KI gestützte Customer Journey im E-Commerce: 4 Ansätze, die Ihre Conversion Rate messbar steigern

Rund 70 Prozent aller Warenkörbe im Onlinehandel bleiben liegen, bevor der Kauf abgeschlossen ist. Den Wert von 70,22 Prozent ermittelt das Baymard Institute als Durchschnitt aus 50 Studien. Für Shopbetreiber heißt das: Ein großer Teil des Werbebudgets bringt Besucher bis kurz vor die Kasse und verpufft dort, denn jeder Klick und jeder Besuch hat bereits Geld gekostet.

Wie viel Künstliche Intelligenz an dieser Kette ändert, hängt stark von der Messmethode ab: In einem kontrollierten Experiment mit einem Kaufhaus steigerten Produktempfehlungen den Umsatz um rund 11 Prozent, deutlich weniger, als manche Anbieterzahlen nahelegen.

Offen ist für die meisten Shops nicht mehr die Frage, ob sie KI einsetzen, sondern wo sie anfangen. Dieser Beitrag stellt vier Ansätze vor, die messbare Ergebnisse liefern, ohne dass Sie Ihr gesamtes Shopsystem umbauen müssen.

Die E-Commerce-Customer-Journey: Wo KI Wirkung zeigt

Ihre Kunden durchlaufen bis zum Kauf und danach typischerweise fünf Phasen: Aufmerksamkeit (Awareness), Vergleich (Consideration), Kauf (Purchase), Kundenbindung (Retention) und Weiterempfehlung (Advocacy). Jede Phase hat eigene Schwachstellen, und an jeder setzt ein anderer KI-Ansatz an.

Nehmen wir an, Ihre durchschnittliche Conversion Rate liegt bei nur 2,4 Prozent. Von 100 Besuchern kaufen dann zwei bis drei. Statista weist die Conversion-Rate im Onlinehandel weltweit nach Endgerät aus, wobei Tablet-Nutzer im März 2025 am häufigsten kauften. Besonders sichtbar wird der Verlust in der Kaufphase: In einer Baymard-Befragung von US-Onlinekäufern nannten 48 Prozent zu hohe Zusatzkosten wie Versand, Steuern oder Gebühren als Grund für den Abbruch.

Schon kleine Verbesserungen wirken deshalb stark. Steigt die Conversion-Rate bei gleicher Besucherzahl von 2,4 auf 3 Prozent, wächst der Umsatz um 25 Prozent.

Wo die vier KI-Ansätze in der Customer Journey ansetzen

Phasen des Kaufprozesses und der jeweils passende Hebel

Aufmerksamkeit, Vergleich

Produktempfehlungen

zeigen passende Artikel nach Verhalten, Kontext und Kaufhistorie.

Vergleich, Kauf

Dialog-KI

beantwortet Fragen zu Größe, Lieferzeit und Rückgabe sofort.

Kauf

Checkout-Optimierung

senkt Hürden bei Formular, Zahlungsart und Betrugsprüfung.

Kundenbindung

Abwanderung vorhersagen

erkennt Warnsignale, bevor Stammkunden still verschwinden.

Im Schnitt bleiben 70,22 Prozent der Warenkörbe im Onlinehandel liegen, ermittelt aus 50 Studien.

Quelle: Baymard Institute, Cart Abandonment Rate Statistics (Stand September 2025); Dr.-Web-Redaktion

© 2026 Dr. Web | Das Fachportal für Entscheider | Infografik von Dr. Web

Realistische Erwartungen: Was KI kann und was nicht

KI ist kein Allheilmittel. Schlechte Produkte, eine mangelhafte Logistik oder einen schwachen Kundenservice gleicht keine Software aus.

Die Stärken der Technik liegen woanders: Muster erkennen, Angebote personalisieren und in Echtzeit reagieren. Ein Modell wertet Millionen Datenpunkte schneller aus, als ein Mensch das je könnte.

Wichtig für Ihre Planung: KI-Systeme brauchen Daten, um zu lernen. Je mehr gute Daten über Kundenverhalten, Produktmerkmale und Kaufhistorie vorliegen, desto präziser arbeiten die Algorithmen. Ein kleiner Shop mit einigen hundert Bestellungen im Monat wird andere Ergebnisse sehen als ein etablierter Händler mit Tausenden Besuchern am Tag.

Ansatz 1: Intelligente Produktempfehlungen

Die einfachste Form von Produktempfehlungen kennen Sie aus jedem Onlineshop: „Kunden kauften auch“ oder „Ähnliche Produkte“. Solche Standardlösungen folgen simplen Regeln und liefern oft unpassende Vorschläge. Eine Kundin, die gerade einen Laptop gekauft hat, braucht keinen zweiten Laptop, wohl aber eine Tasche, eine Maus oder Software.

KI-gestützte Empfehlungssysteme (Recommendation Engines) berücksichtigen neben den Käufen anderer Kunden den ganzen Zusammenhang eines Besuchs: Welche Seiten hat der Besucher angesehen und wie lange? Welche Filter hat er gesetzt, zu welcher Tageszeit und mit welchem Gerät surft er? Alle diese Signale fließen in Echtzeit in die Empfehlung ein.

Wie KI-Empfehlungssysteme funktionieren

Kollaboratives Filtern (Collaborative Filtering) wertet das Verhalten ähnlicher Kunden aus. Haben Kundin A und Kundin B jeweils fünf gleiche Produkte gekauft und erwirbt Kundin A ein sechstes, empfiehlt das System dieses Produkt auch Kundin B. Der Vorteil: Das Verfahren entdeckt Zusammenhänge, die Menschen nicht auffallen. Der Nachteil: Für neue Produkte und neue Kunden fehlen die Daten, in der Fachsprache heißt das Kaltstartproblem.

Inhaltsbasiertes Filtern (Content-based Filtering) vergleicht Produktmerkmale. Hat ein Kunde eine blaue Laufhose der Marke X in Größe M gekauft, schlägt das System ähnliche Laufhosen vor, ausgewählt nach Farbe, Marke, Größe und weiteren Merkmalen. Der Ansatz funktioniert auch bei neuen Produkten, erfasst aber keine unerwarteten Kaufmuster.

Hybride Systeme kombinieren beide Methoden und ergänzen sie um Deep Learning, also mehrschichtige neuronale Netze. Solche Modelle erkennen auch nichtlineare Zusammenhänge. Ein Beispiel: Laufschuhe landen im Sommer häufiger zusammen mit Sonnencreme im Warenkorb, im Winter dagegen mit Funktionsunterwäsche. Saisonale und kontextabhängige Muster wie dieses erfassen hybride Modelle zuverlässiger als starre Regeln.

Konkrete Zahlen: Was Empfehlungssysteme bringen

Die bekannteste Zahl stammt von McKinsey: Nach einer Schätzung der Unternehmensberatung aus dem Jahr 2013 gehen 35 Prozent der Umsätze von Amazon auf Produktempfehlungen zurück. Die Zahl ist eine Schätzung von außen und wird seit Jahren weiterzitiert.

Nüchterner fällt ein kontrolliertes Experiment aus: Anuj Kumar von der University of Florida testete Empfehlungen gemeinsam mit einem Kaufhaus und maß ein Umsatzplus von rund 11 Prozent. Empfehlungen steigern den Absatz demnach spürbar, nach Kumars Ergebnis aber deutlich weniger stark als bis dahin berichtet. Fallstudien der Anbieter nennen oft weit höhere Werte, doch solche Zahlen stammen aus einzelnen Shops und lassen sich selten auf Ihren übertragen. Planen Sie deshalb mit einem vorsichtigen Ziel und messen Sie den Effekt selbst, am besten mit einer Kontrollgruppe, die keine Empfehlungen sieht.

Einführung in der Praxis: Ihre Optionen

Für die Einführung eines Empfehlungssystems stehen Ihnen drei Wege offen.

Bordmittel der Shopplattform: Shopify liefert Produktempfehlungen von Haus aus und ergänzt sie über die kostenlose App Search & Discovery. Der Vorteil: schnelle Einrichtung ohne zusätzliche Lizenz. Der Nachteil: wenig Spielraum für eigene Regeln und weniger ausgefeilte Algorithmen.

Spezialisierte Anbieter wie Nosto, Dynamic Yield, FactFinder oder epoq bieten eigene Empfehlungssysteme mit mehr Stellschrauben als die Standardlösungen. Nosto etwa lässt sich an verbreitete Shopsysteme wie Shopify und Adobe Commerce anbinden. Konkrete Preise nennen diese Anbieter erst auf Anfrage, die Kosten richten sich nach Besucherzahl und Funktionsumfang.

Eigene Integrationen kommen vor allem für selbst gehostete Shopsysteme infrage. Für Shopware und vergleichbare Lösungen finden Sie bei Inovanet weiterführende Informationen zu spezifischen Integrationsmöglichkeiten und Best Practices.

Die technischen Voraussetzungen sind überschaubar: Sie brauchen einen Produktkatalog mit sauber gepflegten Merkmalen (Kategorie, Farbe, Größe, Marke), idealerweise eine Kaufhistorie von einigen hundert Bestellungen und eine verlässliche Messung des Nutzerverhaltens (Tracking). Je genauer Ihre Daten, desto treffender die Empfehlungen.

ROI-Berechnung: Ein Rechenbeispiel

Angenommen, ein mittelständischer Modeshop hätte 50.000 Besucher im Monat. Die übrigen Werte seiner Ausgangslage:

• Conversion-Rate: 2,5 Prozent
• Durchschnittlicher Warenkorbwert: 85 Euro
• Monatsumsatz: 106.250 Euro

Steigerte ein Empfehlungssystem die Conversion-Rate um 20 Prozent, sähe die Rechnung so aus:

• Neue Conversion-Rate: 3 Prozent
• Neuer Monatsumsatz: 127.500 Euro
• Umsatzplus: 21.250 Euro im Monat

Auf der Kostenseite stünden 3.000 bis 5.000 Euro für die einmalige Einrichtung und eine laufende Gebühr von 800 Euro im Monat. Umsatz ist allerdings kein Gewinn. Bei einer angenommenen Marge von 20 Prozent blieben vom Umsatzplus 4.250 Euro Deckungsbeitrag, nach Abzug der Gebühr 3.450 Euro im Monat. Die Einrichtung hätte sich damit nach ein bis zwei Monaten bezahlt gemacht.

Der Kundenwert über die gesamte Kundenbeziehung (Lifetime Value) kommt in dieser Rechnung noch gar nicht vor. Finden Kunden über passende Empfehlungen das Richtige, steigt die Chance, dass sie wiederkommen und sich stärker an Ihren Shop binden.

Erfolgsfaktoren und typische Stolpersteine

Ein typischer Fehler: Das Empfehlungssystem startet und wird danach nie wieder angepasst. Planen Sie deshalb kontinuierliche A/B Tests ein und testen Sie verschiedene Empfehlungsverfahren, Platzierungen und Gestaltungen der Empfehlungsboxen gegeneinander.

Datenqualität vor Menge: Räumen Sie Ihren Produktkatalog auf, bevor Sie ein Empfehlungssystem einführen. Fehlende Kategorien, uneinheitliche Merkmale oder falsche Preise führen zu schlechten Empfehlungen. Ein gepflegter Katalog mit 1.000 Produkten liefert bessere Ergebnisse als ein chaotischer mit 10.000.

Die richtige Platzierung: Auf der Produktdetailseite passen ergänzende Artikel („Passend dazu“, Cross-Selling), im Warenkorb höherwertige Alternativen (Upselling), auf der Startseite Vorschläge nach den zuletzt angesehenen Produkten.

Transparenz: Sagen Sie Ihren Kunden, warum Sie ein Produkt empfehlen. Hinweise wie „Passend zu Ihrer Bestellung von …“ oder „Kunden mit ähnlichem Geschmack mochten auch …“ schaffen Vertrauen und machen die Empfehlung nachvollziehbar.

Typische Stolpersteine

Zu wenige Daten: Mit wenigen Dutzend Käufen im Monat erkennt kein Algorithmus belastbare Muster. Setzen Sie sich vor dem Start deshalb eine Mindestmenge, etwa 500 Bestellungen im Monat.

Zu ähnliche Vorschläge: Fünf weitere rote Sneaker für einen Kunden, der gerade rote Sneaker ansieht, langweilen. Gute Systeme halten Ähnlichkeit und Abwechslung im Gleichgewicht.

Fehlende Erfolgskontrolle: Richten Sie Dashboards ein, die zeigen, wie viel Umsatz über Empfehlungen entsteht, welche Empfehlungsarten am besten abschneiden und an welchen Stellen Kunden die Vorschläge ignorieren.

Ansatz 2: Dialog-KI als 24/7-Verkaufsberater

Stellen Sie sich vor, jeder Besucher Ihres Shops hätte einen persönlichen Berater, der sofort auf Fragen antwortet, Produkte vergleicht und bei Unsicherheit hilft. Moderne Dialogsysteme (Dialog-KI, englisch Conversational AI) kommen diesem Bild nahe. Anders als die regelbasierten Chatbots früherer Jahre verstehen diese Systeme natürliche Sprache, behalten den Gesprächsverlauf im Blick und antworten passend zum Zusammenhang.

Der Chatbot-Anbieter Rep AI meldet in seinem Bericht zum Einkaufsverhalten 2025 eine Conversion-Rate von 12,3 Prozent bei Besuchern, die den Chat nutzen, gegenüber 3,1 Prozent ohne Chat. Der Vergleich stammt aus den Daten der eigenen Kundenshops und ist kein kontrollierter Versuch. Ein Teil des Abstands dürfte darauf zurückgehen, dass vor allem kaufbereite Besucher den Chat öffnen.

Warum einfache Chatbots scheitern

Die erste Generation von Chatbots arbeitete regelbasiert. Diese Bots beantworteten nur vordefinierte Fragen und führten Kunden durch starre Entscheidungsbäume. Stand eine Frage nicht im Skript, kam die bekannte Antwort: „Das habe ich leider nicht verstanden.“

Das Problem: Viele Kundenanfragen lassen sich zwar wenigen Themen zuordnen, kommen aber in unzähligen Formulierungen. „Habt ihr das in Blau?“, „Gibt’s das auch in blau?“ und „Ist das in der Farbe Blau verfügbar?“ meinen dieselbe Frage. Regelbasierte Systeme mussten für jede Variante eigens programmiert werden.

Chatbots auf Basis großer Sprachmodelle erkennen dagegen die Absicht hinter einer Frage, gleich wie sie formuliert ist. Solche Bots verarbeiten auch verschachtelte Anfragen, behalten den Zusammenhang über mehrere Nachrichten und rufen Produktdaten in Echtzeit ab, sofern der Shop eine Schnittstelle bereitstellt. Zum Einsatz kommen Modelle wie GPT von OpenAI, Claude von Anthropic oder Gemini von Google.

Lesetipp: Large Language Models (LLMs) im Unternehmenseinsatz: Ratgeber + 10 Anbieter

Einsatz über die gesamte Customer Journey

Gute Chatbots begleiten Kunden durch den gesamten Kaufprozess, nicht nur durch den Kundendienst. In jeder Phase stellen Kunden andere Fragen.

In der Aufmerksamkeitsphase beantwortet der Bot erste Produktfragen. Schreibt ein Kunde „Ich suche Laufschuhe für Asphalt, laufe dreimal pro Woche zehn Kilometer“, schlägt der Chatbot passende Modelle vor und erklärt, was bei Schuhen für die Straße zählt.

In der Vergleichsphase hilft der Bot beim Produktvergleich. Auf die Frage nach dem Unterschied zwischen Modell A und B listet der Assistent nicht nur technische Daten auf, sondern erklärt, für wen welches Modell besser passt. Nützlich sind Größenberater für Mode- oder Fahrradshops: Die Frage „Ich bin 1,80 m groß und wiege 75 kg, welche Rahmengröße brauche ich?“ beantwortet der Bot in Sekunden.

In der Kaufphase hilft der Chat im Checkout. Fragen zu Lieferzeit, Zahlungsarten oder Rückgaberecht beantwortet das System sofort, sodass kurz vor der Kasse keine Frage offenbleibt, die den Kauf noch verhindern könnte.

Nach dem Kauf übernimmt der Bot Standardanfragen im Kundendienst. „Wo ist meine Bestellung?“, „Wie funktioniert die Rücksendung?“ und „Kann ich die Lieferadresse ändern?“ gehören zu den typischen Anfragen im Onlinehandel. Der Chatbot beantwortet solche Fragen in Sekunden, und Ihr Support-Team kümmert sich um die verzwickten Fälle.

Technologie und Anbieter im Vergleich

Der Markt für Chatbots im Onlinehandel ist vielfältig, die Wahl hängt von Ihren Anforderungen und Ihren vorhandenen Systemen ab.

Zendesk passt zu Shops mit vielen Supportanfragen, die bereits mit dem Zendesk-Helpdesk arbeiten. Der KI-Agent beantwortet Standardfragen selbst und leitet das Gespräch als Ticket an einen Mitarbeiter weiter, sobald er nicht weiterkommt. Wie sauber der Bot an das Serviceteam übergibt, hängt vom Ticketsystem dahinter ab; welche Helpdesk-Programme sich dafür eignen, zeigt der Vergleich der Helpdesk-Software.

Abgerechnet wird bei Zendesk pro Mitarbeiterlizenz: Das Paket Suite Team kostet 55 Euro, Suite Professional 115 Euro im Monat bei jährlicher Zahlung (Stand Oktober 2026). KI-Agenten sind enthalten, bezahlt werden aber die automatisch gelösten Anfragen: Fünf beziehungsweise zehn pro Lizenz und Monat sind inklusive, jede weitere kostet 1,50 Euro im Voraus gebucht oder 2 Euro nach Verbrauch.

Intercom setzt bei seinem KI-Agenten Fin auf ein erfolgsabhängiges Preismodell: Bezahlt wird je Gespräch, das Fin ohne menschliche Hilfe abschließt, dazu kommen die Lizenzen für das Support-Team. Ton und Inhalte der Antworten richten Sie an den Vorgaben Ihrer Marke aus, die Fakten zieht Fin aus der Wissensbasis des Shops.

Rep AI richtet sich an Shopify-Händler, liest die Produktdaten des Shops ein und beantwortet Fragen dazu. Die Preise hängen von der Besucherzahl ab, ein Angebot fordern Sie am besten direkt an.

Eigenentwicklungen über die Programmierschnittstellen (APIs) von OpenAI, Anthropic oder Google bieten die meiste Freiheit. Sie können den Bot genau auf Ihre Anforderungen zuschneiden und mit internen Systemen wie Warenwirtschaft, ERP oder CRM verbinden. Der Preis dafür ist ein höherer Entwicklungsaufwand, und zu den Entwicklungskosten kommen laufende Gebühren je verarbeiteter Textmenge (Token).

Lesetipp: Die 20 größten E-Commerce-Giganten Deutschlands: Was können Sie von den Großen lernen?

Der kritische Faktor: Training und Datenqualität

Ein Chatbot ist nur so gut wie seine Wissensbasis. An dieser Stelle scheitern viele Einführungen: Der Bot wird installiert, mit den üblichen FAQ gefüttert und dann sich selbst überlassen. Die Folge sind frustrierte Kunden und eine schlechte Conversion-Rate.

So bauen Sie die Wissensbasis auf

Strukturieren Sie Ihre Produktdaten. Der Bot muss auf alle relevanten Informationen zugreifen können: Größentabellen, Materialangaben, Pflegehinweise, Verfügbarkeit und Lieferzeiten. Je strukturierter die Daten, desto genauer die Antworten.

Werten Sie echte Kundenanfragen aus. Haben Sie bereits einen Kundendienst, nehmen Sie sich die 50 häufigsten Fragen vor; diese Fragen sollte der Bot fehlerfrei beantworten. Prüfen Sie auch abgebrochene Warenkörbe: Warum sind Kunden abgesprungen? Oft steckt eine unbeantwortete Frage dahinter.

Pflegen Sie den Bot laufend. Alle zwei Wochen sollte jemand die Gesprächsprotokolle durchgehen. Welche Fragen konnte der Bot nicht beantworten, welche Antworten waren missverständlich? Mit diesen Erkenntnissen erweitern Sie die Wissensbasis.

Legen Sie klare Übergaberegeln fest. Der Bot sollte erkennen, wann er nicht weiterweiß; „Für diese Frage verbinde ich Sie mit unserem Support-Team“ ist besser als eine falsche Antwort. Definieren Sie Auslöser, die automatisch einen Menschen dazuholen, etwa sobald ein Kunde dreimal „Das hilft mir nicht“ schreibt.

Ein Pflichtpunkt kommt seit dem 2. August 2026 hinzu: Nach Artikel 50 Absatz 1 der KI-Verordnung müssen Kunden erfahren, dass sie mit einem KI-System schreiben, sofern das nicht offensichtlich ist.

Messbare Wirkung: Die wichtigsten Kennzahlen

Den Erfolg Ihres Chatbots messen Sie an vier Kennzahlen.

Kaufquote nach Chat (Conversation-to-Conversion-Rate): Wie viele Nutzer kaufen, nachdem sie mit dem Bot geschrieben haben? Vergleichen Sie den Wert nicht nur mit Besuchern ohne Chat, sondern mit einer Kontrollgruppe, der Sie den Chat gar nicht anbieten. Nur so trennen Sie die Wirkung des Bots vom ohnehin vorhandenen Kaufinteresse.

Lösungsquote (Resolution Rate): Wie viele Anfragen löst der Bot ohne menschliche Hilfe? Setzen Sie sich vor dem Start einen Zielwert und prüfen Sie, ob ein „gelöstes“ Gespräch wirklich gelöst ist, denn manche Systeme zählen ein Gespräch schon als erledigt, sobald der Kunde nicht mehr antwortet.

Antwortzeit: Ein Bot antwortet in Sekunden und rund um die Uhr. Messen Sie zusätzlich, wie lange Kunden nach einer Übergabe auf einen Menschen warten.

Kundenzufriedenheit (CSAT, Customer Satisfaction Score): Fragen Sie nach jedem Bot-Gespräch kurz nach, etwa mit „Hat Ihnen diese Antwort geholfen?“. Werten Sie die negativen Bewertungen einzeln aus, denn dort stehen die Lücken der Wissensbasis.

Fahrplan für die Einführung: Ihr 90-Tage-Plan

Phase 1 (Wochen 1 bis 4): Grundlagen

• Werten Sie Ihre 50 häufigsten Supportanfragen aus
• Strukturieren Sie Ihre Produktdaten (Größentabellen, technische Daten, Verfügbarkeit)
• Wählen Sie einen Anbieter, der zu Ihren vorhandenen Systemen passt
• Schalten Sie den Bot zunächst nur für angemeldete Kunden frei, das begrenzt das Risiko

Phase 2 (Wochen 5 bis 8): Ausbau

• Erweitern Sie die Wissensbasis anhand echter Gespräche
• Schalten Sie den Bot für alle Besucher frei
• Richten Sie proaktive Auslöser ein, etwa „Kann ich Ihnen helfen?“ nach 30 Sekunden auf der Produktseite
• Testen Sie verschiedene Tonlagen des Bots per A/B-Test gegeneinander

Phase 3 (Wochen 9 bis 12): Feinschliff

• Verbinden Sie den Bot mit Ihrem CRM
• Begrüßen Sie wiederkehrende Kunden persönlich
• Erweitern Sie die Funktionen, etwa um Bestellstatus und Rücksendungen
• Prüfen Sie die Wirtschaftlichkeit und weiten Sie den Bot auf weitere Sprachen und Märkte aus

Ansatz 3: Abwanderung vorhersagen und Kunden halten, bevor sie gehen

Jeder Neukunde kostet Werbebudget, ein Bestandskunde kennt Ihren Shop bereits. Trotzdem konzentrieren sich viele Shops auf die Neukundengewinnung, während treue Kunden still und leise abwandern.

Hat ein Kunde aufgehört zu kaufen, kommt jede Reaktion meist zu spät: Er hat längst bei der Konkurrenz bestellt, ist umgezogen oder braucht Ihr Sortiment nicht mehr. Vorausschauende Abwanderungsprävention (Predictive Churn Prevention) dreht die Reihenfolge um. Ein Modell erkennt Anzeichen für Abwanderung, bevor der Kunde weg ist, und verschafft Ihnen Zeit zum Gegensteuern.

Das Problem: Stille Abwanderung

Anders als Abo-Dienste wie Netflix oder Spotify kennt der Onlinehandel keine Kündigung. Kunden hören einfach auf zu kaufen. Eine E-Mail mit „Ich gehe jetzt zur Konkurrenz“ bekommen Sie nicht, Sie sehen nur, dass Bestellungen ausbleiben.

Typische Warnsignale, die im Tagesgeschäft untergehen:

• Ein Kunde, der bisher alle drei Monate bestellt hat, ist seit vier Monaten inaktiv
• Ein Stammkunde, der bisher die teuerste Variante kaufte, wählt plötzlich günstige Alternativen
• Ein Kunde öffnet Ihre Newsletter nicht mehr, nachdem er früher fast jede Ausgabe gelesen hat
• Ein Kunde legt Produkte in den Warenkorb, schließt den Kauf aber nicht mehr ab, obwohl er früher sofort bestellt hat

Jedes dieser Signale sagt für sich genommen wenig. Vielleicht ist der Kunde im Urlaub, vielleicht fehlt gerade das Geld. Treffen dagegen mehrere Signale zusammen, steigt die Aussagekraft deutlich.

Wie Vorhersagemodelle Abwanderung erkennen

Modelle des maschinellen Lernens werten Hunderte Merkmale gleichzeitig aus, vor allem aus vier Bereichen.

Kaufhäufigkeit: Wie hat sich das Kaufverhalten in den vergangenen sechs Monaten entwickelt? Ein Kunde, der von monatlichen Käufen auf drei Monate ohne Bestellung fällt, gehört zu den Kandidaten mit hohem Risiko.

Interaktion: Öffnet der Kunde noch Ihre E-Mails, besucht er die Website, klickt er auf Ihre Anzeigen? Ein schneller Rückgang ist oft das erste Warnsignal.

Kontakte mit dem Kundendienst: Hatte der Kunde zuletzt Ärger mit dem Support, oder musste er mehrfach Ware zurücksenden? Problematische Tickets gelten als starke Hinweise auf Abwanderung.

Wechsel bei Produkten und Kategorien: Ein Kunde, der früher die Premiumlinie kaufte und jetzt zu günstigeren Produkten greift, achtet womöglich stärker auf den Preis. Wandert das Interesse von Mode zu Wohnaccessoires, passt Ihr ursprüngliches Sortiment vielleicht nicht mehr zum Bedarf.

Aus diesen Faktoren berechnet das Modell einen Risikowert (Churn Score), zum Beispiel zwischen 0 und 100. Ist das Modell sauber kalibriert, entspricht ein Wert von 80 einer Wahrscheinlichkeit von rund 80 Prozent, dass der Kunde in den nächsten 90 Tagen abwandert. Die Vorwarnzeit nutzen Sie für gezielte Maßnahmen.

Automatisierte Maßnahmen zur Kundenbindung

Nach dem Risikowert teilen Sie Ihre Kunden automatisch in drei Gruppen ein.

Hohes Risiko (Wert 70 bis 100): sofort handeln. Diese Kunden brauchen persönliche Aufmerksamkeit, eine automatische E-Mail reicht hier nicht. Mögliche Maßnahmen:

• Persönliche Anrufe durch Ihren Kundendienst
• Exklusive Angebote, etwa 20 statt 10 Prozent Rabatt
• Vorabzugang zu neuen Kollektionen
• Ein persönlicher Ansprechpartner für die wichtigsten Kunden

Ein Anruf muss nicht verkaufen. Die schlichte Frage „Wir haben gesehen, dass Sie länger nicht bestellt haben. Können wir etwas besser machen?“ bringt Rückmeldungen, die keine Datenauswertung liefert. Für Werbeanrufe bei Verbrauchern brauchen Sie allerdings deren vorherige ausdrückliche Einwilligung nach § 7 Abs. 2 Nr. 1 UWG.

Mittleres Risiko (Wert 40 bis 69): Kampagnen zur Reaktivierung. Diese Kunden sind noch nicht verloren, aber ihr Interesse lässt nach. Ziel: die Kunden mit relevanten Angeboten zurückgewinnen. Im Onlinehandel laufen solche Reaktivierungsstrecken häufig über E-Mail-Plattformen wie Klaviyo, die Segmente aus der Kaufhistorie bilden und die Mails automatisch auslösen; spezialisierte Dienstleister für die Umsetzung stellt der Vergleich der Klaviyo-Agenturen vor.

• Personalisierte Produktempfehlungen auf Grundlage früherer Käufe
• „Wir vermissen Sie“-Kampagnen mit moderaten Anreizen von 10 bis 15 Prozent
• Inhalte mit Bezug zum letzten Kauf, etwa „Fünf neue Kombinationen passend zu Ihrer Frühjahrsbestellung“
• Erinnerungen an Treuepunkte oder ungenutzte Gutscheine

Geringes Risiko (Wert 0 bis 39): normale Pflege. Diese Kunden sind aktiv und zufrieden und brauchen keine Sondermaßnahmen. Der übliche Newsletter und gelegentliche Angebote reichen aus.

Werkzeuge und Plattformen

Salesforce bündelt seine KI-Funktionen für Shops auf der Commerce Cloud unter den Namen Einstein und Agentforce. Der Vorteil: Die Analysen fließen direkt in CRM und Marketing-Automatisierung ein. Der Nachteil: Die Plattform lohnt sich vor allem für größere Händler, die Salesforce ohnehin nutzen, und Preise nennt Salesforce für viele Pakete nur auf Anfrage.

HubSpot eignet sich für mittelständische Shops. Die KI-Funktionen laufen unter dem Namen Breeze; die vorausschauende Lead-Bewertung (Predictive Lead Scoring) steckt in den Enterprise-Paketen und lässt sich mit eigenen Kriterien auch auf Bestandskunden anwenden.

Spezialisierte Anbieter wie Optimove konzentrieren sich ganz auf Kundenbindung und schlagen konkrete Maßnahmen vor, etwa welcher Kunde wann welche Nachricht erhalten sollte. Der früher eigenständige Anbieter Custora gehört seit 2019 zum Kundendatenspezialisten Amperity, die Technik steckt heute in dessen Produkt AmpIQ.

Rechenbeispiel: Kaffee im Abo

Angenommen, ein Kaffee-Abodienst verliert jeden Monat 8 Prozent seiner Abonnenten. Rechnerisch bleibt ein Abonnent dann im Schnitt 12,5 Monate (1 geteilt durch 0,08).

Ein Modell des maschinellen Lernens könnte das Nutzungsverhalten auswerten (Wie schnell gehen die Bohnen zur Neige?), dazu Interaktionsdaten wie geöffnete E-Mails und Websitebesuche sowie Supportanfragen. Kunden mit hohem Risiko erhielten drei Tage vor der nächsten Lieferung eine E-Mail: „Möchten Sie die Lieferung verschieben, die Menge anpassen oder die Sorte wechseln?“ Dazu käme ein Gutschein über 10 Prozent für den nächsten Monat.

Sänke die monatliche Kündigungsquote dadurch auf 5,2 Prozent, also um gut ein Drittel, blieben Abonnenten im Schnitt gut 19 Monate. Bei gleichem Monatsumsatz je Abonnent stiege der Kundenwert damit um gut 50 Prozent.

Was Sie daraus mitnehmen

• Der Zeitpunkt entscheidet: Greifen Sie ein, solange der Kunde noch bestellt. Zu früh wirkt aufdringlich, zu spät bringt nichts mehr.
• Persönliche Nachricht oder Rabatt: Testen Sie, ob eine Nachricht mit passenden Alternativen mehr bewirkt als ein bloßer Gutschein.
• Regelmäßig nachtrainieren: Füttern Sie das Modell monatlich mit neuen Daten, damit die Vorhersagen aktuell bleiben.

Datenschutz: Was Sie beachten müssen

Vorhersagen zur Abwanderung beruhen auf umfangreicher Datenanalyse, und in der EU gilt dafür die Datenschutz-Grundverordnung (DSGVO). Vier Punkte verdienen besondere Aufmerksamkeit.

Rechtsgrundlage: Für die Auswertung von Kaufdaten zu Werbezwecken kommt das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO infrage; Erwägungsgrund 47 nennt Direktwerbung ausdrücklich als mögliches berechtigtes Interesse. Die Verarbeitung muss verhältnismäßig bleiben, und die Interessen der Kunden dürfen nicht überwiegen. Prüfen und dokumentieren Sie das in einer Interessenabwägung.

Transparenz: Ihre Datenschutzerklärung muss offenlegen, dass Sie das Kaufverhalten auswerten, um passende Angebote zu machen (Art. 13 DSGVO). Jedes technische Detail brauchen Sie nicht zu erklären, Zweck und Art der Verarbeitung dagegen schon.

Widerspruch: Gegen Profiling zu Zwecken der Direktwerbung können Kunden jederzeit und ohne Begründung widersprechen (Art. 21 Abs. 2 DSGVO). Auf dieses Recht müssen Sie spätestens bei der ersten Ansprache ausdrücklich hinweisen.

Keine sensiblen Daten: Nutzen Sie für die Vorhersage nur Transaktions- und Verhaltensdaten. Angaben zu Gesundheit, Religion oder politischen Überzeugungen gehören zu den besonderen Kategorien nach Art. 9 DSGVO und haben in einem Abwanderungsmodell nichts zu suchen.

Ansatz 4: Dynamische Checkout-Optimierung für die letzten Meter zum Kaufabschluss

Nirgends ist ein Abbruch so teuer wie im Checkout. Jeden Besucher haben Sie bereits bezahlt, über Anzeigen, Suchmaschinenoptimierung oder Inhalte, und ihn dazu gebracht, Produkte in den Warenkorb zu legen. Trotzdem bricht die Mehrheit ab: Baymard beziffert die Abbruchquote im Schnitt auf rund 70 Prozent.

Die häufigsten Gründe sind bekannt: unerwartete Zusatzkosten, ein umständlicher Bestellprozess, fehlende Zahlungsarten, Sicherheitsbedenken und lange Lieferzeiten. Einen Teil dieser Hürden räumt KI-gestützte Optimierung aus dem Weg, die Preisgestaltung selbst bleibt Ihre Aufgabe.

Warum der Checkout die größte Schwachstelle ist

Ein Rechenbeispiel: Eine Kundin hat Waren für 150 Euro im Warenkorb und klickt auf „Zur Kasse“. Dort stehen 8,90 Euro Versandkosten und fünf bis sieben Tage Lieferzeit, als Zahlungsarten bietet der Shop nur Kreditkarte oder PayPal an. Die Kundin schließt den Tab. Verloren sind 150 Euro Umsatz und das Marketingbudget für ihren Besuch.

Vielleicht hätte die Kundin gekauft, sobald der Shop kostenlosen Versand ab 100 Euro angezeigt hätte, denn ihr Warenkorb lag darüber. Ebenso hätte der Kauf auf Rechnung, ihre bevorzugte Zahlungsart, den Abschluss retten können, oder ein Expressversand.

KI-gestützte Checkout-Optimierung erkennt solche Situationen in Echtzeit und passt den Bestellprozess an.

KI-Eingriffe im Checkout

Risikobewertung in Echtzeit: Betrugsabwehr ohne Kaufabbruch

Klassische Betrugserkennung blockiert verdächtige Transaktionen und trifft dabei auch ehrliche Kunden. Jede fälschlich abgelehnte Zahlung kostet einen Kauf und oft den Kunden gleich mit.

Moderne KI-Systeme bewerten das Risiko feiner, unter anderem anhand dieser Merkmale:

• Gerätemerkmale: Ist das Gerät bereits bekannt?
• Bestellhistorie: Hat der Kunde schon früher bestellt?
• Verhalten: Wie hat sich der Besucher durch den Shop bewegt?
• Warenkorb: Enthält der Warenkorb typische Betrugsware, etwa Elektronik in großer Menge?

In der EU schreibt die Zahlungsdiensterichtlinie PSD2 für Kartenzahlungen grundsätzlich eine starke Kundenauthentifizierung vor, meist über 3D Secure. Bei geringem Risiko dürfen Zahlungsdienstleister nach einer Transaktionsrisikoanalyse eine Ausnahme nutzen, der Kunde zahlt dann ohne zusätzliche Bestätigung. Eine gute Risikobewertung lenkt also nur die verdächtigen Zahlungen in die zusätzliche Prüfung und senkt die Zahl der Fehlalarme, ohne die Sicherheit zu schwächen.

Intelligente Formularhilfe: vorausschauende Eingabe

Niemand füllt gern zwölf Formularfelder aus. KI nimmt Ihren Kunden einen Teil der Tipparbeit ab.

Adressvervollständigung: Der Kunde tippt „Hauptstr 23“, das System schlägt „Hauptstraße 23, 10115 Berlin“ vor. Das spart Zeit und vermeidet Tippfehler.

Wiedererkennung von Stammkunden: Das System erkennt wiederkehrende Kunden und bietet an: „An Ihre übliche Adresse liefern?“ Ohne Anmeldung funktioniert das nur über Cookies oder Gerätekennungen (Fingerprinting), und dafür brauchen Sie in Deutschland in der Regel eine Einwilligung nach § 25 TDDDG.

Plausibilitätsprüfung: Tippt ein Kunde „Musterstraße 1234“, obwohl die Hausnummer nicht existiert, fragt das System sofort nach: „Meinen Sie Musterstraße 12?“ So vermeiden Sie Fehllieferungen.

Dynamische Empfehlung der Zahlungsart

Die bevorzugte Zahlungsart hängt stark vom Land ab. In Deutschland ist der Kauf auf Rechnung verbreitet, in den Niederlanden zahlen Kunden mit iDEAL, das bis Ende 2027 schrittweise in der europäischen Bezahllösung Wero aufgeht. Fehlt die gewohnte Zahlungsart, steigt das Risiko eines Abbruchs. KI-gestützte Zahlungsauswahl berücksichtigt deshalb vor allem drei Faktoren.

Länderspezifische Vorlieben: Zeigen Sie deutschen Kunden den Kauf auf Rechnung weit oben, Schweizern Twint und Österreichern die eps-Überweisung.

Gerät: Auf dem Smartphone bieten sich digitale Geldbörsen wie Apple Pay und Google Pay an, weil Kunden dort keine Kartendaten eintippen müssen. Am Desktop-Rechner lohnt sich ein Test, welche Zahlungsart ganz oben stehen sollte.

Warenkorbwert: Bei kleinen Beträgen reicht vielen Kunden PayPal, bei höheren kommen Kauf auf Rechnung oder Ratenzahlung infrage.

Welche Zahlungsart Kunden je Land erwarten

Beispiele für eine länderspezifische Reihenfolge im Checkout, Stand Oktober 2026

Deutschland

Kauf auf Rechnung

weit oben anzeigen, für Privat- wie für Geschäftskunden.

Niederlande

iDEAL | Wero

iDEAL geht bis Ende 2027 schrittweise in Wero auf.

Schweiz

Twint

die verbreitete Bezahl-App der Schweizer Banken.

Österreich

eps-Überweisung

die Online-Überweisung der österreichischen Banken.

Auf dem Smartphone ersparen Apple Pay und Google Pay Ihren Kunden das Eintippen der Kartendaten.

Quelle: iDEAL (ideal.nl), Dr.-Web-Redaktion

© 2026 Dr. Web | Das Fachportal für Entscheider | Infografik von Dr. Web

Absprung-Erkennung: Der richtige Moment für Anreize

Die Absprung-Erkennung (Exit Intent) registriert, wenn ein Besucher den Tab schließen will, am Desktop etwa an der Mausbewegung zur Browserleiste. In diesem Moment blendet der Shop ein letztes Angebot als Pop-up ein.

Klassische Exit-Pop-ups nerven und wirken verzweifelt. Außerdem bekommen alle Kunden denselben Rabatt, auch jene, die ohnehin gekauft hätten; Fachleute sprechen vom Mitnahmeeffekt. KI-gestützte Absprung-Erkennung passt das Angebot an den Besucher an:

• Preisbewusste Kunden (langes Vergleichen, mehrfaches Prüfen des Warenkorbs) sehen einen Rabatt, etwa: „Moment noch! 10 Euro Rabatt auf Ihre erste Bestellung.“
• Unsichere Kunden (lange Verweildauer auf Produktseiten, viele gelesene FAQ) bekommen Hilfe angeboten: „Haben Sie noch Fragen? Unser Chat hilft Ihnen sofort weiter.“
• Kunden knapp unter der Versandkostengrenze sehen den Abstand: „Noch 12 Euro bis zum kostenlosen Versand! Diese Produkte passen zu Ihrem Warenkorb.“
• Entschlossene Käufer (direkter Weg zur Kasse) sehen gar nichts, denn ein Pop-up würde den Kauf nur stören.

A/B-Tests mit KI: laufende Optimierung

Klassische A/B-Tests brauchen Zeit. Sie testen Variante A gegen B, warten etwa zwei Wochen auf ein statistisch belastbares Ergebnis, übernehmen den Gewinner und testen die nächste Hypothese. Bei zehn Hypothesen vergehen so 20 Wochen.

KI-gestützte multivariate Tests prüfen mehrere Variablen gleichzeitig und lernen während des Tests:

• Welche Farbe für den Kaufknopf funktioniert besser: Grün, Orange oder Blau?
• Wo steht die Auswahl der Zahlungsart, oben oder unten?
• Braucht der Checkout Vertrauenssiegel oder nicht?
• Funktioniert ein einseitiger oder ein mehrstufiger Checkout besser?

Das System lenkt mehr Besucher auf Varianten, die gut abschneiden, und weniger auf schwache; das Verfahren heißt Multi-Armed Bandit. Am Ende steht nicht ein einzelner Gewinner, sondern die beste gefundene Kombination der Variablen, vorausgesetzt, der Shop hat genug Besucher, damit sich die Unterschiede sicher messen lassen.

Kundengruppen können unterschiedlich reagieren: Stammkunden kommen mit einem einseitigen Checkout womöglich besser zurecht, Neukunden mit einem mehrstufigen. Ein gutes Testsystem erkennt solche Unterschiede und zeigt jeder Gruppe die passende Variante.

Technische Umsetzung

Zahlungsdienstleister mit eingebauter KI

Stripe bietet mit Radar eine Betrugserkennung, die mit den Transaktionsdaten des gesamten Stripe-Netzes trainiert ist. Die Radar-Stufen ordnet Stripe gerade neu: Ab dem 22. Januar 2027 gelten die Stufen Lite, Standard, Plus und Pro mit neuen Preisen, prüfen Sie deshalb die aktuellen Konditionen im Stripe-Dashboard.

Adyen arbeitet mit einer eigenen Risikobewertung und Dynamic 3D Secure. Das System entscheidet je Transaktion, ob eine zusätzliche Authentifizierung nötig ist. Die Gebühren richten sich nach Zahlungsart und Volumen.

Checkout-Optimierer

Bolt bietet einen Ein-Klick-Checkout mit hinterlegten Zahlungsdaten: Kunden, die einmal bei einem Bolt-Partner gekauft haben, bezahlen in anderen Bolt-Shops mit einem Klick.

Der Anbieter Fast verfolgte dasselbe Prinzip, hat sein Geschäft aber im April 2022 eingestellt. Shopify-Händler nutzen mit Shop Pay eine eingebaute Alternative, die Kundendaten shopübergreifend speichert und den Kauf mit wenigen Klicks abschließt.

Messbare Erfolge: Was ist realistisch?

Wie stark eine Checkout-Optimierung die Conversion-Rate hebt, hängt vom Ausgangszustand ab: Ein umständlicher Checkout mit vielen Pflichtfeldern bietet mehr Spielraum als ein bereits schlanker. Schon wenige Prozent Plus summieren sich bei hohen Besucherzahlen zu spürbaren Beträgen.

Ein Rechenbeispiel für einen B2B-Shop mit aufwendigem Checkout (Firmendaten, Steuernummer, abweichende Rechnungsadresse): Angenommen, die Abbruchquote im Warenkorb läge bei 82 Prozent, der Checkout dauerte acht Minuten, und die meisten Abbrüche gingen auf komplizierte Formulare zurück. Infrage kämen diese Maßnahmen:

• Formularhilfe mit Anbindung an eine Firmendatenbank, die Firmendaten automatisch ergänzt
• Gespeicherte Firmendaten für Stammkunden
• Kauf auf Rechnung weit oben für Geschäftskunden
• Schrittweise Abfrage: erst Pflichtfelder, dann optionale Angaben

Sänke die Abbruchquote von 82 auf 68 Prozent, kämen von 100 Warenkörben 32 statt 18 zum Abschluss, ein Plus von rund 78 Prozent bei den abgeschlossenen Bestellungen. Bei einer hohen Abbruchquote bringen schon wenige Prozentpunkte weniger Abbruch überproportional mehr Bestellungen.

Den Kosten für Agentur und Anbindung stellen Sie den Mehrumsatz gegenüber, gerechnet mit Ihrer eigenen Marge und nicht mit dem Umsatz.

Implementierungsfahrplan: Von der Strategie zur Umsetzung

Vier KI-Ansätze liegen jetzt auf dem Tisch, offen ist die Frage nach dem Startpunkt. Ein typischer Fehler: alles gleichzeitig angehen und sich verzetteln. Ein fokussiertes, schrittweises Vorgehen führt schneller zu Ergebnissen.

Schritt 1: Bestandsaufnahme (Woche 1 bis 2)

Welche Daten haben Sie?

Prüfen Sie Ihre Datenbasis, bevor Sie KI einführen:

• Haben Sie mindestens sechs Monate Transaktionshistorie?
• Erfassen Sie das Nutzerverhalten auf der Website, etwa mit Google Analytics oder Matomo?
• Sind Ihre Produktdaten strukturiert (Kategorien, Merkmale, Größen)?
• Führen Sie ein CRM mit Kundenhistorie?

Je besser Ihre Daten, desto schneller liefern KI-Systeme Ergebnisse. Ein Shop mit drei Monaten Daten kann starten, braucht aber länger, bis die Modelle verlässlich arbeiten.

Wo liegen Ihre größten Schwachstellen?

Analysieren Sie Ihren Verkaufstrichter (Conversion Funnel):

• Wie viele von 100 Besuchern legen Produkte in den Warenkorb (Warenkorbquote)?
• Wie viele von 100 Warenkörben gehen zur Kasse?
• Wie viele von 100 begonnenen Bestellungen werden abgeschlossen?

Ihre größte Schwachstelle ist Ihr Startpunkt. Legen nur 5 Prozent der Besucher etwas in den Warenkorb, beginnen Sie mit Produktempfehlungen. Landen 50 Prozent im Warenkorb, brechen aber 85 Prozent im Checkout ab, hat die Checkout-Optimierung Vorrang.

Schritt 2: Priorisierung nach Wirkung und Aufwand

Ordnen Sie die Projekte in einer einfachen Matrix nach Aufwand und erwarteter Wirkung.

Schnelle Erfolge (geringer Aufwand, hohe Wirkung)

• Chatbot für häufige Fragen: zwei bis drei Wochen Einführung, spürbare Entlastung des Kundendienstes
• Pop-up bei Absprung mit angepassten Angeboten: rund eine Woche Einrichtung
• Reihenfolge der Zahlungsarten: meist nur eine Einstellung beim Zahlungsdienstleister, keine Entwicklung

Strategische Projekte (hoher Aufwand, hohe Wirkung)

• Empfehlungssystem: vier bis acht Wochen Einführung, langfristiger Hebel für den Umsatz
• Vorhersage von Abwanderung: acht bis zwölf Wochen, verändert die Kundenbindung grundlegend
• Neugestaltung des Checkouts: acht bis zwölf Wochen, großer Hebel für die Conversion-Rate

Niedrige Priorität (hoher Aufwand, geringe Wirkung)

• Einkauf per Sprachassistent (Voice Commerce) für einen Shop, dessen Besucher überwiegend am Desktop einkaufen
• Visuelle Produktsuche, wenn Ihr Sortiment nicht über Bilder verkauft wird

Ihr 90-Tage-Fahrplan

Monat 1: einen schnellen Erfolg umsetzen. Wählen Sie ein Projekt aus der ersten Gruppe. Ist Ihr Kundendienst überlastet, starten Sie mit dem Chatbot; sind abgebrochene Warenkörbe das Problem, mit Absprung-Erkennung und der Reihenfolge der Zahlungsarten.

Monat 2: das erste strategische Projekt starten. Beginnen Sie mit Produktempfehlungen oder der Checkout-Optimierung, je nachdem, wo Ihre Analyse die größte Schwachstelle gefunden hat.

Monat 3: auswerten und nachjustieren. Werten Sie die Ergebnisse der ersten beiden Monate aus, justieren Sie nach und planen Sie das nächste Projekt.

Schritt 3: Pilotprojekt mit klaren Erfolgskennzahlen

Legen Sie vor dem Start fest, woran Sie den Erfolg messen. Halten Sie zuerst die Ausgangswerte fest:

• Conversion-Rate
• durchschnittlicher Warenkorbwert
• Abbruchquote im Warenkorb
• Zahl der Supportanfragen

Formulieren Sie danach Zielwerte, die zu Ihrem Shop passen, und orientieren Sie sich an den eigenen Ausgangswerten statt an Anbieterversprechen. Das Experiment der University of Florida kam für Produktempfehlungen auf rund 11 Prozent mehr Umsatz; zweistellige Sprünge bei allen Kennzahlen zugleich sind kein realistisches Ziel.

Messen Sie mindestens vier Wochen lang. KI-Systeme brauchen Zeit zum Lernen, und in den ersten beiden Wochen liegen die Ergebnisse oft noch unter dem späteren Niveau.

Schritt 4: Team und Kompetenzen

Brauchen Sie neue Mitarbeiter? Meist nicht. Viele KI-Werkzeuge für den Onlinehandel richten sich bewusst an Anwender ohne Programmierkenntnisse. Sie brauchen aber jemanden, der sich verantwortlich fühlt.

Die Aufgaben der KI-Verantwortlichen

• Leistung der Systeme überwachen
• A/B-Tests auswerten
• Wissensbasis des Chatbots pflegen
• neue Ansatzpunkte zur Optimierung suchen

Die Rolle kann Ihre E-Commerce-Managerin, Ihr Marketingleiter oder ein engagierter Shopverantwortlicher übernehmen. Nach der Einführung rechnen Sie mit vier bis acht Stunden Arbeitszeit pro Woche.

Externe Unterstützung: Für die erste Einführung holen sich viele Shops Hilfe von außen. Eine spezialisierte Agentur kennt die typischen Stolperfallen und kommt oft schneller ans Ziel als ein Team, das sich erst einarbeiten muss.

Schritt 5: Häufige Stolpersteine

Unterschätzte Datenqualität wiegt am schwersten. Angenommen, bei 30 Prozent Ihrer Produkte fehlen Kategorien oder Größenangaben, und die Bilder sind uneinheitlich: Dann liefert jedes Empfehlungssystem schlechte Vorschläge. Planen Sie deshalb zwei bis vier Wochen für die Bereinigung der Daten ein, bevor die KI startet.

Unrealistische Erwartungen: Von 2 auf 10 Prozent Conversion-Rate springt kein Shop durch ein neues Werkzeug. Kommunizieren Sie intern vorsichtige Prognosen und legen Sie die Messlatte an Ihre eigenen Ausgangswerte an.

Fehlende Fachkenntnis: Ein gekauftes KI-Werkzeug funktioniert selten auf Anhieb. Auch die besten Systeme brauchen Konfiguration, Training und laufende Pflege, planen Sie die Ressourcen dafür ein.

Zu viele Projekte gleichzeitig: „Wir machen jetzt alles mit KI!“ führt dazu, dass sich das Team verzettelt und keines der Projekte richtig umgesetzt wird. Ein oder zwei Projekte nacheinander bringen mehr als fünf parallel.

Kosten und ROI: Was Sie investieren müssen

Die zentrale Frage für jede Entscheiderin und jeden Entscheider lautet: Was kostet das, und lohnt sich die Investition? Die folgenden Spannen sind Planungsrahmen der Redaktion und keine Preisliste. Die tatsächlichen Kosten hängen von Anbieter, Agentur, Shopsystem und Umfang ab.

Investitionsrahmen nach Unternehmensgröße

Kleine Shops (bis 2 Millionen Euro Jahresumsatz)

Für die Einrichtung sollten Sie 5.000 bis 15.000 Euro einplanen. Laufend kommen 500 bis 2.000 Euro im Monat hinzu.

• Einrichtung Chatbot: 3.000 bis 5.000 Euro
• Einrichtung Empfehlungssystem (Basis): 2.000 bis 5.000 Euro
• Einrichtung Checkout-Optimierung: 2.000 bis 5.000 Euro
• Chatbot-Lizenz: 100 bis 300 Euro im Monat
• Empfehlungssystem: 300 bis 800 Euro im Monat
• Werkzeuge für Zahlungsarten: 100 bis 500 Euro im Monat
• zusätzliche Transaktionsgebühren: je nach Volumen

Mittelstand (2 bis 20 Millionen Euro Jahresumsatz)

Im Mittelstand stehen für die Einrichtung 15.000 bis 50.000 Euro im Raum, laufend fallen 2.000 bis 8.000 Euro im Monat an. Ein Grund für den Sprung: Die Systeme müssen an CRM und Warenwirtschaft angebunden werden. Für solche Anbindungen holen sich Händler oft Digitalagenturen ins Projekt, die Shop, Marketing und Fachsysteme gemeinsam betreuen; einen Überblick über die Anbieter gibt der Vergleich der Digitalagenturen.

• Einrichtung Chatbot mit CRM-Anbindung: 8.000 bis 15.000 Euro
• Einrichtung Empfehlungssystem (erweitert): 10.000 bis 20.000 Euro
• Einrichtung Checkout-Optimierung mit A/B-Tests: 5.000 bis 15.000 Euro
• Chatbot-Lizenz (Enterprise): 500 bis 1.500 Euro im Monat
• Empfehlungssystem: 800 bis 2.500 Euro im Monat
• Werkzeuge für Vorhersagen: 500 bis 2.000 Euro im Monat
• Zahlungsabwicklung und Betrugsabwehr: 200 bis 2.000 Euro im Monat

Größerer Mittelstand (über 20 Millionen Euro Jahresumsatz)

Größere Händler sollten für die Einrichtung 50.000 bis 200.000 Euro ansetzen. Laufend kommen 8.000 bis 20.000 Euro im Monat hinzu.

• Umfassende Integration einer KI-Plattform: 30.000 bis 80.000 Euro
• Eigenentwicklung für spezielle Anforderungen: 20.000 bis 60.000 Euro
• Veränderungsmanagement und Schulung: 10.000 bis 60.000 Euro
• Enterprise-Lizenzen: 3.000 bis 8.000 Euro im Monat
• API-Kosten bei hohem Volumen: 2.000 bis 5.000 Euro im Monat
• KI-Verantwortliche oder KI-Verantwortlicher, anteilig: 3.000 bis 7.000 Euro im Monat

Versteckte Kosten

Die Datenbereinigung wird oft unterschätzt. Ihre Produktdaten müssen einheitlich und vollständig sein, und das kostet meist zwei bis vier Wochen Arbeit einer Fachkraft, eventuell mit Unterstützung von außen. Rechnen Sie mit einmalig 3.000 bis 10.000 Euro.

Anbindung an bestehende Systeme: Bei einem älteren Shopsystem kann die Integration aufwendig werden. Moderne Systeme wie Shopify, Shopware 6 oder WooCommerce bieten meist fertige Plugins, Altsysteme brauchen eine Eigenentwicklung. Die Spanne reicht von null Euro für ein kostenloses Plugin bis 30.000 Euro für eine individuelle Entwicklung.

Schulung: Ihr Team muss die neuen Werkzeuge verstehen und nutzen. Planen Sie 1.000 bis 5.000 Euro für externe Trainer oder die entsprechende interne Arbeitszeit ein.

Laufende Optimierung: KI-Systeme sind nie fertig. Rechnen Sie mit vier bis acht Stunden Arbeitszeit pro Woche; bei einem Stundensatz von 40 Euro entspricht das 640 bis 1.280 Euro Personalkosten im Monat.

ROI-Erwartungen: Wann zahlt sich das aus?

Rechenbeispiel 1: mittelständischer Shop mit 5 Millionen Euro Jahresumsatz

Angenommen, der Shop investiert folgende Beträge:

• Einrichtung: 25.000 Euro
• Laufende Kosten im ersten Jahr: 48.000 Euro (4.000 Euro im Monat)
• Gesamtkosten im ersten Jahr: 73.000 Euro

Bei einer vorsichtigen Annahme von 15 Prozent mehr Conversions wüchse der Umsatz von 5 auf 5,75 Millionen Euro, ein Plus von 750.000 Euro. Bei 20 Prozent Marge entspräche das 150.000 Euro zusätzlichem Deckungsbeitrag im ersten Jahr.

Nach Abzug der Kosten blieben 77.000 Euro, eine Rendite von rund 106 Prozent im ersten Jahr. Monatlich stünden 12.500 Euro Deckungsbeitrag 4.000 Euro laufenden Kosten gegenüber; die Einrichtung wäre rechnerisch nach rund drei Monaten bezahlt, sofern die Wirkung vom ersten Tag an voll einsetzt.

Rechenbeispiel 2: kleinerer Shop mit 1 Million Euro Jahresumsatz

• Einrichtung: 8.000 Euro
• Laufende Kosten im ersten Jahr: 12.000 Euro (1.000 Euro im Monat)
• Gesamtkosten im ersten Jahr: 20.000 Euro

Für den kleineren Shop gilt eine Annahme von 20 Prozent mehr Conversions: Der Umsatz stiege von 1 auf 1,2 Millionen Euro, ein Plus von 200.000 Euro. Bei 25 Prozent Marge blieben 50.000 Euro zusätzlicher Deckungsbeitrag.

Nach Abzug der Kosten von 20.000 Euro ergäbe sich eine Rendite von 150 Prozent im ersten Jahr. Monatlich stünden rund 4.170 Euro Deckungsbeitrag 1.000 Euro Kosten gegenüber, die Einrichtung wäre nach gut zweieinhalb Monaten bezahlt.

Beide Rechnungen gehen davon aus, dass die angenommene Steigerung tatsächlich eintritt und von Anfang an wirkt. Braucht das System einige Monate Anlauf, verschiebt sich die Amortisation entsprechend nach hinten.

Langfristige Wertschöpfung

Der volle Nutzen zeigt sich oft erst nach einem oder zwei Jahren. KI-Systeme lernen mit jedem Datensatz dazu: Empfehlungen werden treffender, der Chatbot versteht mehr Fragen, und die Vorhersage von Abwanderung wird genauer.

Kunden, die über passende Empfehlungen die richtigen Produkte finden, kommen häufiger zurück, und der Customer Lifetime Value kann steigen.

Skaleneffekte entstehen, aber nicht kostenlos: Viele Anbieter rechnen nach Besucherzahl, Gesprächen oder gelösten Anfragen ab, die Kosten wachsen also mit. Die eigene Einrichtung, die gepflegten Daten und die Erfahrung des Teams bleiben dagegen erhalten, auch wenn sich die Besucherzahl verzehnfacht.

Fazit: Die nächsten Schritte

KI im Onlinehandel hat die Phase des Experiments hinter sich und gehört für viele Shops zum Alltag. Belastbare Messungen wie das Kaufhaus-Experiment der University of Florida zeigen allerdings moderate Effekte statt Wunderwerte.

Die vier vorgestellten Ansätze, Produktempfehlungen, Dialog-KI, die Vorhersage von Abwanderung und die Checkout-Optimierung, setzen an den größten Schwachstellen Ihrer Customer Journey an. Alle vier gleichzeitig umzusetzen, ist nicht nötig. Starten Sie mit einem Ansatz, messen Sie Ergebnisse und skalieren Sie dann.

Ihre Startempfehlung

• Niedrige Conversion-Rate, etwa unter 2 Prozent: Beginnen Sie mit Produktempfehlungen und der Checkout-Optimierung.
• Hohe Supportkosten oder Abbrüche während des Kaufs: Führen Sie einen Chatbot ein.
• Abwandernde Bestandskunden: Konzentrieren Sie sich auf die Vorhersage von Abwanderung.

Der wichtigste Rat: Fangen Sie klein an und messen Sie gründlich. KI ist kein Werkzeug, das Sie einmal einrichten und dann sich selbst überlassen; erst die laufende Pflege macht ein solches System besser. Die Werkzeuge stehen bereit, viele Anbieter legen ihre Preise offen, und seit August 2026 sind mit der KI-Verordnung auch die Spielregeln für Chatbots klar.

FAQ: KI-gestützte Customer Journey im E-Commerce

Quellen

1. Baymard Institute: Cart Abandonment Rate Statistics, baymard.com/lists/cart-abandonment-rate (Stand 22.09.2025)
2. Statista: Conversion Rate im E-Commerce nach Endgerät weltweit im März 2025, de.statista.com
3. University of Florida, Warrington College of Business: How valuable are online product recommendations? (2018, Studie von Anuj Kumar)
4. McKinsey & Company: How retailers can keep up with consumers (2013)
5. Rep AI: AI Ecommerce Shopper Behaviour Report 2025
6. Zendesk: Preise und Pläne, zendesk.de/pricing (abgerufen im Oktober 2026)
7. Intercom: Pricing, intercom.com/pricing (abgerufen im Oktober 2026)
8. Stripe Support: Updates to Radar pricing (January 2027), support.stripe.com
9. TechCrunch: Amperity acquires Custora to improve its customer data platform, 05.11.2019
10. iDEAL: iDEAL to phase into Wero starting in 2026, ideal.nl
11. Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 50, und Verordnung (EU) 2026/1744 (Digital Omnibus)
12. Datenschutz-Grundverordnung, Art. 6, 9, 13 und 21 sowie Erwägungsgrund 47; § 25 TDDDG; § 7 UWG
13. Delegierte Verordnung (EU) 2018/389 zur PSD2, Art. 18 (Transaktionsrisikoanalyse)