Foto zum Beitrag Kommissionierfehler im Onlineshop auswerten: Kennzahlen und Ursachen
Foto von marcinjozwiak auf Pixabay

Fulfillment

Kommissionierfehler im Onlineshop auswerten: Kennzahlen und Ursachen

Die 17. Ausgabe der „E-Commerce-Studie Österreich“ des Handelsverbandes in Kooperation mit der KMU Forschung Austria beziffert die E-Commerce-Ausgaben der Österreicher:innen 2026 mit 12,3 Mrd.

Dies ist ein redaktionelles Pseudonym der Publikation und keine Behauptung einer unabhängig verifizierten persönlichen Identität. Ursprüngliche redaktionelle Zuordnung: Redaktion Betrieb.

Warum sich die Fehlerauswertung im österreichischen Onlinehandel jetzt lohnt

Die 17. Ausgabe der „E-Commerce-Studie Österreich“ des Handelsverbandes in Kooperation mit der KMU Forschung Austria beziffert die E-Commerce-Ausgaben der Österreicher:innen 2026 mit 12,3 Mrd. Euro – ein Plus von 3 % gegenüber 2025 und von 24 % seit 2023. 13 % aller einzelhandelsrelevanten Konsumausgaben fließen bereits online.

Die absolute Zahl der Kommissioniervorgänge macht systematisches Auswerten rentabel. Da die Wachstumskurve abflacht, überdecken Zuwächse Fehlerkosten nicht mehr automatisch.

Rainer Will, Geschäftsführer des Handelsverbandes, beschreibt den Mechanismus: „Wachstum entsteht nicht mehr durch neue Shopper, sondern durch eine intensivere Nutzung bestehender Käuferinnen und Käufer. Wir sehen mehr Bestellungen, höhere Warenkörbe und eine stärkere Verlagerung vom stationären in den Online-Kanal.“

Bei einer stabilen Shopper-Basis von 5,8 Millionen Personen steigt die Zahl der Bestellungen pro Kopf – und damit die Zahl der Kommissioniervorgänge, in denen ein Fehler passieren kann. Fehler treffen dadurch überdurchschnittlich oft wiederkehrende Käufer:innen, also genau jene Gruppe, aus der das Wachstum kommt.

54 % der Käufer:innen haben im vergangenen Jahr mindestens einmal retourniert, bei Bekleidung liegt die Retourenquote bei 62 %. Dahinter stehen unterschiedliche Gründe: Passform, Größe, Nichtgefallen, verspätete Lieferung und Falschlieferungen.

Wer falschen Artikel, falsche Menge oder fehlende Position nicht als eigenen Grund erfasst, kann die Retourenquote nicht als Fehlerkennzahl lesen. Die Abgrenzung der Retourengründe ist die erste technische Voraussetzung der Auswertung.

Welche Kennzahlen Kommissionierfehler sichtbar machen: Retourenquote und Warengruppen im Vergleich

Leitindikator ist die Retourenquote, aber nicht als eine Zahl für den ganzen Shop. Der Handelsverband weist für 2026 deutliche Unterschiede aus: Bekleidung und Textilien führen mit 62 % das Retourenranking an, gefolgt von Schuhen mit 19 % und Elektronik mit 12 %.

Eine ungegliederte Gesamtquote dominiert die stärkste Warengruppe und verdeckt Auffälligkeiten in kleineren Kategorien. Sinnvoll ist eine Auswertung auf Ebene der Warengruppe, darunter auf Ebene der Artikelgruppe. Jede Ebene braucht genug Bestellungen pro Periode, damit Schwankungen nicht als Trend gelesen werden.

Die Käuferreichweite gewichtet die Retourenquote. Bekleidung und Textilien bleiben laut Studie mit 2,4 Mrd. Euro und einer Käuferreichweite von 63 % die stärkste Online-Kategorie; fast zwei Drittel der Onlineshopper kaufen (auch) Bekleidung und Textilien.

Für die Priorisierung gilt: Reichweite mal Fehler- oder Retourenquote ergibt die Zahl der betroffenen Bestellungen. Eine Kategorie mit mittlerer Quote und hoher Reichweite kann in absoluten Zahlen mehr Fehlerfälle produzieren als eine Nische mit Spitzenquote.

Für die Ursachenarbeit braucht es zusätzlich Kennzahlen, die den Fehler lokalisieren statt ihn nur zu zählen: Falschlieferungsquote je Lagerzone, je Kommissionierverfahren und je Schicht; Zahl der Bestellpositionen pro Kommissioniervorgang; Zeit zwischen Auftragsfreigabe und Versand; Anteil der Falschlieferungen an allen Retouren.

Diese Liste ist bewusst kurz zu halten und über Perioden hinweg unverändert zu führen – nur dann ist eine Veränderung nach einer Maßnahme überhaupt interpretierbar.

Retourenquoten nach Warengruppe im österreichischen Onlinehandel (2026)

  • Bekleidung und Textilien62 %
  • Schuhe19 %
  • Elektronik12 %

Wichtige E-Commerce-Kennzahlen für Österreich (2026)

  • 12,3E-Commerce-Ausgaben in Österreich
  • 13%Online-Anteil am Einzelhandelsumsatz
  • 5,8Anzahl der Online-Shopper in Österreich
  • 2.120Durchschnittliche Ausgaben pro Shopper

Bestellmuster als Kontext: Mobile Commerce und KI-gestützte Produktsuche

Mobile Commerce legt um 32 % zu, das Smartphone wird zum dominierenden Shopping-Kanal.

Über alle Kanäle aggregierte Fehlerkennzahlen mischen unterschiedlich zusammengesetzte Auftragsströme. Wer die Kennzahl nach Kanal trennt, sieht, ob eine Veränderung aus Warenkorb, Bestellstruktur oder Kommissionierprozess stammt. Wer sie zusammenführt, kann eine kanalbedingte Verschiebung fälschlich als Prozessverschlechterung lesen.

37 % der Konsument:innen nutzen KI-basierte Funktionen bei Produktsuche, Empfehlungen oder Informationsbeschaffung. Dadurch verändert sich, über welche Wege Artikel in den Warenkorb gelangen und welche Artikelgruppen geordert werden.

Such- und Empfehlungsdaten gehören daher in die Interpretation. Steigt die Fehlerquote, während neue Artikel über Empfehlungen stärker nachgefragt werden, liegt eine mögliche Ursache in unvollständigen Produktdaten – etwa fehlenden Variantenangaben oder Maßen –, nicht in der Kommissionierung.

5,8 Millionen Österreicher:innen kaufen online ein, um 5,5 % mehr als 2024, mit durchschnittlichen Ausgaben von 2.120 Euro pro Kopf, leicht über dem Vorjahr.

Absolute Fehlerzahlen steigen mit wachsendem Bestellvolumen automatisch. Deshalb sind Raten zu führen – Fehler pro 1.000 Bestellungen oder pro 10.000 kommissionierten Positionen –, nicht absolute Fallzahlen.

Der Wettbewerbsdruck auf den Service ist real: 47 % der E-Commerce-Ausgaben (5,8 Mrd. Euro) gehen an ausländische Anbieter, 1,3 Mrd. Euro fließen zu chinesischen Plattformen wie Temu, Shein und AliExpress. Will formuliert die Aufgabe, das Volumen durch „attraktive Angebote, verlässlichen Service und faire Wettbewerbsbedingungen im Inland“ zu halten.

Vorteile und Risiken von KI-gestützter Produktsuche im Onlinehandel

  • VorteileSteigende Nachfrage über Empfehlungen, personalisierte Suchergebnisse, effizientere Produktfindung
  • RisikenUnvollständige Produktdaten (z. B. fehlende Varianten oder Maße), falsche Empfehlungen, erhöhte Falschlieferungsquote bei unklarer Datenbasis

Die Datenbasis: Warenwirtschaft, Lagerbewegungen und Auto-ID

Kommissionierfehler sind nur dort auffindbar, wo Aufträge und Lagerbewegungen gebucht werden – in der Warenwirtschaft. Ein ERP-System führt typischerweise Module für Verkauf, Einkauf, Lager, Finanzen und Einstellungen, verwaltet Anwender und Berechtigungen und wird über Grundeinstellungen wie Nummernkreise, Währungen und Einheiten konfiguriert (Argon-ERP-Dokumentation).

Erste Prüffrage: Ist der Weg vom Auftrag über die Lagerentnahme bis zur Versandbuchung lückenlos nachvollziehbar? Und ist erkennbar, welche Rolle welche Buchung vornehmen darf?

Die zweite Datenquelle ist die Kennzeichnung der Ware. Auto-ID-Technologien wie Barcodes verwalten und überwachen Waren und Güter. Entscheidend ist, wann und mit welcher Verbindlichkeit gescannt wird: ob Entnahme am Lagerplatz, Verpacken und Versand je einen eigenen Scan erzeugen, ob ein Scan übersprungen werden kann und ob pro Position oder nur pro Beleg quittiert wird.

Fehlt ein Scanzeitpunkt, ist im Nachhinein nicht entscheidbar, in welchem Schritt ein falscher Artikel in das Paket gelangt ist.

Vor jeder Ursachenanalyse ist die Datenherkunft zu prüfen: Die Auswertung hängt an der Erfassung, nicht an nachträglicher Interpretation. Zu kontrollieren sind Stammdaten wie Varianten, Maße und Einheiten auf Vollständigkeit und Konsistenz zwischen Shop und Warenwirtschaft.

Weiters: Sind nachträgliche Bestandskorrekturen sichtbar und einer Benutzerin oder einem Benutzer zuordenbar? Sind Berechtigungen so gesetzt, dass nicht jede Rolle Bestände ändern kann? Solange diese Punkte offen sind, liefert jede Kennzahl nur Scheingenauigkeit.

Prüfparameter für eine zuverlässige Datenbasis im Lager

  • Lückenlose Buchungskette: Auftrag → Entnahme → VersandJa / Nein
  • Genaue Scanning-Punkte: Lagerplatz, Verpackung, VersandJa / Nein
  • Stammdaten konsistent zwischen Shop und WarenwirtschaftJa / Nein
  • Manuelle Bestandskorrekturen sichtbar und zuordenbarJa / Nein
  • Berechtigungen so gesetzt, dass nur autorisierte Personen Änderungen vornehmen könnenJa / Nein

Ursachen im System: Performance, manuelle Eingriffe und Lagerfehler

Ein Teil der Fehler entsteht nicht am Regal, sondern in der Software. Ein Fachbeitrag zur JTL-Wawi-Optimierung hält fest: Langsame Datenbankabfragen oder überlastete Server führen zu Fehlern, und die Performance verschlechtert sich, wenn Datenmengen wachsen oder Workflows komplex werden.

Als Größenordnung nennt der Beitrag einen Online-Shop mit 15.000 Artikeln und 800 täglichen Bestellungen. Ab solchen Volumina wird eine nicht abgestimmte Datenbank, Hardware oder Workflow-Logik zum Fehlerproduzenten in Auftragsabwicklung und Lagerverwaltung.

Eine gut konfigurierte Warenwirtschaft reduziert manuelle Eingriffe, vermeidet Lagerfehler und beschleunigt die Auftragsabwicklung. Manuelle Eingriffe sind daher selbst eine Kennzahl – etwa die Zahl manueller Bestandskorrekturen pro Woche. Steigt sie, wächst der Anteil der Vorgänge, in denen Beschäftigte das System umgehen, und mit ihm das Fehlerrisiko.

Der Fachbeitrag nennt als Systemmaßnahmen die monatliche Index-Optimierung und die Analyse der Abfragen mit dem JTL-DB KonfigTool. Seit März 2026 bietet JTL-Wawi 2.0 verbesserte Performance durch den Wechsel auf .NET 8; Cloud-Hosting senkt die Betriebskosten im Vergleich zu lokalen Servern.

In die Fehlerauswertung gehören Systemkennzahlen als feste Begleitgrößen: Antwortzeiten der Datenbankabfragen, Auslastung des Servers, Dauer von Schnittstellen-Synchronisationen sowie Anzahl fehlgeschlagener Buchungen. Fallen Fehlerquote und Systemantwortzeit im selben Zeitraum, ist die Ursache vor der Kommissionierung zu suchen.

Ursachen in Prozess und Organisation: von der Prozessanalyse zur Fehlerquelle

Digitalisierungsvorhaben in Industrie, Handel und Logistik folgen dem Weg von der Prozessanalyse bis zur Einsatzoptimierung. Auf Kommissionierfehler übertragen heißt das: zuerst den Ablauf aufnehmen und messen, dann optimieren – nicht mit einer Softwaremaßnahme beginnen.

Der aufzunehmende Ablauf reicht vom Wareneingang über Einlagerung und Kommissionierung bis Verpackung und Versand.

Je Prozessschritt sind drei Dinge zu erheben: welche Daten entstehen (Scan, Quittung, Buchung), wo Übergaben zwischen Personen oder Abteilungen stattfinden und wo Medienbrüche bestehen – etwa eine Papierliste neben dem System.

Fehler an einer Übergabe und Fehler innerhalb eines Schrittes können dieselbe Fehlerquote erzeugen, verlangen aber unterschiedliche Maßnahmen: dort Übergabeprotokoll oder Systemübergabe, hier Anlernen, Lagerplatzlogik oder Wegeführung.

Damit die Zuordnung gelingt, muss die Fehlerart erfasst werden: falscher Artikel, falsche Variante, falsche Menge, fehlende Position oder beschädigte Ware. Als Ursachenbündel sind anschließend Mensch (Anlernen, Schichtwechsel, Auslastungsspitzen), Ablauf (Lagerplatzvergabe, Wegstrecken, Kommissionierverfahren) und Schnittstelle (Datenübergabe zwischen Shop und Warenwirtschaft) getrennt zu betrachten. Erst wenn eine Fehlerart überwiegend an einem Bündel hängt, ist eine Einzelmaßnahme begründbar.

Fehler, die keine sind: Betrug und Produktpiraterie als Sonderfall

Ein Teil der Fälle, die in Fehlerstatistiken wie Liefer- oder Retourenprobleme aussehen, kommt von außen. Die KMU Forschung Austria hat mit dem Österreichischen Institut für angewandte Telekommunikation im ACR-Projekt „Stop Fraud – Aktiv gegen Bedrohungen für den österreichischen Online-Handel“ eine Dunkelfeldstudie durchgeführt, an der über 700 KMU im Einzelhandel teilnahmen.

Ergebnis: Der Schutz vor Betrug und Produktpiraterie im Onlinehandel ist zentral für Integrität und Sicherheit im E-Commerce. KMU sind gefordert, in Schutzmaßnahmen zu investieren und wachsam zu bleiben.

Für die Fehlerauswertung ist daraus eine Modellierungsregel abzuleiten: Betrugsverdacht und Produktpiraterie brauchen eigene Erfassungscodes, getrennt von Falschlieferung, Umtausch und Reklamation. Werden sie in dasselbe Feld gebucht, entstehen Scheinursachen – die Auswertung zeigt dann eine Häufung in einer Warengruppe oder einem Versandweg, die in Wahrheit aus betrügerischen Bestellungen oder gefälschten Produkten stammt.

Die Folge solcher Verzerrungen ist nicht nur ein ungenauer Bericht, sondern eine falsche Maßnahme: Statt Adress- und Zahlungsprüfung oder Produktauthentizität zu verbessern, würden Schulungen oder Prozessänderungen in der Kommissionierung gesetzt. Deshalb gehört in jede Auswertungsrunde ein eigener Ausweis dieser Fälle, damit sie vor der Ursachenanalyse ausgesondert werden können.

Von der Kennzahl zur Maßnahme: Auswertung als wiederkehrende Schleife

Der Ablauf beginnt bei einer auffälligen Kennzahl: etwa eine Retourenquote, die in einer Warengruppe über dem Wert der Vorperiode liegt, oder eine gestiegene Zahl manueller Bestandskorrekturen. Im zweiten Schritt wird eingegrenzt – nach Warengruppe, nach Kanal (angesichts des Mobile-Commerce-Wachstums von 32 %), nach Lagerzone und nach Zeitraum –, bis ein überschaubarer Vorgangsbestand übrig bleibt.

Im dritten Schritt wird die Datenherkunft geprüft: Sind die Scans vollständig, die Stammdaten konsistent, Bestandskorrekturen einer Person zuordenbar? Fallen die Fehler mit verlängerten Datenbankantwortzeiten oder Synchronisationslaufzeiten zusammen?

Danach werden Systemursachen (Performance, überlastete Infrastruktur, nicht abgestimmte Workflows), Prozessursachen (Übergaben, Wege, Lagerplatzlogik) und personenbezogene Ursachen getrennt bewertet. Betrugs- und Pirateriefälle werden nach der Logik der Stop-Fraud-Studie vorher ausgesondert, damit sie die Quote nicht verzerren.

Den Abschluss bildet die Maßnahme mit anschließender Gegenmessung derselben Kennzahl über denselben Zeitraum. Jede Runde braucht dieselbe kurze Ausgabeliste: Falschlieferungsanteil an den Retouren je Warengruppe und Kanal, Zahl manueller Korrekturbuchungen, Systemantwortzeiten, ausgesonderte Betrugsfälle.

Technische Wartungsintervalle wie die monatliche Index-Optimierung der Datenbank gehören als fixer Bestandteil in denselben Rhythmus, weil sie dieselben Kennzahlen beeinflussen wie Prozessänderungen.

Mehr aus Fulfillment