Amazon-FBA-Retourenquote durch systematische Datenanalyse senken

Die Retourenquoten bei Amazon FBA unterscheiden sich je nach Kategorie stark, und die Retourenkosten können sich auf einen kleinen Teil des Sortiments konzentrieren – dennoch behandeln die meisten Verkäuferbetriebe die Retourenquote als aggregierte Kennzahl, ohne sie auf die Ebene herunterzubrechen, auf der sie wirklich handlungsrelevant wird. Wir haben eine Pipeline entwickelt, die FBA-Retourendaten abruft, nach Grundcode und SKU gruppiert, das dominante Muster identifiziert und die Ergebnisse in die Wirtschaftlichkeit pro verkauftem Stück sowie die Berechnung von Werbeschwellenwerten einfließen lässt. Der Ansatz funktioniert unabhängig von der Produktkategorie.

Die Datenquelle: FBA Customer Returns Report

Amazon stellt für jede über FBA abgewickelte Retoure einen strukturierten Datensatz bereit. Jeder Eintrag enthält die Bestell-ID, ASIN, SKU, das Retourendatum und – entscheidend – einen Grundcode, den der Kunde aus einer vordefinierten Liste ausgewählt hat. Die verfügbaren Grundcodes variieren je nach Kategorie, umfassen aber typischerweise Diskrepanzen bei Produktattributen (Größe, Farbe, Spezifikation), Qualitätsprobleme, ungenaue Produktbeschreibungen sowie allgemeine Kategorien wie „nicht gewünscht“.

Diese Daten stehen als herunterladbarer Bericht in Seller Central oder über automatisierte Datenextraktions-Pipelines zur Verfügung. Der Bericht ist auch über Amazons SP-API für die programmatische Integration in ein Data Warehouse abrufbar.

Die Rohdaten erfordern eine Vorverarbeitung: Deduplizierung (Exporte mit überlappenden Zeiträumen erzeugen doppelte Einträge), Normalisierung der Grundcodes und eine Verknüpfung mit Bestelldaten zur Berechnung der Retourenquote auf SKU-Ebene. Nichts davon ist komplex – es ist ein Standard-ETL-Schritt – aber genau dieser Schritt wird in den meisten Betrieben vollständig übersprungen.

Schritt 1: Verteilung der Grundcodes

Die erste Analyse ist eine Aggregation: alle Retouren nach Grundcode gruppieren und die prozentuale Verteilung berechnen. Ziel ist es festzustellen, ob ein einzelner Grund dominiert oder ob sich die Retouren gleichmäßig auf mehrere Ursachen verteilen.

In unserem Datensatz war die Verteilung stark konzentriert: Ein einzelner Grundcode machte 65 % aller Retouren aus. Der zweithäufigste Grund lag bei 15 %. Alles andere bewegte sich im niedrigen einstelligen Bereich. Unserer Erfahrung nach ist eine solche Konzentration häufig: In vielen Produktkategorien gibt es einen oder zwei dominante Retourengründe, die den Großteil der Fälle ausmachen.

Der Schwellenwert, den wir verwenden: Übersteigt ein einzelner Grundcode 40 % der Retouren, betrachten wir ihn als den wahrscheinlichsten Kandidaten für die Grundursache und überprüfen ihn in Schritt 2. Bestätigt sich die Vermutung, dürfte seine Behebung eine größere Wirkung haben als jede andere Änderung am Produktangebot oder am Produkt. Ist die Verteilung flach (kein Grund über 25 %), ist das Problem diffuser und erfordert einen anderen Ansatz – typischerweise Verbesserungen an Produktqualität oder Genauigkeit der Produktangebote über mehrere Dimensionen hinweg.

Schritt 2: Abgleich mit Produktattributen

Grundcodes zeigen, was Kunden angeben. Der Abgleich mit Produktattributen – Größe, Farbe, Variante, Preisniveau – zeigt, warum es passiert und ob die Ursache systematisch oder zufällig ist.

Wir verknüpfen den Retouren-Datensatz mit dem Produktkatalog und berechnen Retourenquoten je Attributwert. Eine systematische Ursache erzeugt eine ungleichmäßige Verteilung: Bestimmte Attributwerte weisen deutlich höhere Retourenquoten auf als andere, dominiert vom selben Grundcode. Eine zufällige Ursache erzeugt eine flache Verteilung.

Dieser Validierungsschritt verhindert Fehldiagnosen. Eine Produktlinie kann bei einem bestimmten Grund hohe Retouren aufweisen – ob die Lösung aber eine Änderung auf Ebene des Produktangebots (alle Varianten betreffend) oder eine Entscheidung auf SKU-Ebene erfordert (bestimmte Varianten einstellen oder anpassen), hängt davon ab, ob das Problem alle Varianten gleichermaßen betrifft oder sich auf bestimmte konzentriert. Die Daten bestimmen die Maßnahme.

Schritt 3: Rentabilität auf SKU-Ebene mit Retourenwahrscheinlichkeit

Standard-Rentabilitätsberechnungen behandeln Retouren als separaten Kostenposten. Ein genaueres Modell gewichtet die Marge jeder SKU mit seiner Retourenwahrscheinlichkeit. Eine konservative Variante der effektiven Marge pro SKU, die davon ausgeht, dass retournierte Einheiten nicht weiterverkauft und die dafür angefallenen Gebühren nicht erstattet werden, ergibt sich aus:

effective_margin = (1 - return_rate) × revenue_per_unit - cogs - amazon_fees - (return_rate × return_processing_cost)

Diese Berechnung bringt häufig SKUs mit negativer effektiver Marge ans Licht, die in aggregierten Ansichten profitabel erscheinen. In unserer Analyse wiesen drei SKUs mit relevantem Umsatzbeitrag negative Margen auf, sobald die Retourenwahrscheinlichkeit eingerechnet wurde – jeder Verkauf dieser Produkte bedeutete einen Verlust.

Amazons eigenes Profit Analytics-Dashboard (im September 2025 angekündigt) bietet Rentabilitätsansichten auf SKU-Ebene, die Rückerstattungs- und Retourenkosten einschließen; Amazon beschreibt jedoch keine Gewichtung nach Retourenwahrscheinlichkeit. Diese zusätzliche Berechnung auf den Standarddaten aufzubauen – ob in einer Tabellenkalkulation oder einer automatisierten Pipeline – ergänzt die Dimension, die Bestands- und Werbeentscheidungen belastbar macht.

Schritt 4: Werbeschwellenwerte neu berechnen

Die Retourenquote fließt direkt in den Break-Even Advertising Cost of Sales (ACoS) ein – den maximalen Anteil des Umsatzes, der für Werbung ausgegeben werden kann, bevor ein Verkauf unrentabel wird. Der Zusammenhang ergibt sich direkt aus der Berechnung:

break_even_acos = effective_margin / revenue_per_unit

Eine niedrigere Retourenquote erhöht die effektive Marge, was den Break-Even-ACoS anhebt und damit das tragfähige Werbebudget ausweitet. In unserem Fall erhöhte die prognostizierte Senkung der Retourenquote den Break-Even-ACoS um knapp zehn Prozentpunkte – genug, um das Werbebudget deutlich zu erhöhen und dabei dieselbe Stückrentabilität zu halten.

Das bedeutet: Retourenoptimierung und Werbebudget-Management sind keine voneinander unabhängigen Arbeitsbereiche. Sie sind über die Wirtschaftlichkeit pro verkauftem Stück miteinander verknüpft. Jedes Team, das Werbebudgets festlegt, ohne die Retourenquote in die Margenberechnung einzubeziehen, schöpft entweder das verfügbare Budget nicht aus oder gibt zu viel aus – ohne Einblick in den tatsächlichen Schwellenwert.

Schritt 5: Die Lösung umsetzen und messen

Sobald die Grundursache identifiziert und validiert ist, besteht die Maßnahme typischerweise in einer Änderung am Produktangebot – aktualisierte Produktbeschreibungen, ergänzte Spezifikationsdetails, angepasste Bilder oder explizite Hinweise, die den dominanten Retourengrund adressieren. Die Maßnahme zielt auf den spezifischen Grundcode ab, nicht auf das Produktangebot im Allgemeinen.

Die Messung erfordert Geduld. Für die meisten Amazon-Bestellungen gilt eine Rückgabefrist von 30 Tagen, mit Ausnahmen je nach Kategorie und verlängerten Fristen während der Feiertage; daher dauert es drei bis vier Wochen, bis sich die tatsächliche Wirkung einer Änderung am Produktangebot in den Daten zeigt. Unser Vorgehen: zehn Tage Werbeleistungsdaten nach der Änderung erfassen, dann weitere zwei Wochen auf die Bestätigung der Retourenquote warten, bevor Budgets angepasst werden.

Bei Unternehmen, die auf mehreren Marktplätzen verkaufen läuft diese Analyse für jeden Marktplatz unabhängig. Retourenmuster unterscheiden sich regional – eine in einem Markt validierte Lösung sollte nicht ohne eigene Daten auf einen anderen Markt übertragen werden.

Von der einmaligen Analyse zur kontinuierlichen Pipeline

Retourenmuster sind nicht statisch. Sie verschieben sich mit der Kundendemografie, Änderungen der Kategorie-Richtlinien, Schwankungen bei Lieferanten und dem Wettbewerbsumfeld. Eine einmalige Analyse liefert eine Momentaufnahme; eine kontinuierliche Pipeline liefert ein Frühwarnsystem.

Wir integrieren die Retourenanalyse in unsere Data-Warehouse-Pipeline, in der Datensätze automatisch abgerufen, dedupliziert, nach Grundcode und SKU aggregiert und mit gleitenden Ausgangswerten verglichen werden. Anomalien – etwa ein Anstieg bei einem bislang stabilen Grundcode nach einem Wechsel der Lieferantencharge – lösen eine Prüfung aus, bevor sie sich zu einem erheblichen Margenproblem entwickeln.

Die Minimalvariante ist ein manueller Export und eine Pivot-Tabelle. Die Variante für den Produktivbetrieb ist eine automatisierte Pipeline, die planmäßig läuft, effektive Margen mit Retourenwahrscheinlichkeit berechnet, Break-Even-ACoS-Schwellenwerte neu ermittelt und SKUs markiert, die von profitabel nach unrentabel gewechselt sind. Die analytische Logik ist identisch – der Unterschied liegt in Frequenz und Skalierbarkeit.

Die wichtigsten Erkenntnisse

Retouren nach Grundcode gruppieren, bevor Änderung am Produktangeboten vorgenommen werden. In vielen Kategorien macht ein einzelner Grund häufig den Großteil der Retouren aus. Diesen zu identifizieren, bevor in Änderungen investiert wird, die die falsche Variable adressieren, ist entscheidend.
Durch Abgleich mit Produktattributen validieren. Grundcodes allein zeigen, was Kunden angeben. Die Verknüpfung mit Produktdaten bestätigt, ob das Problem systematisch oder zufällig ist – und ob die Lösung auf Ebene des Produktangebots oder der SKU ansetzt.
Effektive Marge mit Retourenwahrscheinlichkeit berechnen. Standard-Margenberechnungen überschätzen die Rentabilität bei retourenstarken SKUs. Wahrscheinlichkeitsgewichtete Margen zeigen, welche Produkte tatsächlich Verluste einfahren.
Retourenquote mit Werbeschwellenwerten verknüpfen. Retourenquote und Break-Even-ACoS sind über die Wirtschaftlichkeit pro verkauftem Stück gekoppelt. Eine Senkung der Retourenquote weitet das tragfähige Werbebudget direkt aus, ohne dass etwas an den Kampagnen geändert wird.
Automatisieren für Kontinuität. Retourenmuster ändern sich. Eine kontinuierliche Pipeline mit Anomalieerkennung ersetzt periodische manuelle Kontrollen und erkennt Probleme, bevor sie sich aufstauen.

Weiterführende Beiträge

tva entwickelt automatisierte Datenpipelines für Amazon-Verkäuferbetriebe – von der Seller-Central-Datenextraktion und Retourengrundanalyse bis hin zu Rentabilitätsmodellen auf SKU-Ebene mit Retourenwahrscheinlichkeitsgewichtung. Wir helfen Teams im operativen Betrieb dabei, aggregierte Dashboards durch strukturierte, SKU-genaue Analysen zu ersetzen, die Werbe-, Bestands- und Produktentscheidungen unterstützen. Nehmen Sie Kontakt mit uns auf, wenn Sie einen technischen Partner für Ihre Amazon-Dateninfrastruktur suchen.