Kommissionierfehler im Onlineshop auswerten: Kennzahlen und Ursachen

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. Für die Fehlerauswertung heißt das: Die absolute Zahl der Kommissioniervorgänge ist groß genug, dass sich systematisches Auswerten rechnet, und die Wachstumskurve flacht ab, sodass Fehlerkosten nicht mehr automatisch von Zuwächsen überdeckt werden.

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.

Die Studie zeigt auch, warum Fehlerauswertung nicht Retourenauswertung ist: 54 % der Käufer:innen haben im vergangenen Jahr mindestens einmal retourniert, bei Bekleidung liegt die Retourenquote bei 62 %. Darin stecken unterschiedliche Ursachen – 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 deshalb die erste technische Voraussetzung der Auswertung, nicht ein nachgelagertes Detail.

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 wird von der stärksten Warengruppe dominiert und verdeckt Auffälligkeiten in kleineren Kategorien. Sinnvoll ist eine Auswertung auf Ebene der Warengruppe und darunter auf Ebene der Artikelgruppe, wobei jede Ebene genug Bestellungen pro Periode enthalten muss, damit Schwankungen nicht als Trend gelesen werden.

Als zweite Kennzahl gehört die Käuferreichweite daneben, weil sie die Retourenquote gewichtet. Bekleidung und Textilien bleiben laut Studie mit 2,4 Mrd. Euro und einer Käuferreichweite von 63 % die mit Abstand stärkste Online-Kategorie – fast zwei Drittel der Onlineshopper kaufen also (auch) Bekleidung und Textilien. Für die Priorisierung ergibt sich daraus eine einfache Rechnung: Reichweite mal Fehler- beziehungsweise 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)

Wichtige Kennzahlen für die Kommissionierfehlerauswertung

Ursachenbündel für Kommissionierfehler – Priorisierung auf Basis von Reichweite und Quote

Bestellmuster als Kontext: Mobile Commerce und KI-gestützte Produktsuche

Dieselbe Studie dokumentiert eine Verschiebung der Bestellwege: Mobile Commerce legt um 32 % zu, das Smartphone wird zum dominierenden Shopping-Kanal. Über alle Kanäle aggregierte Fehlerkennzahlen mischen damit unterschiedlich zusammengesetzte Auftragsströme. Wer die Kennzahl nach Kanal getrennt führt, sieht, ob eine Veränderung aus dem Warenkorb, aus der Bestellstruktur oder aus dem Kommissionierprozess stammt; wer sie zusammenführt, kann eine kanalbedingte Verschiebung fälschlich als Prozessverschlechterung lesen.

Ein zweiter Kontextfaktor ist die Produktsuche: Bereits 37 % der Konsument:innen nutzen KI-basierte Funktionen bei Produktsuche, Empfehlungen oder Informationsbeschaffung. Damit verändert sich, über welche Wege Artikel in den Warenkorb gelangen und welche Artikelgruppen überhaupt geordert werden. Für die Fehlerauswertung heißt das, Such- und Empfehlungsdaten bei der Interpretation mitzulesen: Steigt die Fehlerquote, während gleichzeitig neue Artikel über Empfehlungen stärker nachgefragt werden, liegt eine mögliche Ursache in unvollständigen Produktdaten – etwa fehlenden Variantenangaben oder Maßen – und nicht in der Kommissionierung selbst.

Die Vergleichsbasis bleibt stabil: 5,8 Millionen Österreicher:innen kaufen online ein, um 5,5 % mehr als 2024, bei durchschnittlichen Ausgaben von 2.120 Euro pro Kopf, leicht über dem Vorjahr. Absolute Fehlerzahlen steigen bei wachsendem Bestellvolumen automatisch. Deshalb sind Raten zu führen – Fehler pro 1.000 Bestellungen oder pro 10.000 kommissionierten Positionen – und 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 entsprechend: das Volumen durch „attraktive Angebote, verlässlichen Service und faire Wettbewerbsbedingungen im Inland“ zu halten.

Die Datenbasis: Warenwirtschaft, Lagerbewegungen und Auto-ID

Auffindbar sind Kommissionierfehler nur dort, wo Aufträge und Lagerbewegungen gebucht werden – in der Warenwirtschaft. Ein ERP-System führt diese Bereiche als eigene Module, typischerweise Verkauf, Einkauf, Lager, Finanzen und Einstellungen, verwaltet Anwender und Berechtigungen und wird über Grundeinstellungen wie Nummernkreise, Währungen und Einheiten konfiguriert (so beschrieben in der Argon-ERP-Dokumentation). Für die Auswertung folgt daraus eine 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 selbst. Auto-ID-Technologien wie Barcodes werden eingesetzt, um Waren und Güter in Unternehmen zu verwalten und zu überwachen. Entscheidend ist nicht, dass gescannt wird, sondern wann und mit welcher Verbindlichkeit: ob die Entnahme am Lagerplatz, das Verpacken und der 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, weil die Auswertung an der Erfassung hängt und nicht an nachträglicher Interpretation. Konkret zu kontrollieren: Sind Stammdaten wie Varianten, Maße und Einheiten vollständig und konsistent zwischen Shop und Warenwirtschaft? 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 eine Scheingenauigkeit.

Ursachen im System: Performance, manuelle Eingriffe und Lagerfehler

Ein Teil der Fehler entsteht nicht am Regal, sondern in der Software. Ein Fachbeitrag zur Optimierung der Warenwirtschaft JTL-Wawi 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.

Der Gegenpol ist eine messbare Zielgröße: Eine gut konfigurierte Warenwirtschaft reduziert manuelle Eingriffe, vermeidet Lagerfehler und beschleunigt die Auftragsabwicklung. Manuelle Eingriffe sind deshalb selbst eine Kennzahl – etwa die Zahl manueller Bestandskorrekturen pro Woche. Steigt sie, wächst der Anteil jener Vorgänge, in denen Beschäftigte das System umgehen, und mit ihm das Fehlerrisiko an genau diesen Stellen.

Bei den Systemmaßnahmen nennt der Fachbeitrag konkret die monatliche Index-Optimierung und die Analyse der Abfragen mit dem JTL-DB KonfigTool; seit März 2026 bietet JTL-Wawi 2.0 eine verbesserte Performance durch den Wechsel auf .NET 8, Cloud-Hosting senkt die Betriebskosten im Vergleich zu lokalen Servern. In die Fehlerauswertung gehören daher Systemkennzahlen als feste Begleitgrößen: Antwortzeiten der Datenbankabfragen, Auslastung des Servers, Dauer von Schnittstellen-Synchronisationen sowie die 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

Für das methodische Vorgehen liefert die Fachliteratur eine Reihenfolge, die sich eins zu eins übertragen lässt: Digitalisierungsvorhaben in Industrie, Handel und Logistik folgen dem Weg von der Prozessanalyse bis zur Einsatzoptimierung. Auf Kommissionierfehler angewendet heißt das: zuerst den Ablauf aufnehmen und messen, dann optimieren – nicht umgekehrt 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, die an einer Übergabe entstehen, 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 gemeinsam mit dem Österreichischen Institut für angewandte Telekommunikation im Rahmen des ACR-Projekts „Stop Fraud – Aktiv gegen Bedrohungen für den österreichischen Online-Handel“ eine Dunkelfeldstudie durchgeführt, an der über 700 KMU im Einzelhandel teilgenommen haben. Das Ergebnis: Der Schutz vor Betrug und Produktpiraterie im Onlinehandel ist von zentraler Bedeutung für die Integrität und Sicherheit im E-Commerce; KMU sind gefordert, in Schutzmaßnahmen zu investieren und ein hohes Maß an Wachsamkeit zu bewahren.

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, sind die Stammdaten konsistent, sind 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. Damit daraus eine Routine statt einer Einmalanalyse wird, braucht jede Runde 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.