Kopf „etwa Armlehnenhöhe“.

Der Tisch geht zurück. Die Retoure steht in der Statistik unter „gefällt nicht“. Dabei hätte ein sauber gepflegtes Attribut, vielleicht ergänzt um die Information, dass die Tischplatte furniert ist, die Erwartung rechtzeitig geradegerückt.

Warum das Problem mit dem Sortiment wächst

Bei 200 Produkten lässt sich Datenqualität noch mit Fleiß und Excel-Disziplin sichern. Bei 20.000 Produkten, mehreren Lieferanten, drei Marktplätzen und fünf Sprachen nicht mehr.

Jeder zusätzliche Kanal verlangt eigene Attribute und Formate. Jeder neue Lieferant liefert in seiner eigenen Struktur. Jede manuelle Übertragung ist eine Chance für einen Tippfehler, eine vergessene Einheit oder einen veralteten Wert.

Das Ergebnis ist selten ein spektakulärer Fehler. Es ist ein stilles Grundrauschen aus kleinen Ungenauigkeiten, das sich als Retourenquote in der Bilanz niederschlägt, ohne dass jemand die Ursache sieht.

Was ein agentischer Ansatz anders macht

Der klassische Reflex lautet: mehr Prüfung, mehr Handarbeit, noch eine Checkliste. Das skaliert nicht. Ein agentischer Ansatz dreht die Logik um: Die Qualität wird nicht am Ende kontrolliert, sondern entlang des gesamten Product-Data-Lifecycles hergestellt.

Bei ainavio übernehmen dafür spezialisierte AI Agents konkrete Aufgaben:

• Der Research Agent recherchiert fehlende Informationen bei Herstellern und Lieferanten. Jedes Attribut wird mit Quelle und Vertrauensbewertung angezeigt, sodass nachvollziehbar bleibt, woher ein Wert stammt.
• Der Enrichment Agent ergänzt fehlende Attribute und erstellt Titel und Beschreibungen im Ton der Marke.
• Der Quality Agent erkennt fehlende Pflichtinformationen, Dubletten und Inkonsistenzen, bevor sie online gehen.
• Der Publishing Agent prüft die Daten gegen die Anforderungen des jeweiligen Kanals und veröffentlicht erst, wenn sie vollständig und konform sind.

Dazu kommen Pflichtattribute, die eine Veröffentlichung ohne vollständige Daten gar nicht erst zulassen, und ein Golden Record, der Informationen aus mehreren Quellen zu einem verlässlichen Datensatz zusammenführt. So verschwindet die Lücke der Konsistenz: Es gibt eine Wahrheit, die an alle Kanäle ausgespielt wird.

Die Kontrolle bleibt dabei beim Menschen. Die Agents arbeiten vor, Ihr Team gibt frei.

Was sich messen lässt

Wer Produktinformationen präzise und vollständig bereitstellt, verbessert nicht nur die Auffindbarkeit, sondern senkt auch die Retourenquote. Als Richtwert nennen wir bis zu 20 % weniger Retouren und bis zu 44 % weniger Kaufabbrüche durch vollständige, präzise Produktdaten. Der genaue Effekt hängt von Sortiment, Branche und Ausgangslage ab.

Wichtig ist die Perspektive: Jede vermiedene Retoure spart nicht nur Versand- und Aufbereitungskosten. Sie erhält auch den Umsatz, die Marge und das Vertrauen des Kunden.

Die richtige Frage nach der Retourenquote

Beim nächsten Retourenreport lohnt sich eine andere Frage als „Wer hat das Paket zurückgeschickt?“. Besser: „Welche Information hätte diese Retoure verhindert, und wo im Prozess ist sie verloren gegangen?“

Die Antwort liegt fast immer in den Produktdaten. Und dort lässt sie sich beheben, einmal im System statt tausendfach im Kundenservice.

Die beste Retoure ist die, die nie bestellt wurde, weil die Produktseite von Anfang an ehrlich war.