Retourenbetrug im Handel & Auswertung von Kassenausnahmen (POS)

Retouren sind für Händler ein großer Kostenblock, und ein messbarer Teil davon ist missbräuchlich: Wardrobing, Belegbetrug, Rückgaben leerer Verpackungen, falsche Reklamationen „Artikel nicht erhalten“ und von Mitarbeitenden unterstützte Erstattungen. Modelle bewerten jede Rückgabe im Moment der Anfrage und durchsuchen Kassenprotokolle nach auffälligem Verhalten von Kassierern und Filialen. Die meisten Kundinnen und Kunden sind nie betroffen, ein kleiner Teil wird zur Prüfung oder Ablehnung weitergeleitet, und die Verlustprävention arbeitet eine priorisierte Fallliste ab statt Papierberichte. In der EU muss dies um Widerrufsrechte, DSGVO-Regeln zum Profiling und die Mitbestimmung des Betriebsrats herum aufgebaut werden.

Problem & Nutzen

• Heute: Retourenrichtlinien werden mit statischen Regeln (Frist, Belegpflicht, maximale Rückgaben pro Monat) und regelmäßigen Ausnahmeberichten auf Kassendaten durchgesetzt. Regeln sind leicht zu durchschauen und zu umgehen und erzeugen Fehlalarme, die gute Kunden verärgern. Betrug durch Mitarbeitende (falsche Erstattungen auf die eigene Karte, Sweethearting, Storno-Missbrauch) wird spät entdeckt, durch Prüfung oder Hinweise.
• KI-Nutzen: Rückgabe-, Bestell-, Liefer- und Kassierdaten werden zu einem Risikowert je Ereignis verbunden, organisierte Ringe werden über gemeinsame Kennungen erkannt (Graphanalyse), und Kassenausnahmen werden gegen die Vergleichsgruppe der Filiale und des Kassierers eingeordnet.
• Belegte Größenordnung (USA, 2023): NRF und Appriss Retail schätzten Retouren auf 14,5 % des Umsatzes (743 Mrd. USD), davon etwa 13,7 % betrügerisch oder missbräuchlich (etwa 101 Mrd. USD); Appriss beschreibt Reklamationen und Kulanzleistungen (z. B. „nicht erhalten“, „beschädigt“) als am schnellsten wachsende Kategorie des Online-Missbrauchs [1][2][3]. Dies sind US-Zahlen auf Basis von Appriss-Kundendaten; vergleichbare EU-Zahlen werden nicht in ähnlicher Qualität veröffentlicht, daher nur als Größenordnung verstehen.

Varianten

• Rückgabefreigabe an der Kasse/im Online-Portal: Ein Echtzeit-Wert entscheidet über annehmen / Guthaben / prüfen / ablehnen. Größte Auswirkung auf DSGVO und Verbraucherrecht.
• Missbrauch bei Online-Reklamationen: „Artikel nicht erhalten“, „beschädigt“, Rückgaben leerer Pakete und vertauschter Artikel, abgeglichen mit Paketscans und Lieferfotos.
• Kassenausnahmen-Analyse (interne Diebstähle): Stornos, Kassenöffnungen ohne Verkauf, Rabatt- und Preisänderungen, Erstattungen auf Karte je Kassierer; Ausreißer-Ranking in der Vergleichsgruppe.
• Verlustprävention an Selbstbedienungskassen: Nicht gescannte Artikel und Etikettentausch werden aus Kameraereignissen in Verbindung mit Kassendaten erkannt. Der Bildanteil ist in VIS-047 behandelt; hier liefert er nur ein Merkmal für den Ausnahmewert.
• Re-Commerce / Zustandsbewertung: siehe VIS-037 zur Prüfung zurückgegebener Ware.
• Franchise/KMU: ein gehosteter Dienst aus Regeln und ML im Shopsystem; kein Data-Science-Team nötig.

So funktioniert es

1. returns/POS/order/carrier events (streaming)
2. identity & item resolution (receipt, serial no., pseudonymised customer key)
3. features (return rate vs. peers, time-to-return, price band, SKU risk, reason-code mix, address/device/payment links, cashier-store baselines)
4. scoring (gradient-boosted trees + anomaly models + graph features)
5. policy engine (thresholds per segment, legal guard-rails, allow-list)
6. action + reason codes
7. agent screen / case queue (human decides on adverse outcomes)
8. feedback (inspection result, chargeback, investigation outcome)
9. retraining

• Modelle: überwachtes Gradient Boosting auf gelabelten Ergebnissen, wo vorhanden; Isolation-Forest- oder Autoencoder-artige Anomaliewerte für Kassenausnahmen, wo Labels knapp sind; Graphmerkmale, um Ringe aufzudecken, die Adressen, Geräte oder Karten teilen.
• Rolle des LLM: einen Fall für die Ermittler zusammenfassen (Zeitverlauf der Rückgaben, Belege, Metadaten von Kameraclips), die Nachricht an die Kundschaft entwerfen und Begründungscodes in einfacher Sprache erklären. Das LLM trifft die Entscheidung nicht.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jede Ablehnung, Kontobeschränkung oder Maßnahme gegen Mitarbeitende erfordert menschliche Prüfung; Kunden erhalten einen Weg, die Entscheidung anzufechten.

Datenaufbereitung

Benötigte Daten: Rückgabe- und Erstattungstransaktionen, Kassenereignisprotokolle (Stornos, Preisänderungen, Kassenöffnungen ohne Verkauf), Bestellungen, Paketscans und Kunden- bzw. Treuehistorie. In einem KMU liegen diese im Shopsystem, in der Kasse oder im ERP und im Portal des Paketdienstes; Kassierer-IDs sind oft gemeinsame Logins, Belege gibt es teils nur auf Papier.

Typische Lücken: Rückgabegründe als Freitext oder fehlend, keine Verknüpfung zwischen Beleg, Seriennummer und ursprünglicher Bestellung, doppelte Kundendatensätze, wenige gelabelte Ergebnisse (Prüfergebnisse, Rückbuchungen) und keine einheitlichen Filial- oder Kassierer-Kennungen.

Aufbereitungsschritte: - Daten exportieren und über einen pseudonymisierten Kunden- und Artikelschlüssel verbinden (siehe PREP-005 und PREP-022). - Grundcodes vereinheitlichen und die Kategorien vor der Modellierung festlegen (PREP-019). - Labels aus Prüfergebnissen, Rückbuchungen und bestätigten Untersuchungen gewinnen (PREP-020). - Jedem Kassierer ein persönliches Login geben, damit Ausnahmen zuordenbar sind; zuvor Zweck und Aufbewahrung klären (PREP-025). - Einen Testdatensatz mit von der Verlustprävention geprüften Fällen vorhalten (PREP-018).

Grober Aufwandsanteil: etwa 30-40 Prozent eines Projekts nach Weg B/C entfallen auf Datenengineering und Labeling; bei Weg A bleiben meist nur der Konnektor und die Bereinigung der Stammdaten. Die Bereitschaft prüfen Sie mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Shop- und Kassenanbieter sowie Retourenplattformen bieten fertige Missbrauchsregeln zu KMU-tauglichen Preisen, und die Retourenabwicklung ist ein Standardprozess.
• Großunternehmen (B): Die Retourenpolitik ist ein zentraler Margenhebel, und bei hohen Volumen werden Gebühren pro Transaktion teuer; eigene Merkmale und Richtlinien vermeiden den Datenaustausch zwischen Händlern.
• Entwickler (C): Open-Source-Stacks für Tabellen- und Graphdaten (XGBoost, PyOD, Neo4j) laufen auf HW1 und halten sensible Kunden- und Kassiererdaten im Haus.

Weg A — Kaufen (Standardsoftware) (für die meisten Händler empfohlen)

• Auf Retouren spezialisiert: Appriss Retail (Verify / Returns Authorization, USA, bei großen US-Ketten weit verbreitet), Happy Returns (UPS), Loop und Narvar (Retourenmanagement mit Betrugsregeln), Optoro (Re-Commerce).
• Breitere Betrugsplattformen mit Modulen für Retouren/Reklamationen: Forter, Riskified, Signifyd (Schutz vor Richtlinien- und Retourenmissbrauch), Sift. EU-Datenresidenz und AVV-Bedingungen prüfen.
• Analyse für Kasse/Verlustprävention: Everseen (Irland, EU), Zebra Technologies (Prescriptive Analytics), Checkpoint Systems, Sensormatic (Johnson Controls).
• Weg A wählen, wenn: keine eigene Data Science vorhanden ist, die Kassen-/E-Commerce-Plattform einen Konnektor hat und das händlerübergreifende Datennetz eines Anbieters ein Vorteil ist (und rechtlich zulässig, siehe unten).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Ereignisse in einem Data Warehouse/Streaming-System ablegen (Kafka, Snowflake, BigQuery, Databricks in EU-Regionen); tabellarische Modelle mit verwaltetem ML trainieren (Azure ML, Vertex AI, SageMaker, alle mit EU-Regionen).
• Ein in der EU gehostetes LLM (Mistral oder ein führendes Modell über eine EU-Region) nur für Fallzusammenfassungen und Erklärungen nutzen; Kundenfelder vor dem Aufruf pseudonymisieren.
• Weg B wählen, wenn: Sie volle Kontrolle über Richtlinien und Merkmale brauchen und den händlerübergreifenden Datenaustausch vermeiden wollen.

Weg C — Selbst betreiben (Open Source)

• Tabellen/Anomalien: XGBoost/LightGBM/CatBoost, scikit-learn, PyOD, Isolation Forest; Graphanalyse mit NetworkX, Neo4j oder PyG; Feature Store Feast; Bereitstellung mit MLflow oder BentoML.
• Streaming/Orchestrierung: Kafka oder Redpanda, Flink; n8n oder Camunda für Fall-Workflows.
• LLM-Zusammenfassungen: ein Open-Weight-Modell mit höchstens 30 Mrd. Parametern (z. B. Qwen3, Mistral Small, Llama) über vLLM oder Ollama.
• Hardware: HW1 (CPU-Server) genügt für das Scoring; HW2 nur, wenn Sie lokale LLM-Zusammenfassungen oder Videoanalyse vor Ort ergänzen.

Weg D — Eigenes Training

Lohnt sich für Ketten mit Millionen Retouren pro Jahr und genügend gelabelten Ergebnissen (Prüfergebnisse, Rückbuchungen, bestätigte Untersuchungen). Modelle je Kategorie trainieren und je Segment kalibrieren; Labels ehrlich halten (nicht nur auf bereits abgelehnten Fällen trainieren, das erzeugt Rückkopplungsschleifen).

Stand der Technik (2026)

• Netzwerkeffekte: Das stärkste Signal bleiben händlerübergreifende Verhaltensdaten (wie von Appriss genutzt), die intern schwer nachzubilden und in der EU rechtlich heikel sind.
• Weg von pauschalen Regeln hin zu Reibung je Segment: Kunden mit niedrigem Risiko erhalten sofortige Rückgaben ohne Label; bei mittlerem Risiko gibt es Guthaben oder Prüfung bei Abgabe; nur bei hohem Risiko wird mit Begründungscodes abgelehnt.
• Reklamationsmissbrauch und organisierte Ringe sind die Wachstumsfelder: Online-Reklamationen „nicht erhalten“ und Schemata aus Nachversand und anschließender Rückgabe im Laden [3].
• Graph + Tabelle: Modelle schlagen reine Regeln; LLMs helfen bei Fallbeschreibungen, nicht beim Scoring.
• Grenzen: Labels sind verrauscht und durch frühere Richtlinien verzerrt; ehrliche Vielbesteller mit hoher Retourenquote (Mode, mehrere Größen) wirken wie Wardrober; Fairness-Drift zwischen Kundengruppen; Angreifer passen sich an. Veröffentlichte Genauigkeitsangaben der Anbieter sind nicht unabhängig verglichen worden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + anomaly-detection + graph-ml): ANOM-001 Zahlungsbetrug, ANOM-004 Plattformmissbrauch, ANOM-009 Spesen-/Beschaffungsbetrug, ANOM-022 Mule-Konten. Ein Feature Store und eine Fallmanagement-Schicht bedienen alle.
• Bildanalyse: VIS-047 Verlustprävention an Selbstbedienungskassen, VIS-017 visuelle Produkterkennung und VIS-037 Zustandsbewertung zurückgegebener Ware liefern Beweismerkmale.
• Nachgelagert: ANOM-030 Anomalieerkennung bei Kennzahlen/Umsatz für Dashboards zu Inventurverlusten.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Konnektor, Feinabstimmung der Richtlinien, Pilotfilialen); Gebühren üblicherweise pro Transaktion oder als Prozentsatz der vermiedenen Verluste.
• Weg B/C: 3–6 Monate mit einem kleinen Datenteam; Kostentreiber sind Datenengineering, Labeling und Überwachung, nicht Rechenleistung.
• Kennzahlen: Betrugs-/Missbrauchsverlustquote (% der Erstattungen), Fehlalarmquote und Beschwerdequote, Reibung für gute Kunden (Anteil legitimer Rückgaben, die verzögert werden), Zeit von Rückgabe bis Wiederverkauf, Trefferquote der Ermittler, Inventurverlust in % des Umsatzes, Zeit bis zur Erkennung interner Ausnahmen.

Menschen & Veränderung

Früh einbinden: die Geschäftsführung (Richtlinie: was darf abgelehnt werden), die Retouren- oder Filialleitung als Prozessverantwortliche, die/den Datenschutzbeauftragte(n) und den Betriebsrat vor jedem Pilot, danach IT und Kundenservice. Filialmitarbeitende müssen vom Unternehmen von dem Projekt erfahren, nicht durch Gerüchte.

Betriebsrat: ja. Die Auswertung von Kassenausnahmen bewertet das Verhalten einzelner Beschäftigter; nach §87 Abs. 1 Nr. 6 BetrVG genügt die objektive Eignung zur Überwachung, daher gilt die Mitbestimmung. Zusätzlich nach §90 Abs. 1 Nr. 3 unterrichten und einen Sachverständigen nach §80 Abs. 3 erwägen. Eine Betriebsvereinbarung abschließen: Zweck, kein Leistungsranking Einzelner, Aufbewahrung, wer was sieht. Öffentliche Stellen: Personalrat.

Datenschutz: Profiling von Kunden und Kassiereranalyse erfordern eine DSFA (Art. 35 DSGVO), eine dokumentierte Prüfung des berechtigten Interesses, einen AVV mit jedem Anbieter und die Einbindung der/des Datenschutzbeauftragten; wegen Art. 22 entscheiden Menschen über Ablehnungen.

KI-Kompetenz: Ermittler und Filialleitungen schulen, Begründungscodes zu lesen und Fehlalarme zu erkennen (KI-Verordnung Art. 4: Fördermaßnahmen, kein garantiertes Niveau).

Pilot und Bedenken: Schattenbetrieb in 5-10 Filialen durchführen. Mitarbeitende fürchten Überwachung, und ehrliche Kunden fürchten unfaire Ablehnungen: Kommunizieren Sie, dass Werte nur Fälle priorisieren, abgestufte Maßnahmen vor Ablehnungen stehen und Kunden Entscheidungen anfechten können. Bei nachteiligen Ergebnissen entscheiden immer Menschen.

Leitfäden: GUIDE-004, GUIDE-005, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko; Betrugserkennung ist von der Hochrisikokategorie Kreditscoring nur für die Erkennung von Finanzbetrug ausgenommen (Anhang III 5(b)), und Retourenscoring im Handel ist kein Anwendungsfall nach Anhang III. Verbote nach Art. 5: kein Social Scoring und keine Ausnutzung von Schwächen, und keine biometrische Identifizierung (Gesichtserkennung „bekannter Missbraucher“) in Entscheidungen einfließen lassen; biometrische Echtzeit-Fernidentifizierung ist eingeschränkt. Emotionserkennung bei Beschäftigten am Arbeitsplatz ist verboten [4]. KI-Kompetenz (Art. 4) gilt.
• Verbraucherrecht: Die Richtlinie 2011/83/EU gibt Verbrauchern bei Fernabsatz ein 14-tägiges Widerrufsrecht ohne Angabe von Gründen; ein Wert darf nicht dazu genutzt werden, den gesetzlichen Widerruf zu blockieren, sondern nur, um Missbrauch zu behandeln (z. B. Wertminderung zurückgesandter Ware, Zeitpunkt der Erstattung) [5]. Rückgaben im Laden darüber hinaus sind Kulanzregelungen und können eingeschränkt werden, wenn dies klar kommuniziert wird.
• DSGVO: Profiling von Kunden braucht eine Rechtsgrundlage (meist berechtigtes Interesse, Art. 6 Abs. 1 lit. f, mit dokumentierter Interessenabwägung), Transparenz in der Datenschutzerklärung, eine DSFA, Datenminimierung und kurze Aufbewahrung. Art. 22 greift, wenn eine Entscheidung ausschließlich automatisiert mit erheblicher Wirkung erfolgt (z. B. Kontosperrung); einen menschlichen Entscheidungsschritt und einen Anfechtungsweg vorsehen [6]. Der Austausch von Sperrlisten zwischen Händlern braucht eine starke Rechtsgrundlage und ist in der EU meist problematisch.
• Beschäftigung: Die Kassenüberwachung von Kassierern ist Beschäftigtenüberwachung: Mitbestimmung des Betriebsrats (z. B. §87 Abs. 1 Nr. 6 BetrVG in Deutschland), Verhältnismäßigkeit, keine verdeckte Überwachung.
• Gegenmaßnahmen: Begründungscodes, Bias-Tests über Segmente, Positivlisten für Treuestufen, Audit-Logs, regelmäßige Prüfung der Fehlalarme, menschliche Freigabe bei nachteiligen Ergebnissen.

Erste Schritte

1. Ausgangslage: Retourenquote nach Kanal und Kategorie, Anteil Erstattungen auf Karte, bekannte Missbrauchsverluste und aktuelle Trefferquoten der Regeln. Zuerst Rechtsgrundlage, DSFA und Betriebsvereinbarung klären.
2. Rückgabe-, Bestell-, Paket- und Kassendaten über einen pseudonymisierten Schlüssel verbinden; Prüfergebnisse labeln.
3. Einen Anbieter (Weg A) oder ein Gradient-Boosting-Modell im Schattenbetrieb in 5–10 Filialen erproben; mit den bestehenden Regeln vergleichen, ohne Ergebnisse für Kunden zu ändern.
4. Abgestufte Maßnahmen (Guthaben, Prüfung) vor jeder Ablehnung einführen; Beschwerden überwachen.
5. Monatlich prüfen: Verlustquote, Fehlalarme, Fairness-Schnitte, und nachtrainieren.

Quellen

1. Retail TouchPoints — NRF: Returns Reach 14.5% of Sales in 2023, Fraud Contributed $101 Billion in Losses — https://www.retailtouchpoints.com/news/nrf-returns-reach-14-5-of-sales-in-2023-fraud-contributed-101-billion-in-losses/139806/
2. Appriss Retail — 2023 Consumer Returns in the Retail Industry — https://apprissretail.com/resource/2023-co
3. Appriss Retail — Claims and Appeasements Report 2024 — https://info.apprissretail.com/hubfs/Resource-Center/AR4041-WhitePaper-Claims-and-Appeasements-Report-2024.pdf
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Directive 2011/83/EU on consumer rights — https://eur-lex.europa.eu/eli/dir/2011/83/oj
6. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
7. Appriss Retail / Retail Dive returns report — https://info.apprissretail.com/hubfs/Resource-Center/2024-016-Retail-Dive-Returns-Report.pdf