Retourenvorhersage im E-Commerce und Senkung der Retourenquote

Kostenlose Retouren gehören zum europäischen Online-Handel, doch jede Retoure kostet Versand, Bearbeitung, Wiederaufbereitung und Marge, und manche zurückgesendete Ware wird nie weiterverkauft. Ein Retourenvorhersagemodell bewertet jede Position, jeden Warenkorb oder jede Bestellung mit ihrer Retourenwahrscheinlichkeit, oft noch während der Kunde an der Kasse ist. Der Score löst Maßnahmen aus, die eine Retoure verhindern, bevor sie entsteht: ein Größenhinweis, wenn zwei Größen desselben Artikels im Warenkorb liegen, eine Korrektur auf einer Produktseite, deren Artikel „klein ausfallen", oder eine andere Liefer- oder Zahlungsoption. Dieselben Scores sagen dem Lager auch, wie viele Retouren nächste Woche eintreffen. Das Modell selbst ist ein Standardproblem für Gradient Boosting. Der meiste Aufwand fließt in die Wahl von Maßnahmen, die Retouren senken, ohne den Umsatz zu senken.

Problem & Nutzen

• Größenordnung: Die Forschungsgruppe Retourenmanagement der Universität Bamberg schätzt rund 542 Millionen Retourenpakete in Deutschland im Jahr 2025 bei einer Paket-Retourenquote von 24,2 % und erwartet etwa 560 Millionen für 2026. Auf Mode entfallen gut 80 % der Retourenpakete und rund 90 % der zurückgesendeten Artikel [1].
• Vernichtung: Ein Bericht derselben Gruppe von 2026 schätzt, dass 1,3 % (DACH) bis 3,0 % (übriges Europa) der zurückgesendeten Artikel entsorgt werden. Das ergibt etwa 18 Millionen Artikel pro Jahr, und frühere Befragungen ergaben, dass etwa die Hälfte davon noch brauchbar war [2].
• Kosten: Die Retourenkosten steigen mit der Retourenquote, daher lohnt es sich meist mehr, Retouren zu verhindern, als sie schneller zu bearbeiten [3].
• Heute: Retouren werden nachträglich in BI-Berichten gezählt. Category Manager reagieren Wochen später auf Produkte mit hohen Retourenquoten, und die Logistik plant Retourenkapazität nach Durchschnittswerten.
• KI-Nutzen: (1) Vermeidung: Hinweise, Größenberatung und Steuerung an der Kasse nur bei Warenkörben mit hohem Risiko einsetzen, sodass risikoarme Kunden nicht betroffen sind; (2) Produktkorrekturen: Artikel, Größentabellen und Bilder finden, die Retouren verursachen; (3) Planung: Retourenwahrscheinlichkeiten auf Positionsebene liefern eine bessere kurzfristige Prognose der Retourenmenge als pauschale Quoten; (4) Preise und Marge: Die erwarteten Retourenkosten je Kunde oder Produkt fließen in Deckungsbeitragsrechnungen und den Customer Lifetime Value (PRED-004) ein.
• Gemessene Wirkung einer einzelnen Maßnahme: Fit Analytics berichtet, dass Händler, die den „Multiple Size Alert" einsetzen (angezeigt, wenn eine zweite Größe desselben Artikels in den Warenkorb gelegt wird), 13 % weniger Bestellungen mit mehreren Größen und eine um 6 % niedrigere Retourenquote sahen. Für die Größenberatung Fit Finder wird eine durchschnittliche Senkung der Retourenquote von 2–4 % genannt [4][5]. Das sind Herstellerangaben ohne veröffentlichtes Kontrollgruppendesign.

Varianten

• Mode & Schuhe (Kernfall): Größe und Passform verursachen die meisten Retouren. Wichtige Signale sind „Bracketing" (mehrere Größen oder Farben eines Artikels im Warenkorb), die Passformhistorie des Artikels und die eigene Größenhistorie des Kunden.
• Unterhaltungselektronik & Haushalt: weniger Retouren, aber jede kostet mehr (Prüfung, Aufarbeitung, Datenlöschung). Signale sind Lücken bei den Produktinhalten, Kompatibilitätsfragen und Nutzen-und-Zurücksenden-Muster. Mit der Zustandsbewertung VIS-037 kombinieren.
• Marktplätze & Plattformen: Bewertung auf Verkäufer- und Angebotsebene (irreführende Angebote, schlechte Verpackung) und Nutzung der Scores im Verkäuferranking und in Qualitätsprogrammen.
• Vor vs. nach der Kasse: Scores vor der Kasse steuern Hinweise. Scores nach der Kasse steuern Logistik (Retourenkapazität vorab zuweisen, Wiederbeschaffungsplanung) und Maßnahmen im Kundenservice.
• Retourenmissbrauch vs. gewöhnliche Retouren: Vermuteter Missbrauch wie Wardrobing oder Retouren mit leeren Paketen gehört zu ANOM-033/ANOM-004. Dieser Anwendungsfall behandelt gewöhnliche, rechtmäßige Retouren.
• KMU / Shops der Shopify-Klasse: Retourenanalysen auf Produktebene und Größenberatung genügen meist; die Bewertung je Position braucht ausreichend Bestellhistorie.

So funktioniert es

1. Bestellungen, Positionen, Retouren, Gründe, Produkt- & Kundendaten (DWH / CDP)
2. Label-Bildung (zurückgesendet innerhalb von N Tagen, je Position; Teilretouren berücksichtigt)
3. Feature Store: Warenkorb (mehrere Größen, gleiche SKU doppelt, Rabatt), Produkt (historische Retourenquote, Passformfeedback), Kunde (Retourenquote, Kundendauer), Kanal, Zahlung, Versand
4. Modell: Gradient Boosting / tabulares Foundation-Modell
5. kalibrierte P(Retoure)
6. (online) Echtzeit-Bewertung bei In-den-Warenkorb / Kasse, < 100 ms
7. Entscheidungsebene: Uplift-Modell + Geschäftsregeln wählen die Maßnahme (oder keine)
8. Aktionen: Größenhinweis, Warnung bei mehreren Größen, Ticket zur Inhaltskorrektur, Lieferoption, Prüfwarteschlange
9. Aggregation: erwartete Retouren je Tag/Lager
10. Prognose der Retourenmenge
11. Überwachung: A/B-Holdout, Zielkonflikt Konversion vs. Retourenquote, Drift

• Vorhersage: Binäre Klassifikatoren auf Tabellenmerkmalen (LightGBM, XGBoost, CatBoost) bleiben das Arbeitspferd. Retourengründe und Bewertungen werden mit einem Textklassifikator oder einem LLM in Merkmale umgewandelt („zu klein", „Farbe weicht vom Bild ab").
• Entscheidung: Eine hohe Retourenwahrscheinlichkeit bedeutet nicht, dass eine Maßnahme hilft. Uplift-Modelle (Kausalinferenz) schätzen, bei welchen Warenkörben ein Hinweis das Verhalten ändert, und die Konversion wird als Leitplankenkennzahl beobachtet.
• Mensch-in-der-Schleife (Human-in-the-Loop): Category Manager prüfen die Berichte auf Produktebene und entscheiden über Korrekturen. Jede Regel, die Zahlungs- oder Lieferoptionen einschränkt, braucht die Freigabe von Recht und der/dem Datenschutzbeauftragten, und Kunden brauchen einen manuellen Weg (siehe Risiken).

Datenaufbereitung

Benötigte Daten: Bestell- und Positionshistorie mit Retourenkennzeichen, Daten und Grund-Codes, Warenkorbzusammensetzung, Produktstammdaten (Größentabellen, Material, Bilder) und, soweit zulässig, Kundenhistorie. Sie liegen im Shopsystem, im ERP- oder Warenwirtschaftssystem, im Retourenportal, im Paketdienst- oder Lagersystem und in Service-E-Mails.

Typische Lücken: spät oder ohne Grund-Codes gebuchte Retouren, Freitext-Gründe, Produktvarianten ohne einheitliche Größen- und Farbattribute, doppelte Kundenkonten und auf Bestell- statt Positionsebene gebuchte Retouren. Personenbezogene Daten setzen Zugriffs- und Rechtsgrundlagengrenzen.

Aufbereitungsschritte: - Bestellungen und Retouren über Shop-API oder ERP exportieren (PREP-005). - Retouren der ursprünglichen Position zuordnen und Variantenattribute korrigieren (PREP-011). - Freitext-Gründe in ein klares Kategorienschema gruppieren (PREP-019) und Labels aus vorhandenen Aufzeichnungen gewinnen (PREP-020). - Dubletten entfernen und Kunden-IDs pseudonymisieren (PREP-022); Zweck und Rechtsgrundlage prüfen (PREP-025). - Die jüngsten Wochen als Auswertungsdatensatz zurückhalten (PREP-018).

Werkzeuge: Export aus dem Shopsystem, pandas, eine Tabellenkalkulation für kleine Shops. Anteil am Gesamtaufwand: etwa 30 Prozent. Die Qualität von Stammdaten wird in DATA-007 behandelt.

Umsetzungswege

Welcher Weg für wen

• smb (A): Shop-Plug-ins und Retourenmanagement-Produkte bieten Größenberatung und Retourenbewertung zu KMU-Preisen, und der Prozess ist Standard.
• enterprise (B): Retourenquoten bestimmen die Marge, und die Bewertung muss eigene Bestell-, Produkt- und Kundendaten nutzen, daher passen Cloud-APIs oder eigene, in den Shop integrierte Modelle.
• developer (B): Ein Tabellenmodell auf dem Bestellexport des Shops ist mit Cloud-Diensten am schnellsten; der Selbstbetrieb bringt Aufwand ohne klaren Gewinn.

Weg A — Kaufen (Standardsoftware)

Empfohlen für die meisten KMU. - Größen- & Passformberatung mit Funktionen zur Retourenvermeidung: Fit Analytics Fit Finder mit Multiple Size Alert (in Berlin gegründet), Easysize (Passform-Quiz, Versprechen zur Retourensenkung) sowie in Shopplattformen integrierte Passform-Werkzeuge. Sie gehen den größten Retourentreiber direkt an (REC-012) [4][6]. - Retourenplattformen mit Analytik: parcelLab (München, DE; EU) mit Retouren, Umtausch und Betrugs-/Missbrauchssignalen [7]; Narvar (Shield, KI-Engine IRIS) [8]; EU-Versand- und Retourenportale wie Sendcloud (NL). Sie bieten Erfassung der Retourengründe, Retourenanalysen auf Produktebene und Abläufe „Umtausch statt Erstattung". Die Vorhersage auf Positionsebene ist oft eingeschränkt oder nur in höheren Tarifen verfügbar. - A wählen, wenn: Sie schnelle Erfolge bei größenbedingten Retouren und strukturierte Retourengründe brauchen und kein Data-Science-Team haben. Prüfen Sie EU-Hosting, einen AVV und ob sich die Rohscores exportieren lassen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltetes AutoML auf Ihren Bestelldaten: Google BigQuery ML / Vertex AI (EU-Multiregion), Azure Machine Learning AutoML (Germany West Central / EU-Regionen), Amazon SageMaker Canvas oder Autopilot (Frankfurt), Snowflake ML oder Databricks in einer EU-Region.
• Textmerkmale: Eine LLM-API (Mistral, ein französischer EU-Anbieter; Claude, GPT oder Gemini in EU-Datenzonen) ordnet Freitext-Retourengründe und Bewertungen einer festen Gründe-Taxonomie zu. Der Stapelbetrieb genügt hier; ein Echtzeit-LLM ist nicht nötig.
• Online-Bewertung: Das Modell hinter einem Endpunkt mit niedriger Latenz bereitstellen, der vom Kassendienst aufgerufen wird. Die Entscheidungen in das Experimentierwerkzeug des Shops für Holdout-Tests einspeisen.
• B wählen, wenn: Sie ein Cloud-Data-Warehouse haben und Bewertung auf Positionsebene sowie eigene Interventionslogik wollen, ohne ML-Infrastruktur zu betreiben.

Weg C — Selbst betreiben (Open Source)

• Modelle: LightGBM / XGBoost / CatBoost oder AutoGluon-Tabular für automatisierte Ensembles. TabPFN (Prior Labs GmbH, Freiburg, DE) ist ein starkes tabulares Foundation-Modell für kleinere Datensätze. Das aktuelle TabPFN-3.5 verarbeitet bis zu 1 Mio. Zeilen, doch die Gewichte ab 2.5 tragen eine nicht kommerzielle Lizenz, daher vor dem Produktiveinsatz die Lizenz prüfen [9].
• Uplift: CausalML oder scikit-uplift. Textmerkmale: ein feingetunter mehrsprachiger Encoder (z. B. ein deutsches Modell der BERT-Klasse) oder ein kleines offenes LLM (Qwen, Mistral Small) für die Klassifizierung der Gründe.
• Stack: Feast Feature Store, MLflow, ein FastAPI-/BentoML-Bewertungsdienst, Kafka für den Kassen-Ereignisstrom, Evidently zur Driftüberwachung.
• Hardware: HW1. Training und Bewertung laufen auf CPU-Servern. Eine GPU (HW2) ist nur nötig, wenn ein lokales LLM große Mengen an Retourentexten klassifiziert.

Weg D — Eigenes Training

Ein eigenes Modell zu trainieren ist der Normalfall, sobald Sie über Weg A hinausgehen, weil die Labels (Ihre eigenen Retouren) und Merkmale geschäftsspezifisch sind. Voraussetzungen: mindestens mehrere Monate Bestell- und Retourenhistorie auf Positionsebene, idealerweise ein voller Saisonzyklus, plus protokollierte Hinweise mit einer Holdout-Gruppe, um Uplift-Modelle zu trainieren. Tiefe Sequenzmodelle über Kundenhistorien oder bildbasierte Passformmerkmale lohnen sich nur für große Händler mit Millionen von Bestellungen.

Stand der Technik (2026)

• Modelle: Gradient-Boosted Trees auf sorgfältig gebauten Warenkorb- und Historienmerkmalen bleiben der Standard. Die Bamberger Forschung zeigte früh, dass relativ einfache Verfahren Retouren gut vorhersagen können, wenn die Merkmale gut sind [3]. Tabulare Foundation-Modelle (TabPFN, Nature 2025 [10]) machen starke Basislinien auf kleineren Datensätzen schnell einsetzbar.
• Vom Vorhersagen zum Vermeiden: Der Fokus hat sich von genauen Scores zu kausal bewerteten Interventionen verlagert (Multi-Size-Alerts, Passformberatung, Umtausch-zuerst-Abläufe). Bewertet wird mit Holdout-Tests, weil Hinweise auch die Konversion senken können.
• Beiträge der generativen KI: LLMs wandeln unstrukturierte Retourengründe, Bewertungen und Service-Chats in Mängelsignale auf Produktebene um („Ärmel in Größe M zu kurz") und entwerfen Korrektur-Tickets für die Produktdaten. Virtuelle Anprobe (GEN-010) und KI-Größenberatung (REC-012) gehen die Ursache an.
• Regulatorischer Druck: Das ESPR-Vernichtungsverbot für unverkaufte Bekleidung und Schuhe (große Unternehmen ab 19. Juli 2026) erfasst auch Produkte, die aufgrund des Widerrufsrechts zurückgesendet wurden. Retourenvermeidung wird daher zunehmend auch ein Thema für Compliance und Nachhaltigkeit [11].
• Grenzen: Labels kommen spät, weil Retouren Tage bis Wochen nach der Bestellung eintreffen. Teilretouren und Umtausch verwischen die Labels. Hinweise verändern das Verhalten, aus dem das Modell gelernt hat, was eine Rückkopplungsschleife ist. Scores für neue Produkte und neue Kunden sind schwach (Kaltstart). Ein Modell, das „Kunde sendet viel zurück" lernt, lädt zu restriktiver Behandlung ein, was rechtliche und Reputationsrisiken birgt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabellen-Stack (Tabellen-ML + Kausalinferenz + Feature Store): PRED-003 Abwanderung, PRED-004 CLV (erwartete Retourenkosten senken den CLV), PRED-005 Lead-Scoring und PRED-021 Zahlungsverhalten können sich einen Feature Store, ein Modellregister und einen CPU-Bewertungsdienst (HW1) teilen.
• Partner der Vermeidung: REC-012 Größen- & Passformempfehlung (die Hauptmaßnahme), GEN-010 virtuelle Anprobe, LANG-001 Produktbeschreibungen (Inhaltslücken schließen), REC-001 Empfehlungen (Artikel mit hoher Retourenquote nicht empfehlen).
• Nachgelagert: PRED-001 Nachfrageprognose (Nettonachfrage nach Retouren), OPT-005 Bestandsnachschub (zurückgesendete Ware wird wieder verfügbar), OPT-006 Lagerplanung und PRED-011 Personaleinsatz für das Retourenzentrum, VIS-037 Zustandsbewertung der zurückgesendeten Artikel.
• Grenze zum Missbrauch: ANOM-033 Retourenbetrug im Handel, ANOM-004 Plattform- und Aktionsmissbrauch und ANOM-001 Zahlungsbetrug teilen Merkmale (Retourenhistorie des Kunden), dienen aber einer anderen Entscheidung und brauchen eine getrennte Governance.
• Textanalytik: LANG-013 Bewertungs- und Feedbackanalyse teilt sich den Klassifikator für Retourengründe.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen, um Größenberatung und ein Retourenportal zu ergänzen. Die Preisgestaltung erfolgt typischerweise je Bestellung, je Retoure oder nach Umsatzstufe.
• Weg B/C: 2–4 Monate für ein erstes Modell plus Berichte auf Produktebene. Die Echtzeit-Integration an der Kasse und ein sauberer A/B-Aufbau brauchen weitere 1–3 Monate. Die Rechenkosten sind niedrig; die Kostentreiber sind Datenaufbereitung und Kapazität für Experimente.
• Kennzahlen: Retourenquote (Artikel und Wert) vs. Holdout, Konversionsrate und Umsatz je Besucher als Leitplanken, Nettomarge nach Retouren, Anteil der Warenkörbe mit mehreren Größen, AUC und Kalibrierung des Modells, Prognosefehler der wöchentlichen Retourenmengen und entsorgte zurückgesendete Artikel.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung für die Ziele ein (Marge gegenüber Konversion), dann die E-Commerce- oder Kundenservice-Leitung, die den Prozess verantwortet. Die IT bindet Shop und ERP an; die/der Datenschutzbeauftragte ist unverzichtbar, weil der Score Kunden profiliert. Mitarbeitende im Kundenservice (Endanwender) sollten sehen, warum eine Bestellung markiert ist.

Betriebsrat: meist nein, da der Score Kunden betrifft, nicht Beschäftigte. Er greift, wenn die Daten auch die Leistung von Servicemitarbeitenden oder Lagerpersonal bewerten; dann ist § 87 Abs. 1 Nr. 6 BetrVG relevant, und § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information (GUIDE-004).

Datenschutz: Die Bewertung einzelner Kunden ist Profiling. Prüfen Sie die Rechtsgrundlage, führen Sie eine DSFA-Prüfung nach Art. 35 DSGVO durch, informieren Sie die Kunden in der Datenschutzerklärung und schließen Sie AVV mit Anbietern ab (GUIDE-005). Sperren Sie Kunden nie allein aufgrund eines automatisierten Scores (Art. 22 DSGVO); bevorzugen Sie Korrekturen auf Produktebene und neutrale Hinweise.

KI-Kompetenz: Unterstützen Sie das Team mit einer kurzen Einweisung, was ein Wahrscheinlichkeitsscore bedeutet (GUIDE-006). Pilotieren Sie in einer Produktkategorie mit einem A/B-Test und messen Sie Retourenquote, Konversion und Beschwerden. Lassen Sie den Menschen die Kontrolle: Mitarbeitende können Maßnahmen überstimmen, und sensible Maßnahmen wie Versandeinschränkungen brauchen eine Freigabe. Typische Sorge: „Kunden werden ungerecht behandelt." Begegnen Sie ihr mit transparenten Regeln und regelmäßigen Fairness-Prüfungen (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der typischen Form minimales Risiko, da die Risikobewertung von Produkten und Warenkörben für operative Entscheidungen kein Anwendungsfall nach Anhang III ist. Die Grenze ist die Kreditwürdigkeit: Fließt der Score in die Entscheidung ein, ob eine natürliche Person auf Rechnung oder per händlerfinanziertem BNPL zahlen darf, ist Anhang III Nr. 5 Buchst. b zu prüfen (Kreditwürdigkeitsprüfung / Kredit-Scoring natürlicher Personen, Hochrisiko), und die beiden Modelle sind getrennt zu halten. Die KI-Kompetenz (Art. 4) gilt [12].
• DSGVO: Retourenhistorien auf Kundenebene sind personenbezogene Daten. Sie brauchen eine Rechtsgrundlage (meist berechtigtes Interesse mit dokumentierter Interessenabwägung), Transparenz in der Datenschutzerklärung und Datenminimierung. Den Ausschluss eines Kunden von Zahlungsarten oder Lieferoptionen allein aufgrund des Scores kann eine Entscheidung mit ähnlich erheblicher Wirkung nach Art. 22 sein. Das SCHUFA-Urteil des EuGH (C-634/21) legt Art. 22 weit aus. Halten Sie einen Weg zur menschlichen Überprüfung bereit und erklären Sie auf Anfrage die Logik [13].
• Verbraucherrecht: Das 14-tägige Widerrufsrecht (Richtlinie 2011/83/EU) darf nicht durch einen Score eingeschränkt werden [14]. Hinweise dürfen nicht zu Dark Patterns werden (UCPD; der geplante Digital Fairness Act). Personalisierte Preise aufgrund automatisierter Entscheidungsfindung müssen offengelegt werden (Art. 6 Abs. 1 Buchst. ea Verbraucherrechterichtlinie).
• Fairness und Reputation: Stellvertretermerkmale wie Postleitzahl, Alter oder Geschlecht können zu diskriminierender Behandlung führen (deutsches AGG für den Zugang zu Gütern und Dienstleistungen). Sie ausschließen oder prüfen.
• Kreislaufwirtschaft: Die Vernichtung von Retouren steht im Widerspruch zur Obhutspflicht des deutschen KrWG und, bei Bekleidung und Schuhen, zum ESPR-Verbot, daher die Entsorgung als Kennzahl messen [2][11].

Erste Schritte

1. Bauen Sie die Ausgangslage auf: Retourenquote nach Kategorie, Produkt, Größe, Kanal und Zahlungsart plus strukturierte Retourengründe (zuerst die Grund-Codes korrigieren, wenn sie Freitext sind oder fehlen).
2. Schnelle Erfolge: Aktivieren Sie eine Größenberatung mit Multi-Size-Alert und senden Sie die 50 Produkte mit den höchsten Retourenquoten samt Gründeanalyse an die Category Manager.
3. Trainieren Sie ein Retourenmodell auf Positionsebene mit 6–12 Monaten Historie, prüfen Sie seine Kalibrierung und nutzen Sie es zunächst für Produktberichte und die Mengenprognose, bei denen kein Kunde betroffen ist.
4. Führen Sie eine Maßnahme (z. B. Größenhinweis für Warenkörbe mit mehreren Größen und hohem Risiko) als A/B-Test durch, mit der Konversion als Leitplanke.
5. Dokumentieren Sie vor jeder Steuerung von Zahlung oder Lieferung die Rechtsgrundlage, die Prüfung nach Art. 22 und den Weg zur manuellen Überprüfung mit der/dem Datenschutzbeauftragten.

Quellen

1. Forschungsgruppe Retourenmanagement, University of Bamberg — Updated estimate of return parcels 2026 — https://www.retourenforschung.de/info-aktualisierte-schaetzung-bezueglich-der-anzahl-an-retourenpaketen-im-jahr-2026.html
2. Forschungsgruppe Retourenmanagement — Report on disposal of returns and overstock (2026) — https://www.retourenforschung.de/info-neuer-forschungsbericht-veroeffentlicht-warum-werden-retouren-und-%C3%9Cberbestaende-entsorgt-was-kann-man-dagegen-tun.html
3. Forschungsgruppe Retourenmanagement — Publications (incl. Asdecker & Karl 2018, "Big data analytics in returns management – are complex techniques necessary to forecast consumer returns properly?"; Asdecker 2015 on return rate vs. cost) — https://www.retourenforschung.de/publikationen.html
4. Fit Analytics — Multiple Size Alert reduces returns by 6% — https://www.fitanalytics.com/blog/multiple-size-alert-reduces-returns
5. Fit Analytics — Fit Finder product page — https://www.fitanalytics.com/
6. Easysize — size & fit quiz — https://www.easysize.me/
7. parcelLab — returns, exchanges and fraud & abuse protection — https://parcellab.com/ and https://docs.parcellab.com/docs/retain/fraud-and-abuse
8. Narvar — returns & exchanges (Shield) and IRIS — https://corp.narvar.com/
9. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
10. Hollmann et al. (2025), "Accurate predictions on small data with a tabular foundation model", Nature — https://www.nature.com/articles/s41586-024-08328-6
11. Regulation (EU) 2024/1781 (Ecodesign for Sustainable Products Regulation, destruction of unsold consumer products) — https://eur-lex.europa.eu/eli/reg/2024/1781/oj
12. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
13. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
14. Directive 2011/83/EU (Consumer Rights Directive) — https://eur-lex.europa.eu/eli/dir/2011/83/oj