tl;dr
Was es ist: Das Returns Prediction Model gibt dir Insights auf Artikelebene, welche Bestellungen und Artikel wahrscheinlich retourniert werden – bevor die Retoure tatsächlich passiert.
Wie es funktioniert: Wir haben ein Data-Science-Modell gebaut, das Vorhersagen für jeden einzelnen Store, Tag, jede Bestellung und jeden Artikel erstellt.
Warum wir es gebaut haben: Wenn du eine hohe Retourenquote hast (wie eine Fashion-Marke), willst du Entscheidungen auf Basis deines echten Nettoumsatzes und des daraus abgeleiteten ROAS treffen, bevor die Retouren eintrudeln.
1. Wie das Return Prediction Model funktioniert
Das meiste Retouren-Reporting arbeitet auf Store- oder Kategorie-Ebene – Durchschnitte, Summen, die Zahl vom letzten Quartal. Nützlich, aber nicht handlungsleitend, wenn du eine Entscheidung zu einer einzelnen Bestellung treffen willst.
Wir haben etwas anderes gebaut: ein Modell, das für jedes Line Item in jeder Bestellung die Retouren-Wahrscheinlichkeit vorhersagt, sobald die Bestellung eingeht. Du musst nicht mehr warten, bis das Rückgabefenster geschlossen ist – du siehst ab Tag eins, was zurückkommt, Artikel für Artikel.
Unter der Haube ist das Modell ein Gradient-Boosted-Classifier (CatBoost), der separat auf der Bestellhistorie jedes Händlers trainiert wird. Er lernt unter anderem aus Kundenverhalten, Warenkorb-Zusammensetzung, SKU-Mustern und Versanddaten.
Das Modell berücksichtigt auch das Alter der Bestellung. Eine zwei Tage alte und eine drei Wochen alte Bestellung werden fair bewertet, obwohl die eine noch gar keine Zeit für eine Retoure hatte und die andere fast das Ende ihres Rückgabefensters erreicht hat. Genau das machen die meisten Retouren-Modelle falsch – und genau das macht unseres bei frischen Bestellungen zuverlässig, nicht nur bei historischen.
Im Test über 5 Shops mit Retourenquoten zwischen 17 % und 35 % sagte das Modell den Nettoumsatz mit einer Abweichung von nur 1,1 % vom tatsächlichen Wert voraus – über 131,9 Mio. € Bruttoumsatz und 3,8 Millionen Line Items, bewertet auf einem strikten Out-of-Time-Holdout, ohne händlerspezifische Kalibrierung.
2. Das Dashboard nutzen
2.1 Makro-Ebene
Das Dashboard sagt nicht nur Retouren voraus. Hast du zusätzliche Logistikkosten, die anfallen, wenn etwas zurückkommt? Die werden ebenfalls einberechnet. Jede Metrik, auf die du dich in Klar verlässt, ist mit vorhergesagten Retouren – und allen verknüpften Kosten – verfügbar, bereits ab dem Moment eingepreist, in dem eine Bestellung eingeht.
2.2 Mikro-Ebene
Neben deinen Shop-Metriken auf Makro-Ebene kannst du mit einer Flex Table nach Dimensionen wie Kanal, Bestellname oder Produkt-SKU aufschlüsseln. Das gibt dir einen detaillierten Blick darauf, wo sich Retouren wahrscheinlich konzentrieren, damit du Budget- und Bestandsentscheidungen treffen kannst, bevor die echten Retouren eintreffen.
2.3 Einschränkungen
Um das Modell zu nutzen, braucht dein Store im Monatsdurchschnitt mindestens 20.000 € Nettoumsatz, 100 Retouren und eine Retourenquote von 5 %. Diese Schwelle gibt es, weil das Modell mit zu wenig Eingabedaten nicht zuverlässig funktioniert – und wir setzen lieber eine klare Grenze, als Vorhersagen anzuzeigen, denen du nicht trauen kannst.
2.4 Detaillierte Ergebnisse
Willst du tiefer eintauchen, wie das Modell gebaut und bewertet wird? Klicke hier für die detaillierten Insights.