> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wisepim.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Retourenquote mit besseren Daten senken
> Retouren fressen deine Marge. Behandle sie als Datenproblem: Finde den Content, der sie verursacht, korrigiere die schlimmsten Fälle und belege die Verbesserung.
Retouren sind der leiseste Weg, Geld zu verlieren. Der Verkauf ist schon passiert, das Marketing ist schon bezahlt, und dann kommt das Produkt zurück und nimmt die Marge mit. Der Reflex ist, den Produkten die Schuld zu geben - aber ein großer Teil der Retouren entsteht, weil Kundinnen und Kunden etwas anderes erhalten, als die Seite sie erwarten ließ.
Damit ist es ein Datenproblem, und Datenprobleme lassen sich lösen. Diese Anleitung ist die Schleife: Ursache belegen, die schlimmsten Fälle korrigieren, gegen Wiederholung absichern und mit einem echten Vorher-Nachher erneut messen. Plane etwa zwei Stunden Handarbeit ein, danach drei bis vier Wochen Wartezeit auf die Belege.
**Bevor du startest:** Du brauchst Bestellhistorie mit Retouren- oder Erstattungsdaten aus einer verbundenen Plattform - der Report [Retouren & Rückerstattungen](/de/analytics/returns) ist das, woraus diese ganze Anleitung liest.
**Was du bekommst:** eine dokumentierte Baseline, die konkreten Produkte hinter deinen Retouren korrigiert, eine Regel, die dieselbe Lücke nicht wieder hereinlässt, und eine Trendlinie, die zeigt, ob es gewirkt hat.
## Triage: Ist das überhaupt ein Content-Problem?
Reichere noch nichts an. Die erste Aufgabe ist herauszufinden, ob bessere Daten überhaupt helfen - denn wenn die Ursache Passform oder das Produkt selbst ist, verbrennt die Anreicherung Credits und ändert nichts.
Öffne [Retouren & Rückerstattungen](/de/analytics/returns) aus der Analytics-Seitenleiste und notiere Retourenquote, retournierte Bestellungen und erstatteten Umsatz für den aktuellen Zeitraum. Der Report zeigt daneben Richtwerte, sodass du eine normale von einer alarmierenden Zahl unterscheiden kannst. Alles Weitere in dieser Anleitung wird an diesen dreien gemessen - halte sie also fest, bevor du irgendetwas anfasst.
Dieses eine Diagramm entscheidet deine Strategie - lies es vor allem anderen auf der Seite. Es sortiert die Retourenquote pro Qualitätsnote, A bis F, und die Insight-Karte benennt dein schlechtestes Band direkt.
Wo positionsgenaue Daten verfügbar sind, sind die Gründe gerankt. **„Nicht wie beschrieben"** ist der Grund, der direkt auf Content abbildet - das ist die Kundin, die dir sagt, dass die Seite gelogen hat. Eine Gründeliste, die von Größe oder Meinungsänderung dominiert wird, zeigt woanders hin.
Nutze die Tabelle der meistretournierten Produkte, um deine Zielliste zu bauen, und sortiere nach Produkten, die eine **niedrige Qualitätsnote mit hohem Bestellvolumen** verbinden. Ein Produkt mit Note F, das zweimal im Jahr verkauft wird, ist nicht dein Problem; ein Produkt mit Note D, das sich 400 Mal im Monat verkauft, schon. Produkte in dieser Tabelle mit *hohem* Qualitäts-Score sind das umgekehrte Signal - das sind Passform- oder Produktprobleme, lass sie also von der Liste.
Die Form dieses Diagramms ist die ganze Entscheidung:
| Was du siehst | Was es bedeutet | Was zu tun ist |
| ------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Steiles Gefälle** - Note F retourniert rund 3× so oft wie Note A | Content ist der Haupttreiber. Produkte mit Note A und B kommen seltener zurück, weil ihre Seiten korrekte Erwartungen setzen | Mach mit dieser Anleitung weiter. Beschreibungen, Bilder und Specs zu verbessern bewegt mehr als jede andere Maßnahme |
| **Flaches Gefälle** - jede Note retourniert etwa gleich oft | Die Ursache ist Passform, Größe oder Erwartung, nicht fehlende Information | Hör hier auf. Lies die [Hinweise im Report](/de/analytics/returns) zu Passformproblemen: Größentabellen, Kompatibilitätsangaben, realistischere Lifestyle-Bilder. Anreicherung bewegt das nicht |
## Die Produkte korrigieren, die dich wirklich Geld kosten
Jetzt arbeite die Zielliste ab. Die Reihenfolge zählt: Verstehe, was falsch ist, bevor du etwas generierst, und teste immer an einem Produkt, bevor du den Lauf festschreibst.
Nimm deine Liste mit Note D und F und hohem Volumen mit in die [Datenqualität](/de/analytics/data-quality) und wechsle über die Tabs oben im Abschnitt zu **Probleme beheben**. Sortiere die Quick Wins nach Wirkung, um aus „diese Produkte sind schlecht" eine konkrete, zählbare Lücke zu machen.
Jede Schaltfläche **Mit AI beheben** öffnet dasselbe Prüf-Panel, und nichts wird geschrieben, bevor du es sagst. Lies die erwartete Wirkung und wer betroffen ist, klicke auf **An einem testen**, um ein Vorher-Nachher an einem einzelnen Produkt zu sehen, und erst dann auf **Auf alle anwenden**. Den Test zu überspringen ist der Weg, auf dem ein schlechter Prompt 400 Produkte erreicht.
Die [AI-Qualitätsprüfung](/de/analytics/quality-review) liest jedes Produkt wie eine anspruchsvolle Kundin, über 12 Dimensionen hinweg, und rankt die Funde; Ergebnisse liegen in wenigen Minuten vor. Für Retouren achte auf die Abweichungsdimensionen: Bild vs. Daten, Bild vs. Beschreibung, semantische Konsistenz, feldübergreifende Rechnung und Conversion-Bereitschaft. Genau dort gehen Erwartung und Paket auseinander.
Fehlende Abmessungen, Materialien und Kompatibilität sind das, was Menschen raten lässt, und Raten erzeugt Retouren. Beginne mit der [Attributextraktion](/de/ai/attributes) für 1 Credit pro Produkt - sie zieht Specs aus Text, den du bereits hast, aber nur in Attribute, die an der Produktfamilie existieren, und sie erfindet nie neue. Wo die Abdeckung niedrig bleibt, weil die Fakten schlicht nicht in deinem Text stehen, führe die [Web-Recherche](/de/ai/web-research) aus und extrahiere danach erneut.
Falsche oder irreführende Bilder sind eine Hauptursache für „nicht wie beschrieben". Sieh dir die Galerie deiner Zielprodukte in der [Medienbibliothek](/de/products/media-library) an, die du aus der Hauptnavigation öffnest, und führe dann [Bild-Alt-Text](/de/ai/image-alt-text) aus - er füllt nur Bilder ganz ohne Alt-Text und überschreibt nie, was du geschrieben hast, du kannst ihn also bedenkenlos breit laufen lassen.
## Verhindern, dass es zurückkommt, dann veröffentlichen
Die Produkte von heute zu korrigieren, ohne den Zulauf von morgen zu ändern, heißt, das nach dem nächsten Lieferantenimport erneut zu tun. Schließ die Schleife vor dem Messen, denn das Messfenster startet bei der Veröffentlichung, nicht bei der Anreicherung.
Klicke auf der Regelseite in [Quality Guard](/de/quality-guard/rules) auf **Regel erstellen** und baue eine Mindest-Content-Prüfung für das, was deinen Zielprodukten gefehlt hat - eine Mindestlänge der Beschreibung, eine Mindestanzahl an Bildern, ein Pflichtattribut. Numerische Schwellenwerte zeigen einen Verteilungshinweis mit p10, Median und p90 deines Katalogs, plus eine Live-Auswirkungsvorschau, wie viele Produkte bestehen oder durchfallen würden - du kannst also einen Schwellenwert wählen, den deine echten Daten erreichen können.
**Warnen** exportiert das Produkt und protokolliert den Verstoß im Audit-Protokoll; **Blockieren** stellt es unter Quarantäne, bis das Problem behoben ist. Lass neue Regeln auf Warnen laufen, bis du gesehen hast, was sie erwischen, und erhöhe den Schweregrad, sobald die Anzahl vernünftig ist.
Das ist der Schritt, den man vergisst, und er macht die ganze Messung ungültig. Wähle die korrigierten Produkte auf der Produktseite aus und nutze **Export** in der Toolbar. Plattform-Exporte laufen als Hintergrund-Jobs und können je nach Kataloggröße von wenigen Minuten bis zu einigen Stunden dauern - sieh also in der [Export-Referenz](/de/essentials/exporting-products) nach, bevor du annimmst, es hänge.
Öffne zwei oder drei korrigierte Produkte in deinem echten Shop und bestätige, dass der neue Content da ist. Notiere, wann das gelandet ist: Dein Vorher-Nachher hängt an diesem Datum, nicht an dem Tag, an dem du die Anreicherung ausgeführt hast.
## So erkennst du, dass es funktioniert hat
Retouren bewegen sich langsam, weil jeder Datenpunkt erst durch eine Bestellung, eine Zustellung und ein Rückgabefenster reisen muss, bevor er das Diagramm erreicht. Die Signale auf Katalogseite bestätigen, dass die Arbeit gelandet ist; nur die Retouren-Signale bestätigen, dass sie gewirkt hat. Erwarte in den ersten zwei Wochen nichts davon.
| Signal | Wo du nachsiehst | Wann es sich bewegt |
| ----------------------------------------------- | --------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------- |
| Qualitätsnote der korrigierten Produkte steigt | Notenverteilung in der [Datenqualität](/de/analytics/data-quality) | Innerhalb von Stunden nach dem Anwenden der Fixes |
| Score der AI-Qualitätsprüfung auf der Zielliste | Dimensions-Radar der [AI-Qualitätsprüfung](/de/analytics/quality-review) | Wenige Minuten nach dem nächsten Prüflauf |
| Weniger Produkte fallen durch deine neue Regel | Regelergebnisse in [Quality Guard](/de/quality-guard/rules) | Beim nächsten Export, der nächsten Synchronisierung oder Veröffentlichung - dort werden Regeln ausgewertet, nicht beim Import |
| „Nicht wie beschrieben" fällt im Gründe-Mix | Häufigste Retourengründe unter [Retouren & Rückerstattungen](/de/analytics/returns) | 3–4 Wochen nach der Veröffentlichung |
| Trend der Retourenquote biegt nach unten | Retourenquote im Zeitverlauf unter [Retouren & Rückerstattungen](/de/analytics/returns) | 3–4 Wochen nach der Veröffentlichung |
Der Beleg, den du willst, ist ein flacher werdendes Gefälle: deine früheren Produkte mit Note D und F retournieren näher an der Quote deiner Produkte mit Note A.
## Wenn es nicht klappt
Ein flaches Gefälle heißt, dass Content nicht dein Treiber ist - gute und schlechte Produkte kommen gleich oft zurück. Das deutet auf Passform, Größe oder Erwartung statt auf fehlende Information, und der Report [Retouren & Rückerstattungen](/de/analytics/returns) schlägt Größentabellen, Kompatibilitätsangaben und realistischere Lifestyle-Bilder vor. Das ist ein Gespräch auf Produktebene, kein Anreicherungsthema.
Prüfe, ob die korrigierten Inhalte den Shop wirklich erreicht haben. War **Unveränderte überspringen** an und die Produkte wurden nicht als geändert erkannt, hat der Export womöglich nichts gesendet - schalte es aus, um einen vollständigen erneuten Export zu erzwingen, wie unter [Produkte exportieren](/de/essentials/exporting-products) beschrieben. Bestätige es auf der Live-Seite, bevor du schließt, dass der Fix gescheitert ist.
Manche Plattformen legen nur Erstattungen auf Bestellebene offen. Ohne positionsgenaue Daten bekommst du trotzdem Retourenquote, erstatteten Umsatz und das Gefälle nach Qualitätsnote - genug, um diese Anleitung durchzuziehen. Dir fehlt nur die Aufschlüsselung nach Gründen als Gegenprobe, stütze dich also stärker auf das Gefälle.
Sie füllt nur Attribute, die in deiner Struktur bereits existieren - eine Spec ohne Attribut an der Produktfamilie hat also nirgends zu landen. Prüfe, dass das Attribut an der Familie existiert, und lass es erneut laufen. Enthält der Quelltext die Spec schlicht nicht, holt die [Web-Recherche](/de/ai/web-research) sie aus externen Quellen, und du extrahierst danach.
Der Schweregrad Blockieren stellt alles unter Quarantäne, was durchfällt, und dein Schwellenwert liegt über dem, was deine Daten derzeit erreichen können. Setz den Schweregrad zurück auf Warnen, nutze den Verteilungshinweis im [Regel-Editor](/de/quality-guard/rules), um einen Schwellenwert nahe am Median deines Katalogs zu wählen, und erhöhe ihn, während sich der Katalog verbessert.
Meist ist die Kennung falsch, online unbekannt, oder das Produkt ist zu neu oder zu speziell für öffentliche Daten. Probier einen anderen Kennungstyp - wenn EAN nichts liefert, schlägt die [Web-Recherche](/de/ai/web-research) Marke plus Name oder die Modellnummer vor.
## Verwandte Themen
Der Report hinter dieser Anleitung: Quoten, Gründe und das Gefälle nach Qualitätsnote.
Zwölf Dimensionen, die die Abweichungen erwischen, wegen derer Produkte zurückgeschickt werden.
Wenn das Retourenproblem in Wahrheit ein Datenproblem über den ganzen Katalog ist.
Die Gewinne halten: ein kurzer wiederkehrender Durchgang, damit die Qualität nie zurückdriftet.