Handel

Retouren senken, Betrug erkennen: Machine Learning im Onlinehandel

Eine Jeans in drei Größen bestellt, zwei gehen zurück; eine Lieferadresse taucht mit wechselnden Namen und Zahlungsarten auf: Retouren und Betrug kosten im Onlinehandel Marge, und strenge Regeln kosten Kundschaft. Für Verantwortliche aus Onlineshop, Versandlogistik und Risikomanagement behandelt dieser Tag, wie Machine Learning Retourenwahrscheinlichkeit und Betrugsrisiko einer Bestellung einschätzt. Je eine Übung zur Retourenprognose und zum Betrugs-Scoring machen die Verfahren greifbar. Datenschutz, Fairness und die Anbindung an Shopsystem, Zahlungsabwicklung und Fulfillment entscheiden darüber, ob die Modelle im Betrieb Bestand haben.

Für wen

Verantwortliche aus Onlinehandel, Fulfillment und Risk Management, die Rücksendungen reduzieren und betrügerische Bestellungen im Onlinehandel früher erkennen wollen.

KI-Tagesseminar · 1 Tag

Rücksendungen vorhersagen, Betrugsmuster scoren und dabei die Conversion schützen

Das nehmen Sie mit

  • Ob ein Regelwerk genügt oder ein ML-Ansatz nötig ist, entscheiden Sie anhand Ihrer Retouren- und Betrugsmuster.
  • Eine Retourenprognose haben Sie selbst modelliert und Ursachen wie Größe, Beschreibung oder Bild herausgearbeitet.
  • Ein Betrugs-Scoring für Zahlungs- und Bestellbetrug haben Sie aufgebaut und gegen False Positives abgewogen.
  • Datenschutz und Fairness fließen als feste Prüfpunkte in Ihre Retouren- und Betrugsstrategie ein.
  • Für Integration und Erfolgsmessung liegt ein Fahrplan vor.

Ablauf

  1. Teil 1

    Modul 1 – Lagebild: Retouren und Betrug als Kostentreiber

    • Typische Rücksendegründe wie falsche Größe oder Auswahlbestellung und bekannte Betrugsmuster im Shop
    • Feste Regelwerke im Vergleich zu ML-Ansätzen: was jeweils erkannt wird und was durchrutscht
    • Zielkonflikt im Checkout: zusätzliche Hürden kosten Conversion, Lücken erhöhen das Risiko
    • Live-Demo: Retourenrisiko einer Bestellung wird bereits im Warenkorb geschätzt
    • Ihre Zahlen: tatsächliche Retourenquote je Warengruppe und was sie Sie kostet
  2. Teil 2

    Modul 2 – Retourenprognose: Wahrscheinlichkeit und Ursachen

    • Rücksendewahrscheinlichkeit je Bestellung und Artikel vorhersagen
    • Ursachen in den Daten finden: Größenangaben, Produktbeschreibungen, Produktbilder
    • Übung: Für einen Beispielshop aus dem Modehandel ein Modell zur Retourenprognose aufstellen
    • Ursachen statt Symptome beheben, etwa Größentabelle anpassen statt Rücksendung erschweren
  3. Teil 3

    Modul 3 – Betrugserkennung: Scoring und Anomalien

    • Zahlungsbetrug und Bestellbetrug mit einem Risikoscore bewerten
    • Auffälliges Bestellverhalten erkennen, etwa ungewöhnliche Warenkörbe oder gehäufte Adresswechsel
    • Den Checkout verschlanken, ohne das Betrugsrisiko auszuweiten
    • Übung: Betrugs-Scoring entwickeln und Schwellenwerte für Freigabe und manuelle Prüfung festlegen
    • False Positives: wie fälschlich gestoppte Bestellungen ehrliche Kundschaft verärgern
  4. Teil 4

    Modul 4 – Umsetzung: Leitplanken, Systeme, Wirkung

    • Datenschutz bei Bestell-, Zahlungs- und Verhaltensdaten, die in Retouren- und Betrugsmodelle einfließen
    • Fairness prüfen: ob das Scoring bestimmte Kundengruppen, Regionen oder Zahlungsarten benachteiligt
    • Integration in Shopsystem, Payment-Anbieter und Fulfillment-Prozesse
    • Fallstudie: Ein Onlinehändler entwickelt mit KI eine gemeinsame Strategie gegen Retouren und Betrug
    • Erfolg nachweisen: Retourenquote, Betrugsverluste und Conversion vor und nach der Einführung vergleichen
    • Ihr Fahrplan: erster Anwendungsfall, benötigte Daten, Zuständigkeiten in Shop und Fulfillment

VoraussetzungenSie bringen Berufserfahrung aus dem Onlinehandel oder dem Fulfillment mit.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen