KI gegen Warenkorbabbrüche und Retouren
Zwei Zahlen definieren die undichtesten Stellen jedes eCommerce-Funnels: 70% aller Warenkörbe werden vor dem Checkout abgebrochen. 7 von 10 Leuten die etwas genug wollten um es in den Warenkorb zu legen, sind einfach gegangen. 17% aller Einzelhandelsverkäufe werden retourniert. In der Mode steigt das auf 24-30%. Über die Hälfte der Gen-Z-Käufer "bracketed" routinemäßig — bestellt mehrere Größen mit dem expliziten Plan die meisten zurückzuschicken. Das sind keine Conversion-Probleme. Das sind Vorhersage-Probleme. Die Daten die dir sagen dass ein Käufer gleich abspringt sind bereits in deinen Logs. Die Daten die dir sagen dass ein Produkt retourniert wird sind bereits in deiner Bestellhistorie. KI-gestützte Ansätze reduzieren Warenkorbabbrüche um durchschnittlich 18%. Retailer mit KI-Größenvorhersage sehen Größen-Retouren um 27% sinken. Dieser Post baut zwei prädiktive Systeme: einen Abbruchrisiko-Scorer und einen Retourenrisiko-Prädiktor. Beide in Python für die ML-Modelle und Ruby on Rails/Solidus für die eCommerce-Integration.
Teil 1: Warenkorbabbruch vorhersagen
Warum Menschen abbrechen und warum es vorhersagbar ist
Top-Gründe: 48% unerwartete Zusatzkosten, 24% Kontopflicht, 22% langsame Lieferung, 18% Rückgaberichtlinien-Bedenken, 17% komplizierter Checkout, 13% fehlende Zahlungsmethoden.
Das macht es zum ML-Problem: verschiedene Käufer brechen aus verschiedenen Gründen ab, und du kannst vorhersagen welcher Grund auf welchen Käufer zutrifft. Zahlungsmethodenwechsel = Zahlungsfriktionsproblem. Lieferseite lange angeschaut = Versandkosten/-zeitproblem.
Python: Abbruchrisiko-Scorer
Gradient-Boosting-Klassifikator der Abbruchwahrscheinlichkeit der aktuellen Session vorhersagt. Features: cart_value, cart_item_count, time_on_checkout_seconds, payment_method_switches, items_removed_during_checkout, is_returning_customer, previous_abandonment_count, device_type, hour_of_day, delivery_page_time_seconds, promo_frustration.
Engineered Features: avg_time_per_item, hesitation_score (Zahlungswechsel + Artikelentfernungen), promo_frustration (Code versucht aber ungültig).
Top-Prädiktoren typischerweise: previous_abandonment_count (Serienabbrecher stärkstes Signal), hesitation_score, device_type (Mobil 85% vs Desktop 70%), time_on_checkout_seconds.
Intervention basiert auf erkanntem Problem: promo_frustration → alternativen Rabatt anbieten, delivery_page_time hoch → Lieferoptionen hervorheben, payment_switches hoch → Zahlungshilfe zeigen, returning_customer → sanfte Erinnerung ohne Rabatt.
Solidus/Rails: Interventions-Engine
SessionFeatureBuilder sammelt Live-Session-Daten. InterventionEngine bewertet und löst passende Intervention aus (Popup, Inline, Chat, Banner, Exit-Intent). Maximal eine Intervention pro Session.
Post-Abandonment Recovery: E-Mail-Sequenzen basierend auf erkanntem Abbruchgrund. Preissensitive: Erinnerung → 5% Rabatt nach 24h → 10% nach 72h. Lieferbesorgte: Lieferbestätigung → Express-Angebot. Stammkunden: sanfter Hinweis (kein Rabatt nötig).
Teil 2: Retouren vorhersagen und verhindern
Welche Retouren vermeidbar sind
Passform und Größe verursachen ca. 70% der Mode-Retouren. Erwartungsabweichungen ("sah online anders aus") ein weiterer großer Teil. Bracketing (absichtlich mehrere Größen bestellen) steigt — über 51% der Gen Z.
Python: Retourenrisiko-Modell
Gradient-Boosting-Klassifikator der Retourwahrscheinlichkeit pro Bestellposition vorhersagt. Features: size_risk, product_avg_return_rate, customer_return_rate, customer_order_count, is_bracketing, review_sizing_flag, is_sale_item, bnpl_payment.
Top-Features: customer_return_rate (Serien-Retournierer), is_bracketing (mehrere Größen = fast sichere Teilretoure), size_risk (ungewöhnliche Größe für diesen Kunden), product_avg_return_rate.
Python: Collaborative Filtering für Größenempfehlung
NearestNeighbors-Ansatz: Finde Nutzer mit ähnlichen Körpermaßen und Kaufhistorie, schau welche Größe sie bei diesem Produkt behalten haben (nicht retourniert). Gewichtete Abstimmung basierend auf Ähnlichkeit.
Wird mit jedem Kauf besser — jede erfolgreiche (nicht retournierte) Bestellung lehrt das Modell welche Größe für welchen Körpertyp funktioniert. Retailer berichten 27% Reduktion größenbedingter Retouren.
Solidus/Rails: Retourenpräventions-Pipeline
ReturnPrevention::Pipeline bewertet jede Bestellposition: Retourenrisiko-Score + Größencheck via Collaborative Filtering. Interventionen: Größenvorschlag bei Mismatch, Passformbestätigung bei hohem Risiko, Exchange-Nudge bei erkanntem Bracketing.
ProductAnalytics: Aggregierte Retourenanalyse pro Produkt — Retourenrate, Größenanalyse (welche Größen haben Raten über 30%), Review-Sentiment, automatische Empfehlungen ("Produkt fällt konstant klein aus — Hinweis zur Beschreibung hinzufügen").
Die Wirtschaftlichkeit der Prävention
Solidus-Shop mit £1M Monatsumsatz, 70% Abbruchrate: 5 Prozentpunkte weniger Abbruch recovert ca. £33.000/Monat.
25% Retourenrate auf £1M: 3 Prozentpunkte Reduktion spart ca. £30.000/Monat an Verarbeitungskosten und recovert Marge.
Loslegen
- Checkout instrumentieren — jede Interaktion tracken
- Retouredaten exportieren mit strukturierten Grundcodes
- Abbruchmodell zuerst trainieren — schnellerer Feedback-Loop
- Größenempfehlung hinzufügen wenn genug Retouredaten vorhanden
- Feedback-Loop schließen — jede verhinderte Retoure verbessert das Modell