KI im E-Commerce: Wie aus Unternehmensdaten konkrete Entscheidungen werden

Ein Dashboard zeigt, welche Artikel unprofitabel sind. KI kann zusätzlich dabei helfen zu prüfen, warum sie unprofitabel sind und welche Maßnahmen daraus folgen.

Genau darin liegt der entscheidende Unterschied zwischen klassischem Reporting und KI-gestützter Datenanalyse im E-Commerce.

Voraussetzung dafür ist allerdings, dass die KI nicht nur einzelne Tabellen oder Shopdaten sieht, sondern auf eine strukturierte Datenbasis mit Umsatz, Kosten, Werbung, Bestand, Einkauf, Logistik und weiteren relevanten Informationen zugreifen kann.

Dann entstehen Anwendungen, die weit über die klassische Frage-Antwort-Funktion eines Chatbots hinausgehen.

Was kann KI mit E-Commerce-Daten konkret leisten?

Mit einer strukturierten Datenbasis kann KI unter anderem:

• profitable und unprofitable Produkte identifizieren,
• Ursachen für Ergebnisveränderungen untersuchen,
• konkrete Maßnahmen für einzelne Artikel ableiten,
• Bestellbedarfe und Bestandsentwicklungen analysieren,
• interne mit externen Daten kombinieren,
• Lieferantengespräche vorbereiten,
• wiederkehrende Analysen standardisieren
• und perspektivisch definierte Prozesse teilautomatisieren.

Der zentrale Unterschied: Die KI betrachtet nicht nur Kennzahlen, sondern kann mehrere Informationen gleichzeitig in einen wirtschaftlichen Zusammenhang setzen.

1. Profitabilität analysieren statt nur Umsatz betrachten

Ein hoher Umsatz macht einen Artikel noch lange nicht zu einem guten Artikel.

Ein Produkt kann beispielsweise zu den umsatzstärksten Artikeln des Sortiments gehören und gleichzeitig einen negativen Deckungsbeitrag nach Werbung erwirtschaften.

Die entscheidende Fragestellung lautet deshalb nicht:

„Welche Artikel verkaufen wir am häufigsten?“

Sondern:

„Welche Artikel tragen tatsächlich zum Ergebnis bei – und welche vernichten trotz hoher Umsätze Marge?“

Eine Möglichkeit ist, Produkte gleichzeitig nach Umsatzbedeutung und Deckungsbeitrag zu klassifizieren.

Dadurch entstehen unterschiedliche Gruppen:

• Ertragsanker: hoher Umsatzanteil und hoher Ergebnisbeitrag
• Potenzialartikel: wirtschaftlich interessant, aber mit Entwicklungsmöglichkeiten
• unbedeutende Artikel: geringer Umsatz- und Ergebnisbeitrag
• Verlusttreiber: hoher Umsatz, aber negativer Deckungsbeitrag

Gerade die letzte Gruppe ist relevant. Ein stark verkaufter Artikel kann auf den ersten Blick gesund wirken und dennoch Ergebnis vernichten.

Was kann KI hier zusätzlich leisten?

Nach der Identifikation eines Verlusttreibers können weitere Faktoren geprüft werden:

• Sind die Werbekosten zu hoch?
• Wird bereits vor Werbung ein negativer Deckungsbeitrag erzielt?
• Sind Preis- oder Repricing-Grenzen problematisch?
• laufen Rabattaktionen?
• ist bereits neue Ware bestellt?
• entsteht damit das Risiko, noch größere Mengen defizitär verkaufen zu müssen?

So verändert sich die Analyse von einer Kennzahlenbetrachtung zu einem Maßnahmenprozess.

Deckungsbeitragsanalyse nach Ursache: Die einzelnen Effekte machen sichtbar, welche Faktoren die Ergebnisveränderung tatsächlich treiben.Statt lediglich festzustellen, dass 20 Artikel problematisch sind, kann für jeden Artikel untersucht werden, warum er problematisch ist und was als Nächstes geprüft werden sollte.

Das ist insbesondere bei größeren Sortimenten relevant: Was für zehn Artikel manuell noch möglich ist, wird bei Tausenden Artikeln schnell zu einer Kapazitätsfrage.

2. Interaktive KI-Artefakte statt immer neuer Prompts

Nicht jede Analyse sollte jedes Mal bei einem leeren Chatfenster beginnen.

Für regelmäßig wiederkehrende Fragestellungen bieten sich deshalb interaktive KI-Artefakte an.

Ein Artefakt verbindet eine definierte Datenabfrage mit Visualisierung, Interaktion und KI-gestützter Interpretation.

Beispielsweise kann eine Artikelübersicht zunächst das gesamte Sortiment darstellen. Von dort lässt sich auf eine Artikelgruppe, einen Artikel oder eine einzelne Variante navigieren.

Für einen Artikel können anschließend beispielsweise zusammengeführt werden:

• Umsatz und Umsatzentwicklung
• Deckungsbeitrag
• Bestand
• Reichweite
• Stammdaten
• Vorjahresvergleich
• Auffälligkeiten
• Handlungsbedarf
• konkrete To-dos

Die KI kann ergänzend eine qualitative Einschätzung erstellen oder weitere Analysen durchführen.

Warum ist das mehr als ein Dashboard?

Ein klassisches Dashboard stellt vorbereitete Kennzahlen dar.

Ein KI-Artefakt kann zusätzlich Analyse und Interaktion miteinander verbinden.

Der Anwender kann beispielsweise eine Auffälligkeit erkennen, in einen Artikel hineinzoomen und anschließend zusätzliche Zusammenhänge untersuchen lassen.

Damit entwickelt sich die Oberfläche vom Reporting-Werkzeug zum Arbeitsbereich für datenbasierte Entscheidungen.

Wichtig ist dabei die Individualisierbarkeit. Kennzahlen, Schwellenwerte, Dimensionen und Entscheidungslogiken unterscheiden sich zwischen Unternehmen. Ein sinnvoller Standard kann deshalb der Ausgangspunkt sein – die konkrete Anwendung sollte sich anschließend an die eigenen Prozesse anpassen lassen.

3. Externe Daten mit eigenen Verkaufsdaten verbinden

Nicht jede Umsatzentwicklung lässt sich aus ERP-, Shop- oder Marktplatzdaten erklären.

Externe Einflussfaktoren können zusätzliche Zusammenhänge sichtbar machen. Zwei Beispiele sind Wetter- und demografische Daten.

Wetterdaten: Welche Sortimente reagieren auf Temperatur, Regen oder Sonne?

Für wetterabhängige Produkte reicht es nicht, ausschließlich die Umsatzentwicklung zu betrachten.

Interessanter ist die Kombination:

Umsatz + Artikelgruppe + Region + Temperatur + Niederschlag + Sonnenstunden

Damit lässt sich analysieren, welche Warengruppen statistisch besonders stark auf bestimmte Wetterbedingungen reagieren.

Der eigentliche Nutzen entsteht jedoch erst durch die Verbindung mit einer Prognose.

Wenn für die kommenden Tage beispielsweise ein deutlicher Temperaturanstieg erwartet wird und bestimmte Artikelgruppen historisch stark darauf reagieren, können daraus konkrete Fragestellungen entstehen:

• Sollte das Marketingbudget angepasst werden?
• sollten Kampagnen früher aktiviert werden?
• muss der Bestand bestimmter Produkte geprüft werden?
• sollte eine Bestellung vorgezogen werden?

Wetterdaten allein sind noch kein Entscheidungsinstrument. Erst die Verbindung mit den eigenen historischen Verkaufsdaten macht sie wirtschaftlich relevant.

Zensusdaten: Wer kauft tatsächlich bei uns?

Eine weitere Möglichkeit ist die Verbindung von Kunden- und Umsatzdaten mit regionalen demografischen Informationen.

Über geografische Zuordnungen können beispielsweise Merkmale wie

• Altersstruktur,
• Haushaltsgröße,
• Wohnsituation
• oder regionale Bevölkerungsstruktur

mit dem tatsächlichen Kundenportfolio verglichen werden.

Damit lassen sich Fragen beantworten wie:

• Welche Altersgruppen tragen besonders stark zum Umsatz bei?
• Wie verändert sich unsere Kundenstruktur gegenüber dem Vorjahr?
• gewinnen oder verlieren wir bestimmte Zielgruppen?
• entspricht unsere reale Kundschaft noch der strategisch gewünschten Zielgruppe?
• unterscheiden sich Kundengruppen regional?

Aus der Analyse können wiederum konkrete Fragestellungen für Marketing, Sortimentsgestaltung oder Kundenansprache entstehen.

4. KI in der Disposition: Vom Bestand zum Bestellvorschlag

Die Frage „Was muss ich nachbestellen?“ lässt sich nicht zuverlässig anhand des aktuellen Bestands beantworten.

Ein belastbarer Bestellvorschlag benötigt mehrere Informationen gleichzeitig:

• aktueller Bestand
• historischer Abverkauf
• gewählter Referenzzeitraum
• offene Zuläufe
• Wiederbeschaffungszeit
• Sicherheitsbestand
• gewünschte Reichweite
• Lieferant
• Artikelklassifizierung
• gegebenenfalls saisonale Entwicklungen und Forecasts

Genau deshalb eignet sich die Disposition besonders gut für datenbasierte und KI-gestützte Anwendungen.

Beispiel: Reichweite allein reicht nicht

Ein Artikel hat nur noch 20 Tage Reichweite.

Das klingt zunächst kritisch.

Wenn aber in vier Tagen bereits eine größere Lieferung eintrifft, kann die Situation vollkommen anders aussehen.

Umgekehrt kann ein Bestand auf den ersten Blick ausreichend erscheinen, obwohl eine lange Lieferzeit dazu führt, dass bereits heute bestellt werden müsste.

Entscheidend ist also nicht eine einzelne Kennzahl, sondern das Zusammenspiel von Bestand, Nachfrage, Zulauf und Wiederbeschaffungszeit.

Bestandssimulation statt statischer Tabelle

Noch hilfreicher wird die Analyse, wenn verschiedene Szenarien simuliert werden können.

Beispielsweise:

• Wie entwickelt sich der Bestand bei unverändertem Abverkauf?
• Wann trifft eine bestehende Bestellung ein?
• wann würde danach erneut ein Engpass entstehen?
• was passiert, wenn statt 50 Stück 100 Stück bestellt werden?
• welche Bestellmenge deckt Bedarf plus Sicherheitspuffer?

Damit entsteht aus einer Bestandsliste ein operatives Planungssystem.

Auch Einkaufsbudgets können berücksichtigt werden.

Stehen beispielsweise nur 5.000 Euro für eine Bestellung bei einem Lieferanten zur Verfügung, kann die Priorisierung zusätzlich nach wirtschaftlicher Bedeutung, Reichweite und Dringlichkeit erfolgen.

Das ist näher an der tatsächlichen Einkaufsentscheidung als eine reine Mengenprognose.

5. Lieferantengespräche mit KI vorbereiten

Viele KI-Anwendungen müssen nicht automatisch einen Prozess ausführen, um erheblichen Nutzen zu erzeugen.

Ein gutes Beispiel ist die Vorbereitung eines Lieferantengesprächs.

Dafür müssen häufig Informationen aus verschiedenen Bereichen zusammengetragen werden:

• Bestellhistorie
• Einkaufsvolumen
• Abverkaufsentwicklung
• aktuelle Bestände
• Reichweiten
• offene Bestellungen
• Forecast
• Einkaufspreise
• Verkaufspreise
• Deckungsbeiträge
• Auswirkungen angekündigter Preiserhöhungen

Wenn diese Informationen bereits strukturiert vorliegen, kann KI daraus eine konkrete Gesprächsvorbereitung erzeugen.

Sie kann beispielsweise zusammenstellen:

Welche Produkte sind für die Verhandlung besonders relevant?

Wie hoch wäre der wirtschaftliche Effekt einer angekündigten Einkaufspreiserhöhung?

Bei welchen Produkten besteht eine starke oder schwache Verhandlungsposition?

Welche Argumente und Fragen sollten im Gespräch adressiert werden?

Aus den Daten entsteht dadurch nicht nur eine Analyse, sondern beispielsweise ein Gesprächsleitfaden inklusive Forecast und wirtschaftlicher Argumentation.

Gerade hier zeigt sich ein wichtiger Unterschied zur klassischen BI: Daten werden unmittelbar für eine konkrete betriebliche Aufgabe eingesetzt.

6. Aus guten Analysen werden Skills und Routinen

Viele sinnvolle KI-Anwendungen entstehen zunächst durch Ausprobieren.

Ein Mitarbeiter entwickelt beispielsweise einen guten Ablauf zur Analyse von Verlusttreibern oder zur Vorbereitung eines Lieferantengesprächs.

Wenn dieser Ablauf regelmäßig benötigt wird, sollte er aber nicht jedes Mal neu formuliert werden müssen.

Hier kommen Skills ins Spiel.

Was ist ein KI-Skill?

Ein Skill bildet einen definierten Analyse- oder Arbeitsablauf ab, der wiederholt aufgerufen werden kann.

Beispiele:

• Potenzialanalyse für Produkte
• Analyse negativer Deckungsbeiträge
• Vorbereitung eines Lieferantengesprächs
• Prüfung der Datenqualität
• PPC-Analyse
• Bestands- und Dispositionsprüfung

Der entscheidende Vorteil ist die Standardisierung von Know-how.

Die Qualität einer Analyse hängt dann weniger davon ab, ob der jeweilige Mitarbeiter gerade den perfekten Prompt formuliert.

Der nächste Schritt: Routinen

Ein Skill kann anschließend regelmäßig ausgeführt werden.

Beispiel:

Jeden Montag vor dem E-Commerce-Meeting werden automatisch

1. Verlusttreiber identifiziert,
2. Veränderungen gegenüber der Vorwoche untersucht,
3. mögliche Ursachen analysiert,
4. Maßnahmen vorgeschlagen
5. und eine Aufgabenliste für das Team erstellt.

Dann wird KI nicht mehr nur auf Nachfrage genutzt, sondern Bestandteil eines wiederkehrenden Unternehmensprozesses.

Wie weit sollten KI-Agenten im E-Commerce automatisieren?

Ein Agent geht noch einen Schritt weiter. Er analysiert nicht nur, sondern kann innerhalb definierter Regeln selbst Aktionen vorbereiten oder ausführen.

Beispiel Disposition:

Ziel: Out-of-Stock vermeiden.

Ein entsprechender Agent könnte:

1. Bestände überwachen,
2. erwartete Abverkäufe berücksichtigen,
3. offene Zuläufe einbeziehen,
4. kritische Artikel erkennen,
5. Bestellmengen berechnen
6. und Bestellungen vorbereiten.

Ob ein solcher Prozess anschließend vollständig automatisiert ausgeführt werden sollte, ist eine andere Frage.

Gerade bei wirtschaftlich relevanten Entscheidungen sind klare Leitplanken notwendig:

• Welche Entscheidungen darf der Agent treffen?
• welche Grenzwerte gelten?
• ab welchem Betrag ist eine Freigabe erforderlich?
• welche Daten müssen vollständig vorliegen?
• wie werden Entscheidungen protokolliert?
• wann muss ein Mensch eingreifen?

Deshalb ist ein schrittweises Vorgehen sinnvoll:

Analyse → Artefakt → Skill → Routine → kontrollierter Agent

Nicht jede Anwendung muss beim maximalen Automatisierungsgrad enden.

Warum Datenqualität für KI wichtiger wird, nicht unwichtiger

Generative KI löst kein Datenqualitätsproblem.

Wenn wichtige Kosten fehlen, Lieferzeiten falsch gepflegt sind oder Artikel nicht korrekt zugeordnet werden, verarbeitet die KI diese Fehler lediglich schneller.

Für belastbare KI-Anwendungen müssen deshalb insbesondere drei Voraussetzungen erfüllt sein:

1. Relevante Daten müssen vollständig sein

Für eine Profitabilitätsanalyse reichen beispielsweise Umsatz und Wareneinsatz nicht aus, wenn Versand-, Payment-, Marktplatz-, Retouren- oder Marketingkosten einen erheblichen Einfluss haben.

2. Daten müssen systemübergreifend zusammenpassen

Ein Artikel sollte über Warenwirtschaft, Shop, Marktplatz, Werbung und Logistik eindeutig zugeordnet werden können.

3. Die betriebswirtschaftliche Logik muss definiert sein

Die KI muss wissen, welche Kennzahlen, Kostenlogiken, Schwellenwerte und Entscheidungsregeln für das jeweilige Unternehmen gelten.

Eine bessere KI kompensiert keine schlechte Datenbasis.

Mit zunehmendem Automatisierungsgrad steigt die Bedeutung verlässlicher Daten sogar noch weiter.

Was ändert KI damit im E-Commerce-Controlling?

Klassische Business Intelligence schafft zunächst Transparenz:

Was ist passiert?

Moderne KI-Anwendungen ergänzen weitere Ebenen:

Warum ist es passiert?

Wo besteht Handlungsbedarf?

Welche Maßnahme sollte geprüft werden?

Kann dieser Analyseprozess standardisiert werden?

Kann ein Teil davon automatisiert ablaufen?

Damit verändert sich die Nutzung von Daten:

Daten → Kennzahl → Report

wird zu

Daten → Auffälligkeit → Analyse → Entscheidung → Maßnahme → Prozess

Der größte Nutzen entsteht deshalb nicht durch einen zusätzlichen Chatbot.

Er entsteht, wenn vorhandene Unternehmensdaten schneller und systematischer in Entscheidungen und Handlungen übersetzt werden.

Welche KI-Anwendungen eignen sich für den Einstieg?

Unternehmen müssen nicht mit autonomen Agenten beginnen.

Sinnvolle erste Anwendungsfälle sind Prozesse, die

• regelmäßig stattfinden,
• heute viel manuelle Analyse benötigen,
• auf strukturierten Daten beruhen,
• klar definierbare Entscheidungskriterien haben
• und einen messbaren wirtschaftlichen Nutzen versprechen.

Im E-Commerce sind das beispielsweise:

• Deckungsbeitrags- und Verlusttreiberanalysen
• Sortiments- und Portfolioanalysen
• Disposition und Bestandsüberwachung
• Lieferantenvorbereitung
• Datenqualitätsprüfungen
• wiederkehrendes Management-Reporting

Diese Prozesse lassen sich zunächst als Analyse oder Artefakt etablieren und anschließend schrittweise standardisieren.

Wie DataWow KI mit E-Commerce-Daten verbindet

DataWow führt Daten aus Warenwirtschaft, Shops, Marktplätzen, Marketing, Versand und weiteren Systemen in einem zentralen Data Warehouse zusammen.

Über den DataWow Profit Pilot kann diese strukturierte Datenbasis anschließend für KI-gestützte Analysen und Anwendungen genutzt werden.

Dabei geht es nicht darum, klassisches Controlling durch KI zu ersetzen.

BI und Data Warehouse sorgen für strukturierte, nachvollziehbare und konsistente Daten. KI ergänzt diese Grundlage um Interpretation, Interaktion und Prozessunterstützung.

Das ermöglicht beispielsweise:

• Analysen per Dialog,
• interaktive Artefakte,
• individuell definierte Skills,
• wiederkehrende Routinen
• und perspektivisch kontrollierte agentische Prozesse.

Das Ziel ist nicht mehr Reporting, sondern eine kürzere Strecke zwischen Daten, Erkenntnis und Handlung.

Häufige Fragen zu KI und E-Commerce-Daten

Kann KI direkt auf ERP- und Shopdaten zugreifen?

Grundsätzlich benötigt die KI einen technisch kontrollierten Zugriff auf die relevanten Daten. Bei DataWow werden Daten aus den angebundenen Quellsystemen zunächst im Data Warehouse strukturiert und anschließend über einen MCP-Server für KI-Anwendungen bereitgestellt.

Ersetzt KI klassische BI-Dashboards?

Nicht zwingend. BI und KI erfüllen unterschiedliche Aufgaben. Dashboards eignen sich sehr gut für standardisierte Kennzahlen und wiederkehrendes Monitoring. KI wird insbesondere interessant, wenn Daten interpretiert, zusätzliche Fragen beantwortet oder konkrete Maßnahmen abgeleitet werden sollen.

Welche E-Commerce-Daten eignen sich besonders für KI?

Besonders wertvoll sind kombinierte Daten aus Umsatz, Deckungsbeitrag, Bestand, Einkauf, Werbung, Logistik, Retouren und Kundenverhalten. Je vollständiger der wirtschaftliche Zusammenhang abgebildet wird, desto fundierter können Analysen ausfallen.

Kann KI Bestellungen automatisch auslösen?

Technisch können Prozesse zunehmend automatisiert werden. Bei Einkaufsentscheidungen sollten jedoch klare Regeln, Berechtigungen und Freigabegrenzen definiert werden. Ein sinnvoller Einstieg besteht häufig darin, zunächst Bestellvorschläge zu erzeugen und die finale Entscheidung beim verantwortlichen Mitarbeiter zu belassen.

Was ist der Unterschied zwischen einem KI-Chat und einem KI-Artefakt?

Im Chat entsteht die Analyse aus einer konkreten Frage. Ein Artefakt bildet dagegen einen vorbereiteten Anwendungsfall mit definierten Datenabfragen, Visualisierungen und Interaktionsmöglichkeiten ab. Es eignet sich deshalb besonders für wiederkehrende Aufgaben.

Was ist der wichtigste Erfolgsfaktor für KI im E-Commerce?

Eine vollständige und verlässliche Datenbasis. Je stärker KI in Entscheidungen und Prozesse eingebunden wird, desto wichtiger werden Datenqualität, eindeutige Kennzahlen und klar definierte betriebswirtschaftliche Regeln.

Fazit: Der Wert von KI entsteht zwischen Analyse und Handlung

Für E-Commerce-Unternehmen ist nicht entscheidend, wie viele Fragen sich an eine KI stellen lassen.

Entscheidend ist, welche betrieblichen Entscheidungen dadurch schneller oder besser getroffen werden können.

Besonders interessant sind deshalb Anwendungen, bei denen Daten aus mehreren Systemen zusammenkommen und heute noch erheblicher manueller Analyseaufwand entsteht.

Deckungsbeitragsanalyse, Disposition, externe Daten, Lieferantenmanagement und wiederkehrende Controlling-Prozesse zeigen, wie daraus konkrete Anwendungen entstehen können.

Die Entwicklung führt dabei schrittweise von der Datenanalyse über Artefakte und Skills zu Routinen und kontrollierter Automatisierung.

KI mit den eigenen E-Commerce-Daten nutzen

Sie möchten tiefer einsteigen und erfahren, wie DataWow Unternehmensdaten aus ERP, Shop, Marktplätzen, Marketing und weiteren Quellen zusammenführt und für Analysen und Entscheidungen nutzbar macht?

→ DataWow als Lösung kennenlernen

Wie sich diese Datenbasis mit KI, Claude und dem DataWow Profit Pilot verbinden lässt und welche Möglichkeiten sich daraus für Analysen, Artefakte und Prozesse ergeben:

→ KI im E-Commerce mit dem DataWow Profit Pilot entdecken

Sie möchten konkret besprechen, welche dieser Anwendungsfälle sich mit Ihren eigenen Daten umsetzen lassen?

→ Kostenlosen und unverbindlichen 30-minütigen Demotermin vereinbaren