Größe, Passform und Bestand optimieren, um Retouren und Abfall zu senken

# Größe, Passform und Bestand optimieren, um Retouren und Abfall zu senken

Eine Kundin bestellt dasselbe Kleid in drei Größen, behält eines und schickt zwei zurück. Multiplizieren Sie das mit Millionen von Bestellungen, und Sie haben das teuerste Problem im Online-Modehandel: Retouren. In manchen Fashion-Kategorien steigen die Retourenquoten Richtung 40 %, und ein großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Teil davon geht auf eine einzige Ursache zurück: Kunden raten bei der Passform.

Zalando, Europas größte Online-Modeplattform, hat das Thema direkt angepackt. Indem das Unternehmen Fit-Prediction in die Customer JourneyCustomer JourneyDie gesamte Abfolge von Touchpoints, die ein Kunde vor, während und nach dem Kauf mit Ihrer Marke hat, von Awareness über Consideration und Entscheidung bis zu Retention und Advocacy.Vollständige Definition ansehen → eingebaut hat (eine Größe empfehlen, basierend darauf, was ähnlichen KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örpern tatsächlich gepasst hat), konnte es größenbedingte Retouren bei den beteiligten Produkten senken. Weniger Retouren heißt weniger Versand, weniger Neuverpackung, weniger Deponie und höhere Marge. Diese Lektion zeigt, wie diese Mechanik funktioniert und wie Sie sie einführen.

Warum Retouren eine Krise speziell der Modebranche sind

Retouren sind nicht kostenlos. Jedes zurückgeschickte Kleidungsstück verursacht Kosten für die Reverse Logistics (Rückversand), Prüfaufwand, Neuverpackung und Markdown-Risiko, weil ein zurückgesandter Artikel sein Verkaufsfenster verpassen kann. Branchenschätzungen beziffern die Kosten für die Bearbeitung einer einzelnen Retoure auf einen relevanten Anteil des Artikelpreises, manchmal genug, um den Gewinn aus dem Verkauf vollständig aufzuzehren.

Hinzu kommen die Nachhaltigkeitskosten. Ein Teil der retournierten Ware wird nie wieder verkauft. Sie wird rabattiert, liquidiert oder in manchen Fällen vernichtet. Retouren zu senken ist deshalb sowohl ein Margen- als auch ein Abfallthema, weshalb es inzwischen ebenso auf dem Schreibtisch des CFO wie auf dem des Chief Sustainability Officer liegt.

Die Ursachen teilen sich grob in zwei Gruppen:

• Unsicherheit bei der Passform: Der Kunde kennt seine Größe bei dieser Marke oder diesem Schnitt nicht.
• Bracketing: Der Kunde kauft bewusst mehrere Größen mit der Absicht, einige zurückzuschicken.

KI greift beides an.

Die drei Hebel

Hebel 1: Body-Scan- und MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßdaten

Der direkteste Weg zur Größenempfehlung ist, den KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örper zu kennen. Es gibt mehrere Ansätze, von geringer Hürde bis hohe Genauigkeit:

• Selbst angegebene Maße: Größe, Gewicht, Alter, BH-Größe, bevorzugte Passform. Günstig, aber verrauscht.
• Fotobasiertes Scanning: Apps, die KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örpermaße per Computer Vision aus zwei Smartphone-Fotos schätzen. Unternehmen wie 3DLOOK und Bold Metrics arbeiten in diesem Feld.
• 3D-Bodyscanner im Store: Kabinen, die präzise MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ße erfassen, verbreiteter im MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßkonfektions- und Uniformgeschäft.

Der Haken: KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örperdaten sind sensible personenbezogene Daten. Nach der EU-Datenschutz-Grundverordnung (DSGVO) kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Body Scans je nach Auslegung als biometrische Daten gelten, die ausdrückliche Einwilligung und sorgfältigen Umgang erfordern. Denken Sie Datenschutz von Tag eins mit: Speichern Sie so wenig wie möglich, holen Sie eine klare Einwilligung ein und lassen Sie Nutzer ihr Profil löschen.

Hebel 2: Größenempfehlungs-Engines

Die meisten großen Plattformen verlassen sich nicht allein auf Body Scans. Das Arbeitspferd ist eine Recommendation-Engine, trainiert auf Kauf- und Retourenhistorie. Der Kerngedanke: Die tatsächliche Passform eines Kleidungsstücks lernen Sie daraus, wie es bei Tausenden früheren Kunden gesessen hat.

Zalandos Ansatz, teilweise aufgebaut auf der Übernahme des Passform-Spezialisten Fits.me und späteren Forschungsteams, modelliert Kunde und Artikel in einem gemeinsamen „Größenraum“. Wenn Kunden, die Artikel A gekauft und behalten haben, auch Artikel B in derselben Größe behalten, schließt das System daraus, dass diese Artikel ähnlich ausfallen.

Eine vereinfachte Version der Logik:

# Pseudo-logic for a size recommendation signal
# For a given customer + candidate article:

def recommend_size(customer, article, purchase_history):
    # 1. Estimate customer's latent "true size" from kept items
    true_size = infer_true_size(purchase_history)  # items kept, not returned

    # 2. Estimate this article's fit bias (runs small / large / true)
    fit_bias = article.fit_offset  # learned from aggregate return reasons

    # 3. Adjust and score each available size
    scores = {}
    for size in article.available_sizes:
        expected_fit = true_size + fit_bias - size_to_scale(size)
        scores[size] = probability_of_keep(expected_fit)

    return max(scores, key=scores.get)

Das entscheidende Trainingssignal ist der Retourengrund-Code. Wenn ein Kunde einen Artikel zurückschickt und „zu klein“ oder „zu groß“ auswählt, ist dieses Label Gold wert. Es sagt dem Modell, in welche Richtung die Passform eines Kleidungsstücks verzerrt ist. Händler, die granulare Retourengründe erfassen, trainieren deutlich bessere Passform-Modelle als jene, die nur „retourniert: ja/nein“ sehen.

Hebel 3: Nachfragegetriebene Größen- und Filialallokation

Fit-Prediction senkt die Retouren pro Bestellung. Die Allokation senkt eine andere Verschwendung: Bestand am falschen Ort.

Klassischer Einkauf bestellt jeden Style nach einer festen Größenkurve (etwa 10 % XS, 20 % S, 30 % M, 25 % L, 15 % XL), einheitlich angewandt. Das Problem: Ein Store am Strand in einer Region verkauft einen anderen Größenmix als ein City-Store in einer anderen. Einheitliche Kurven sorgen dafür, dass die beliebten mittleren Größen ausverkauft sind, während XS und XXL liegen bleiben, reduziert werden und am Ende zu Abfall werden.

Nachfragegetriebene Allokation nutzt lokale Verkaufshistorie, um die Größennachfrage je Store oder je Fulfillment-Knoten zu prognostizieren, und verteilt den Bestand entsprechend. Der Nutzen:

• Weniger gebrochene Größenläufe (ein Style ist „gebrochen“, wenn die beliebten Größen ausverkauft sind und nur Randgrößen übrig bleiben, was den Full-Price-Abverkauf abwürgt).
• Weniger Markdowns.
• Geringere Kosten für Umlagerungen zwischen Stores.

Zur Vertiefung, wie Forecasting und Allokation zusammenhängen: McKinseys State of Fashion Reports verfolgen, wie führende Player das operativ umsetzen.

🎬 [VIDEO: "How Zalando Uses Machine Learning" - youtube.com - Zalando-Engineers erklären Größenempfehlung und Personalisierung at scale]

Operativ zum Laufen bringen

Die Technologie ist die einfachere Hälfte. Hier entscheidet sich, ob eine Einführung gelingt oder scheitert.

Abdeckung zählt mehr als Genauigkeit. Eine brillante Empfehlung, die bei 5 % der Produkte erscheint, bewegt die Retourenquote kaum. Priorisieren Sie eine brauchbare Empfehlung über den breitestmöglichen Katalog. Ein Hinweis „fällt klein aus, eine Größe größererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → wählen“ bei jedem Produkt schlägt oft einen präzisen Scan bei einer Handvoll Artikel.

Platzierung in der Journey. Die Empfehlung muss im Moment der Größenauswahl erscheinen, nicht versteckt in einem Tab. Eine einzige sichtbare Zeile („Wir empfehlen Größe M auf Basis Ihres Profils“) treibt die Nutzung.

Cold Start beherrschen. Neue Kunden und neue Produkte haben keine Historie. Nutzen Sie selbst angegebene MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ße und kategoriebezogene Passform-Priors, bis genug Daten vorliegen. Neue Artikel kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Fit-Bias von ähnlichen früheren Styles erben (gleiche Marke, gleiche Stoffdehnung, gleicher Schnittgrundkörper).

Den Kreis mit Retourengründen schließen. Sorgen Sie dafür, dass der Retourenprozess das *Warum* erfasst. Strukturierte Gründe („zu eng an den Schultern“, „zu lang“) speisen das Modell und, entscheidend, fließen zurück an Design und Einkauf, damit wiederkehrende Passformfehler an der Quelle behoben werden.

Bracketing im Blick behalten. Manche Händler berechnen Retouren oder markieren Serien-Bracketer. Das ist kommerziell und reputativ heikel. Bessere Fit-Prediction ist der Positivsummen-Zug: Menschen helfen, gleich richtig zu bestellen, statt sie zu bestrafen.

Wirkung ehrlich messen

Erklären Sie keinen Erfolg auf Basis einer Vanity-Metrik. Messen Sie:

• Retourenquote nach Grund: Isolieren Sie Größen- und Passformretouren, denn genau darauf wirkt Fit-Technologie. Ein Rückgang bei „Meinung geändert“ geht nicht auf Ihr Modell zurück.
• Behaltensquote bei empfohlener Größe: Haben Kunden, die der Empfehlung gefolgt sind, den Artikel tatsächlich häufiger behalten?
• Full-Price-Abverkauf nach Größe: Beleg dafür, dass die Allokation gebrochene Größenläufe und Markdowns reduziert.
• Nettomarge pro Bestellung, nicht nur Retouren, denn ein Vorgehen, das Retouren unterdrückt, aber auch Verkäufe, ist ein Verlust.

Fahren Sie es als sauberes Experiment. Zeigen Sie die Empfehlung einer zufälligen Testgruppe, halten Sie sie einer Kontrollgruppe vor und vergleichen Sie. Eine Korrelation zwischen „Nutzern des Fit-Tools“ und „niedrigeren Retouren“ ist irreführend, weil engagierte Shopper sich ohnehin anders verhalten. Nur ein kontrollierter Test zeigt den echten Lift.

Die Abfall-Dividende

Jede vermiedene Retoure ist ungefähr eine vermiedene Versand-Rundreise plus die zugehörigen Emissionen und Verpackungen. Jede besser allokierte Größenkurve bedeutet weniger Kleidungsstücke, die in den Sale gehen oder liquidiert werden. Für einen mittelgroßen Online-Händler kann schon eine Senkung der größenbedingten Retourenquote um wenige Punkte zu spürbaren Kosteneinsparungen und einer belastbaren Nachhaltigkeitsgeschichte führen, die Sie berichten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, vorausgesetzt, Sie messen streng statt großzügig zu schätzen.

Key Takeaways

• Retouren sind die Margen- und Abfallkrise des Online-Modehandels, und Unsicherheit bei der Passform ist der größte behebbare Treiber. Zalando hat größenbedingte Retouren gesenkt, indem Fit-Prediction direkt in die Customer JourneyCustomer JourneyDie gesamte Abfolge von Touchpoints, die ein Kunde vor, während und nach dem Kauf mit Ihrer Marke hat, von Awareness über Consideration und Entscheidung bis zu Retention und Advocacy.Vollständige Definition ansehen → eingebaut wurde.
• Retourengrund-Codes sind Ihre wertvollsten Trainingsdaten. Erfassen Sie granulare Gründe („zu klein“, „Schultern zu eng“), um sowohl das Modell als auch Ihre Design- und Einkaufsteams zu schulen.
• Abdeckung schlägt Präzision. Ein einfacher, sichtbarer Größenhinweis über den gesamten Katalog bewegt die Retouren mehr als ein perfekter Body Scan bei wenigen Produkten.
• Nachfragegetriebene Größenallokation passt den Bestand an die lokale Nachfrage an und reduziert gebrochene Größenläufe, Markdowns und Abfall, die einheitliche Größenkurven erzeugen.
• Belegen Sie die Wirkung mit einem kontrollierten Test, gemessen an der Retourenquote nach Grund und der Nettomarge pro Bestellung, nicht an Vanity-Metriken oder Korrelationen.