KI für die Retourenabwicklung: Vorhersage betrügerischer Retouren
Retourenbetrug kostete US-Einzelhändler im Jahr 2025 schätzungsweise 24,5 Milliarden Dollar, laut der National Retail Federation. Für jeweils 100 Dollar an retournierter Ware waren etwa 15,14 Dollar betrügerisch. Das Problem wächst schneller als der gesamte E-Commerce, weil Betrüger immer raffinierter geworden sind und die meisten Einzelhändler sich noch immer auf pauschale Rückgaberichtlinien verlassen, die jeden Kunden gleich behandeln.
Ein Sportartikelhändler mit einem jährlichen Online-Umsatz von etwa 80 Millionen Dollar berichtete, dass er vor der Implementierung eines KI-basierten Erkennungssystems jährlich rund 1,9 Millionen Dollar durch Retourenbetrug verlor. Nach 14 Monaten mit dem laufenden System sanken die bestätigten Betrugsverluste auf etwa 620.000 Dollar. Das Modell erkannte nicht alles, aber es markierte genug, um die Verluste um zwei Drittel zu reduzieren.
Die häufigsten Betrugsmuster
Wardrobing ist die am weitesten verbreitete Form, bei der Kunden Kleidung oder Accessoires kaufen, sie einmal tragen (oft für ein Social-Media-Foto oder eine Veranstaltung) und dann zurückgeben. Signale umfassen Retouren hochwertiger Artikel innerhalb von 2-3 Tagen, Rückgabe von Artikeln mit wieder angebrachten Etiketten (manchmal erkennbar durch Daten zum Etikettenzustand, wenn Ihr Lager dies erfasst) und wiederkehrende Muster desselben Kunden.
Bracketing-Betrug liegt vor, wenn Kunden absichtlich mehrere Größen oder Farben bestellen und planen, die meisten davon zurückzugeben. Das ist nicht immer betrügerisch (einige Händler ermutigen es sogar), wird aber zum Problem, wenn es mit Wardrobing kombiniert wird oder wenn die retournierten Artikel Gebrauchsspuren aufweisen. Das unterscheidende Signal ist die Retourenquote: Legitime Bracketer geben 60-70 % der Mehrfachbestellungen zurück, während betrügerische Bracketer oft 90 %+ zurückgeben, wobei die Artikel nicht mehr als neu verkauft werden können.
Kassenbon-Betrug und Preismanipulation umfassen die Rückgabe von rabattiert gekauften Artikeln zum vollen Preis oder die Rückgabe eines günstigeren Artikels in der Verpackung eines teuren. Diese sind ohne physische Inspektion schwerer zu erkennen, aber KI kann verdächtige Muster markieren, wie Kunden, die regelmäßig Artikel zurückgeben, die während Aktionen gekauft wurden.
Organisierte Einzelhandelskriminalität macht einen geringeren Prozentsatz nach Volumen aus, aber einen größeren Anteil an den Dollarverlusten. Es handelt sich um professionelle Operationen, die Waren kaufen und gegen Gutschriften oder Erstattungen zurückgeben. Die Verhaltenssignale unterscheiden sich vom individuellen Betrug: mehrere Retouren über verschiedene Konten mit ähnlichen Adressen oder Geräten, Rückgabe von stark nachgefragten Artikeln in großen Mengen und neue Konten ohne Kaufhistorie, die große Retouren tätigen.
Was die KI-Modelle tatsächlich analysieren
Die Betrugserkennungsmodelle, die im E-Commerce-Retourenbereich am besten funktionieren, betrachten nicht einen einzelnen Faktor. Sie bewerten Retouren anhand einer gewichteten Kombination von Signalen. Die Retourenhistorie des Kunden ist der stärkste Prädiktor. Ein Kunde mit einer Retourenquote von 65 % über mehr als 30 Bestellungen hat ein grundlegend anderes Risikoprofil als jemand, der zum zweiten Mal überhaupt einen Artikel zurückgibt. Das Modell verfolgt nicht nur die Retourenquote, sondern auch die Retourengeschwindigkeit (wie schnell Artikel zurückkommen), die Verteilung des Retourenwerts (immer den teuersten Artikel einer Mehrfachbestellung zurückgeben) und saisonale Muster.
Auch Daten auf Artikelebene sind wichtig. Bestimmte Produktkategorien haben natürlich höhere Retourenquoten (Bekleidung liegt durchschnittlich bei 25-30 %, während Elektronik bei etwa 8-10 % liegt). Das Modell benötigt kategoriespezifische Basiswerte, um legitime Retouren in Kategorien mit hoher Retourenquote nicht fälschlicherweise zu markieren. Innerhalb von Kategorien können bestimmte Artikel mit ungewöhnlich hohen Retourenquoten aus bestimmten Kundensegmenten auf ein gezieltes Wardrobing-Muster hinweisen.
Geräte- und Sitzungsdaten fügen eine weitere Ebene hinzu. Wenn derselbe Geräte-Fingerabdruck mit mehreren Konten verknüpft ist, die alle ein hohes Retourenverhalten zeigen, ist das ein starkes Signal für organisierten Betrug. IP-Adressmuster, Browser-Fingerabdrücke und Zeitpunkte der Kontoerstellung fließen alle in den Risikoscore ein.
Zeitmuster sind überraschend aufschlussreich. Betrügerische Retouren häufen sich in bestimmten Zeitfenstern: kurz vor Ablauf der Rückgabefrist, unmittelbar nach großen Veranstaltungen oder Feiertagen (was auf Wardrobing für das Event hindeutet) und verdächtig schnell nach der Lieferung (bestellt, erhalten, innerhalb von 48 Stunden ohne ersichtlichen Grund retourniert).
Ein Retourenbetrugs-System kaufen oder selbst entwickeln
Fertige Lösungen von Unternehmen wie Riskified, Signifyd und Forter bieten Retourenbetrugs-Scoring als Teil ihrer umfassenderen Betrugspräventionsplattformen an. Diese funktionieren gut für mittelständische Händler, da sie mit Daten von Hunderten von Händlern trainiert wurden, was ihren Modellen einen breiteren Blick auf Betrugsmuster gibt, als ein einzelner Händler allein entwickeln könnte. Typische Kosten liegen bei 0,5-1,5 % des über das System verarbeiteten Retourenwerts.
Die Eigenentwicklung ist sinnvoll für große Einzelhändler mit einzigartigen Betrugsmustern oder solche, die genügend Retouren verarbeiten (über 50.000 pro Monat), um ihre eigenen Modelle effektiv zu trainieren. Die Entwicklung umfasst typischerweise eine Feature-Engineering-Pipeline, die die oben beschriebenen Signale extrahiert, ein Gradient-Boosting- oder neuronales Netzwerkmodell, das auf historischen Retouren trainiert wird, die als betrügerisch oder legitim gekennzeichnet sind, sowie eine Scoring-API, die jede Retourenabfrage in Echtzeit bewertet.
Das Labeling-Problem ist der schwierigste Teil der Eigenentwicklung. Die meisten Einzelhändler verfügen nicht über saubere historische Daten darüber, welche Retouren tatsächlich betrügerisch waren. Oft muss man mit einem regelbasierten System beginnen (Retouren markieren, die bestimmte Kriterien für eine manuelle Überprüfung erfüllen), die Ergebnisse der manuellen Überprüfung nutzen, um einen gelabelten Datensatz aufzubauen, und dann ein Modell auf diesen gelabelten Daten trainieren. Dieser Bootstrap-Prozess dauert 6-12 Monate, um genügend gelabelte Beispiele für ein zuverlässiges Modell zu generieren.
Was mit den Betrugs-Scores geschehen soll
Das Modell gibt einen Risikoscore aus, typischerweise 0-100. Die Frage ist, was damit zu tun ist. Die meisten Einzelhändler implementieren einen dreistufigen Ansatz. Retouren mit niedrigem Risiko (Score unter 30) werden automatisch und ohne Reibung verarbeitet. Retouren mit mittlerem Risiko (30-70) durchlaufen den normalen Prozess, werden aber für eine nachträgliche Überprüfung markiert. Retouren mit hohem Risiko (über 70) lösen zusätzliche Verifizierungsschritte aus, bevor die Erstattung erfolgt.
Diese zusätzlichen Schritte können beinhalten: Fotos des Artikels anfordern, bevor ein Rücksendeetikett erstellt wird, die Retoure an ein spezialisiertes Inspektionsteam im Lager weiterleiten, die Erstattung verzögern, bis der Artikel eingegangen und geprüft ist, oder in extremen Fällen den Kunden höflich darüber informieren, dass die Rückgabe gemäß der aktuellen Richtlinie nicht qualifiziert ist.
Der Schlüssel liegt in der Kalibrierung der Schwellenwerte. Wird der Hochrisiko-Schwellenwert zu niedrig angesetzt, entsteht Reibung für legitime Kunden, was Zufriedenheit und Kundenlebenszeitwert beeinträchtigt. Wird er zu hoch angesetzt, wird Betrug übersehen. Die meisten Einzelhändler beginnen konservativ (Schwellenwert bei 80-85) und senken ihn schrittweise, wenn sie Vertrauen in die Modellgenauigkeit aufbauen.
Für E-Commerce- und Einzelhandelsunternehmen, die mit wachsenden Retourenvolumen zu kämpfen haben, kann selbst ein einfaches Betrugs-Scoring-System, das die offensichtlichsten Muster erkennt, 1-3 % der retourenbezogenen Verluste zurückgewinnen. Je ausgefeilter Ihre Datenerfassung und Ihr Modelltraining werden, desto höher steigt diese Rückgewinnungsrate. Die Einzelhändler mit den besten Ergebnissen sind diejenigen, die Retourenbetrugs-Erkennung nicht als einmaliges Projekt betrachten, sondern als fortlaufende Optimierung, bei der sie ihre Modelle regelmäßig neu trainieren, wenn sich Betrugsmuster mit jeder Saison verschieben und weiterentwickeln.