Retourengründe mit KI aus Freitexten auswerten

Das Problem

Frau Müller arbeitet im Kundendienst eines Onlineshops für Sportartikel. Jede Woche kommen Pakete zurück, und im Rücksendeformular tragen die Kundinnen und Kunden ihren Grund in ein freies Textfeld ein. Dort steht alles Mögliche: «zu klein», «passt nicht», «Grösse falsch», «sieht anders aus als auf Foto», «kam kaputt an», «Geschenk doppelt».

Der Chef möchte wissen: Warum werden Artikel zurückgeschickt, und was können wir dagegen tun? Frau Müller hat 800 Kommentare aus drei Monaten in einer Tabelle. Jeden einzeln zu lesen und zu sortieren dauert Tage, und jede Person sortiert etwas anders.

Hier kann eine KI helfen: Sie liest die Texte, ordnet sie nach vorgegebenen Kategorien und zählt. Das spart Zeit. Aber das Ergebnis ist nur nützlich, wenn die Kategorien sinnvoll sind und jemand prüft, ob die Zuordnung stimmt.

So lösen Sie es mit KI – Schritt für Schritt

1. Daten exportieren. Holen Sie die Rücksendungen aus Ihrem System als Tabelle: Datum, Artikelnummer, Retourengrund als Freitext. Verwenden Sie keine Kundennamen, keine Adressen und keine Bestellnummern, die zu Personen führen.

1. Texte durchsehen. Lesen Sie rund 50 Einträge selbst, um ein Gefühl zu bekommen: Welche Themen kommen vor, welche Wörter?

1. Kategorien festlegen. Bilden Sie 6 bis 10 Kategorien, zum Beispiel: Grösse/Passform, Qualität/Defekt, Transportschaden, falscher Artikel geliefert, gefällt nicht/anders als erwartet, Lieferverspätung, Sonstiges. Schreiben Sie für jede eine kurze Beschreibung.

1. Auswertung beauftragen. Geben Sie die Kategorien und eine Gruppe von Kommentaren in die KI und lassen Sie jeden Kommentar genau einer Kategorie zuordnen. Die Vorlage unten zeigt, wie das geht.

1. Stichproben prüfen. Kontrollieren Sie zufällig 30 Zuordnungen. Wie viele stimmen für Sie? Wenn viele nicht passen, schärfen Sie die Kategorienbeschreibung und wiederholen den Lauf.

1. Rest zuordnen und zählen. Wenn die Stichprobe passt, lassen Sie die restlichen Kommentare in Gruppen zuordnen. Zählen Sie die Ergebnisse in Excel, nicht in der KI.

1. Ursachen nach Artikel anschauen. Sortieren Sie nach Artikel und Kategorie. Häufen sich Retouren bei einem Produkt, lohnt sich ein genauer Blick auf Beschreibung, Fotos oder Qualität.

1. Massnahmen ableiten. Zum Beispiel: Grössentabelle verbessern, Produktfotos ändern, Verpackung ändern. Prüfen Sie nach einigen Wochen, ob die Retouren in dieser Kategorie zurückgehen.

Vorlage zum Kopieren

Du wertest Rücksendegründe eines Schweizer Onlineshops aus.

Ordne jeden Kommentar genau einer Kategorie zu:
1. Grösse/Passform – [Beschreibung]
2. Qualität/Defekt – [Beschreibung]
3. Transportschaden – [Beschreibung]
4. Falscher Artikel geliefert – [Beschreibung]
5. Gefällt nicht / anders als erwartet – [Beschreibung]
6. Lieferverspätung – [Beschreibung]
7. Sonstiges – nur wenn keine Kategorie passt

Ausgabe: Tabelle mit den Spalten Nr. | Kommentar (unverändert) | Kategorie | Unsicher (ja/nein)
Setze «Unsicher = ja», wenn der Kommentar zu mehreren Kategorien passen könnte oder unklar ist.

Regeln:
- Verändere die Kommentare nicht.
- Erfinde keine Gründe, die nicht im Text stehen.
- Rechne nicht aus, wie viele Kommentare in jede Kategorie fallen. Das mache ich selbst.

Kommentare:
[Nummerierte Liste von etwa 50 Kommentaren]

Arbeiten Sie in Gruppen von 50 bis 100 Kommentaren, damit nichts verloren geht. Passen Sie Kategorien und Beschreibungen an Ihre Produkte an.

Worauf Sie achten müssen

• Falsche Zuordnung: Freitexte sind oft knapp und mehrdeutig. «Zu klein» kann Grösse oder Passform meinen. Prüfen Sie Stichproben und lassen Sie unsichere Fälle markieren.
• Zählfehler: Sprachmodelle zählen nicht zuverlässig. Zählen Sie in Excel, etwa mit einer Pivot-Tabelle.
• Personendaten: Kommentare können Namen, Adressen oder Gesundheitsangaben enthalten. Entfernen Sie diese vor der Eingabe. Hilfreich ist dazu der Beitrag Personenbezogene Daten im Prompt.
• Zufall und kleine Zahlen: Wenige Fälle sagen wenig. Ziehen Sie keine grossen Schlüsse aus drei Rücksendungen eines Artikels.
• Ursache und Wirkung: Der Grund, den Kunden nennen, ist nicht immer die tatsächliche Ursache. Wer «passt nicht» schreibt, meint manchmal «gefällt nicht». Ergänzen Sie die Auswertung durch Ihre Erfahrung.
• Konsistenz: Verwenden Sie bei jedem Durchgang dieselben Kategorien, sonst lassen sich Monate nicht vergleichen.

Ein Beispiel aus der Praxis

Ein Beispiel: Ein Onlineshop für Outdoor-Bekleidung in Zug sammelt 800 Retourenkommentare. Die Kundendienstmitarbeiterin legt sieben Kategorien fest und lässt die KI in Gruppen zu je 80 Kommentaren zuordnen. Bei der Stichprobe fällt auf, dass «zu eng in den Schultern» bei Passform und bei Qualität landet. Sie ergänzt die Kategorienbeschreibung und wiederholt den Lauf.

Das Ergebnis, in Excel ausgezählt: Der grösste Teil der Retouren betrifft Grösse und Passform, vor allem bei zwei Jacken. Ein weiterer, kleinerer Teil sind Transportschäden. Der Shop ergänzt bei den zwei Jacken Angaben zu Schnitt und Körpermassen und prüft die Verpackung. Zwei Monate später vergleicht die Mitarbeiterin dieselben Kategorien und sieht, ob sich etwas bewegt hat.

So hilft Ihnen Alpasana

Solche Auswertungen setzen voraus, dass Sie Daten ordnen, Kategorien festlegen und Ergebnisse nachprüfen können. Die KI- und IT-Kurse für konkrete Arbeitsaufgaben von absofort umfassen unter anderem Excel, Datenverständnis und Dashboards sowie Kundenservice. Sie üben dort an konkreten Aufgaben, wie Sie KI verantwortungsvoll einsetzen.

Die Kurse laufen online, mit KI-Lerncoach, Praxisaufgaben und verifizierbarem Abschluss. Ob eine automatisierte Auswertung in Ihrem Shop-System sinnvoll ist, klärt eine eigene Abklärung.

Häufige Fragen

Wie viele Kategorien sind sinnvoll?

Sechs bis zehn sind meist gut. Zu wenige verwischen Unterschiede, zu viele machen die Zuordnung unsicher. Eine Kategorie «Sonstiges» fängt Ausnahmen auf.

Kann die KI die Kategorien selbst vorschlagen?

Ja, sie kann nach einer Durchsicht Vorschläge machen. Prüfen Sie diese aber an Ihrem Wissen, und legen Sie die endgültigen Kategorien fest, damit sie zu Ihren Massnahmen passen.

Funktioniert das auch mit Kommentaren in mehreren Sprachen?

Meist ja. Prüfen Sie die Zuordnung in jeder Sprache mit Stichproben. Bei Dialekt oder Fachbegriffen steigt die Fehlerquote.

Was ist der Unterschied zur Auswertung der Kommissionierfehler?

Hier geht es um Gründe, die Kundinnen angeben. Interne Fehler im Lager untersuchen Sie getrennt, wie in Kommissionierfehler auswerten beschrieben.