KI im Handel: Kundenservice, Bestandsmanagement & Preisoptimierung

Es ist Samstagmittag, 13:45 Uhr. Markus, Geschäftsführer einer mittelständischen Einzelhandelskette mit 50 Filialen, steht in seiner Flagship-Filiale in einer nordrhein-westfälischen Großstadt und beobachtet das Chaos. Die Filiale ist überfüllt – geschätzt 120 Kunden gleichzeitig. Aber an den Kassen stehen nur 4 Mitarbeiter. Die Warteschlangen sind 15 Personen tief. Kunden werden ungeduldig. Manche stellen ihren Warenkorb ab und gehen. Im Verkaufsraum? Sind 8 Mitarbeiter, die gelangweilt rumstehen, weil gerade wenig Beratungsbedarf ist. Markus rechnet im Kopf: 12 Mitarbeiter im Dienst, aber falsch verteilt. 4 zu wenig an der Kasse, 4 zu viel im Verkauf.

Er geht in den Lagerraum. Ein Kunde hatte gerade gefragt: "Haben Sie das neue iPhone in Space Black, 256GB?" Die Verkäuferin hatte gesagt: "Schaue ich im Lager nach." Sie kommt zurück: "Leider ausverkauft. Aber online können Sie bestellen." Der Kunde seufzt und geht – wahrscheinlich direkt zu MediaMarkt oder Amazon. Markus checkt im Warenwirtschaftssystem: Das iPhone ist nicht ausverkauft. Es ist nur falsch einsortiert. Es liegt irgendwo zwischen 3.000 anderen Produkten im Lager. Die Verkäuferin hatte 5 Minuten gesucht, nicht gefunden, aufgegeben. Verpasster Umsatz: 1.200 Euro.

Markus geht zurück in sein Büro. Er öffnet Excel: Der Dienstplan für nächste Woche. 40 Stunden Arbeit liegen vor ihm – er muss für jede Filiale Schichtpläne erstellen, Urlaube berücksichtigen, Krankheiten einplanen, Stoßzeiten abdecken. Er macht das nach Erfahrung: "Samstag brauchen wir immer viele Leute. Montag ist ruhig." Aber ist das wirklich so? Hat er Daten? Nein. Es ist Bauchgefühl.

Am Abend schaut er auf die Monatszahlen. Umsatz: 6,8 Millionen Euro. Budget war 7,5 Millionen. Minus 9,3%. Personalkosten: 850.000 Euro. Budget war 700.000 Euro. Plus 21%. Out-of-Stock-Quote (wie oft war ein Produkt nicht verfügbar, obwohl Kunden danach fragten): 23%. Das bedeutet: Fast jeder vierte Kunde findet nicht, was er sucht, und kauft woanders – oder gar nicht.

Die Marge: 3,2%. Bei der Konkurrenz sind es 5%. Markus rechnet: Bei 80 Millionen Euro Jahresumsatz (über alle 50 Filialen) bedeutet jeder Prozentpunkt Marge 800.000 Euro Gewinn. Er liegt 1,8 Prozentpunkte unter Benchmark. Das sind 1,44 Millionen Euro, die auf dem Tisch liegen bleiben. Jedes Jahr.

Er sitzt da und denkt: "Wir kämpfen gegen Amazon, die algorithmisch optimieren – Personaleinsatz, Lagerbestände, Preise, Marketing. Wir machen alles manuell, nach Bauchgefühl, mit Excel von 2010. Wir haben keine Chance." Dann sieht er einen Artikel über KI im Einzelhandel. "Personaleinsatzplanung: 15% Kostenersparnis. Bestandsmanagement: 80% weniger Out-of-Stock. WhatsApp-Bot: 24/7-Service." Er liest weiter.

Das ist der Moment, an dem sich entscheidet: Kämpft Markus weiter mit den gleichen Methoden wie 2015 und verliert langsam? Oder nutzt er die gleichen Technologien wie Amazon – Algorithmen, Predictive Analytics, Automatisierung – und hat eine Chance? Die Antwort könnte seine Einzelhandelskette retten. Oder zumindest die nächsten 10 Jahre sichern.

Markus' Probleme sind nicht einzigartig. Sie sind symptomatisch für den stationären Einzelhandel 2025. Lassen Sie uns die drei fundamentalen Herausforderungen verstehen, vor denen praktisch jede Handelskette steht.

Herausforderung #1: Der Online-Effekt – wenn E-Commerce wächst und stationärer Handel stagniert

Große Online-Händler wachsen weiterhin stark – im zweistelligen Prozentbereich. Gleichzeitig: Die Kundenfrequenz in Innenstädten sinkt kontinuierlich. Filialen schließen (Galeria Karstadt Kaufhof, Esprit, P&C reduzieren Standorte). Das ist nicht nur Corona-Nachwirkung – das ist ein struktureller Trend. Kunden kaufen bequem von der Couch, 24/7 verfügbar, mit Bewertungen, Vergleichen, kostenloser Retoure.

Stationärer Handel hat Vorteile: Haptik (Produkt anfassen), sofortige Verfügbarkeit (keine 2-Tage-Lieferzeit), persönliche Beratung. Aber diese Vorteile schwinden, wenn die Regale leer sind (Out-of-Stock), wenn Mitarbeiter überlastet sind (keine Zeit für Beratung) oder wenn die Preise nicht konkurrenzfähig sind (Online-Preise sind oft deutlich günstiger).

Herausforderung #2: Kostenexplosion – wenn jeder Prozentpunkt zählt

Gleichzeitig explodieren die Kosten. Personalkosten steigen um 8% jährlich (Mindestlohn, Tariferhöhungen, Fachkräftemangel). Mieten in guten Lagen steigen um 5 bis 6% jährlich. Energie hat sich seit 2022 teilweise verdoppelt (20% bis 100% höher, je nach Vertrag). Logistikkosten steigen. Verpackungskosten steigen. Nur die Margen? Schrumpfen.

Markus' Kette hat 10 Millionen Euro Personalkosten pro Jahr bei 800 Mitarbeitern (durchschnittlich 12.500 Euro pro Mitarbeiter – Mix aus Vollzeit, Teilzeit, Minijobs). Das ist der größte Kostenblock. Bei 80 Millionen Euro Umsatz sind das 12,5% Personalkostenquote. Benchmark in der Branche: 10%. Markus liegt 2,5 Prozentpunkte drüber. Das sind 2 Millionen Euro zu viel. Warum? Weil seine Personaleinsatzplanung ineffizient ist. Zu viele Mitarbeiter in ruhigen Zeiten, zu wenige in Stoßzeiten.

Herausforderung #3: Ineffiziente Prozesse – Excel, Bauchgefühl und verpasste Chancen

Das wirkliche Problem ist nicht Amazon. Das wirkliche Problem ist interne Ineffizienz. Markus plant Schichten nach Erfahrung statt nach Daten. Seine Filialleiter bestellen Waren nach Gefühl statt nach Algorithmen. Kundenservice läuft nur während Öffnungszeiten (Mo-Sa 9-20 Uhr), während Amazon 24/7 antwortet. Marketing-E-Mails gehen an alle Kunden gleich ("20% auf alles"), statt personalisiert nach Kaufhistorie.

Das Resultat: Verschwendung. 15% der Personalkosten gehen für Zeiten drauf, wo zu viele Mitarbeiter da sind (Montag 10 bis 12 Uhr: 8 Mitarbeiter, 15 Kunden). 25% Out-of-Stock-Quote bedeutet: 20 Millionen Euro verpasster Umsatz, weil Kunden nicht finden, was sie suchen. 500 Kundenanfragen pro Woche außerhalb der Öffnungszeiten bleiben unbeantwortet. 40 Stunden pro Woche gehen für manuelle Dienstplanung drauf.

Addieren Sie das zusammen: 1,5 Millionen Euro zu viele Personalkosten + 2 Millionen Euro verpasster Umsatz durch Out-of-Stock + 180.000 Euro für manuelle Kundenservice-Prozesse = 3,68 Millionen Euro verschwendet pro Jahr. Bei einer Marge von 3,2% und einem Jahresumsatz von 80 Millionen Euro macht Markus 2,56 Millionen Euro Gewinn. Die 3,68 Millionen Euro Verschwendung sind mehr als sein kompletter Jahresgewinn. Das ist das Problem.

Zurück zum Samstag, 13:45 Uhr. Markus steht in seiner Filiale: 12 Mitarbeiter im Dienst, aber falsch verteilt. 4 an der Kasse (zu wenig, Warteschlangen 15 Personen tief), 8 im Verkaufsraum (zu viel, stehen gelangweilt rum). Das ist ineffizient. Und es ist kein Zufall. Es ist das Resultat von Schichtplanung nach Bauchgefühl.

Wie plant Markus aktuell? Excel-Tabelle, 40 Stunden pro Woche Arbeit, basierend auf Erfahrung: "Samstag ist immer voll → viele Leute einplanen. Montag ist ruhig → wenig Leute." Das Problem: "Samstag ist voll" ist keine präzise Aussage. Samstag 10 bis 12 Uhr? Ruhig (Kunden schlafen aus). Samstag 14 bis 16 Uhr? Extrem voll. Samstag 18 bis 20 Uhr? Wieder ruhiger (Kunden kochen Abendessen). Aber Markus' Schichtpläne differenzieren nicht. 12 Mitarbeiter von 9 bis 20 Uhr durchgehend. Resultat: Overstaffing morgens und abends, Understaffing mittags.

Die KI-Lösung ist radikal anders. Sie basiert auf Daten, nicht auf Gefühl. Die KI greift auf historische Kundenfrequenz-Daten zu (aus Kassensystemen: wie viele Transaktionen pro Stunde in den letzten 12 Monaten?), analysiert Umsatz pro Stunde (manche Stunden haben hohe Frequenz aber niedrigen Warenkorb-Wert – brauchen weniger Personal), berücksichtigt Wetter-Prognosen (Regen = mehr Kunden in Indoor-Shopping-Centern, Sonne = weniger), Events (lokales Stadtfest nächste Woche = +40% Frequenz), Feiertage und Schulferien (Sommerferien = andere Patterns als Schulzeit) und geplante Verkaufsaktionen (Black Friday = +200% Frequenz).

Basierend auf all diesen Daten generiert die KI einen optimalen Schichtplan für die nächsten 4 Wochen: Samstag 10 bis 12 Uhr: 6 Mitarbeiter (runter von 12). Samstag 14 bis 16 Uhr: 16 Mitarbeiter (hoch von 12). Montag 10 bis 12 Uhr: 4 Mitarbeiter (runter von 8). Das ist präzise Planung, nicht Bauchgefühl.

Der Impact bei Markus' 50 Filialen: Personalkosteneinsparung von 15%. Das klingt wenig, ist aber massiv. 15% × 10 Millionen Euro = 1,5 Millionen Euro pro Jahr. Zusätzlich: Weniger Understaffing in Stoßzeiten bedeutet weniger verpasste Umsätze (Kunden warten nicht 10 Minuten an der Kasse, sondern werden schnell bedient). Geschätzter Zusatzumsatz: 5% durch besseren Service = 4 Millionen Euro, bei 25% Marge sind das 1 Million Euro.

Gesamt-Nutzen Use Case #1: 2,5 Millionen Euro pro Jahr. Plus: Zufriedenere Mitarbeiter (planbare Arbeitszeiten statt kurzfristige Änderungen), weniger Überstunden, bessere Work-Life-Balance. Das senkt Fluktuation (die im Einzelhandel bei 30 bis 40% pro Jahr liegt) und spart Recruiting-Kosten.

Erinnern Sie sich an den Kunden, der nach dem iPhone fragte? "Space Black, 256GB?" Die Verkäuferin sagte "Ausverkauft", aber es war nur falsch einsortiert im Lager. Verpasster Umsatz: 1.200 Euro. Dieser Vorfall passiert bei Markus etwa 50 Mal pro Tag über alle 50 Filialen. 50 × 1.200 Euro × 250 Tage = 15 Millionen Euro verpasster Umsatz pro Jahr. Das ist Out-of-Stock in der Praxis.

McKinsey-Studien zeigen: Der durchschnittliche Einzelhändler hat eine Out-of-Stock-Quote von 25%. Das bedeutet: Jeder vierte Kunde findet nicht, was er sucht. Bei Markus mit 80 Millionen Euro Umsatz bedeutet eine 25% OOS-Quote: Potentieller Umsatz wäre 106 Millionen Euro (80 Mio. / 0,75), aber 26 Millionen Euro bleiben liegen. Realistisch konvertieren nicht alle OOS-Situationen zu Umsatz (manche Kunden kommen später wieder), aber selbst wenn nur 50% konvertieren würden: 13 Millionen Euro verpasster Umsatz.

Die Ursache ist simpel: Suboptimale Bestellprozesse. Filialleiter bestellen nach Gefühl. "Letzte Woche haben wir 20 iPhones verkauft → bestelle ich 20 nach." Aber letzte Woche war Black Friday. Diese Woche ist normal. Oder: "Im Winter verkaufen wir immer wenig Eis → bestelle ich nicht." Aber es kommt ein warmer Wintereinbruch, plötzlich wollen alle Eis. Zu spät.

KI macht Demand Forecasting. Sie analysiert historische Verkaufsdaten (täglich, pro Filiale, pro Produkt über 24 Monate), erkennt Saisonalität (Eis im Sommer, Glühwein im Winter, aber auch: Bio-Produkte wachsen um 15% YoY – Trend!), berücksichtigt Promotions (TV-Werbung nächste Woche = +40% Nachfrage), checkt Lieferzeiten (Lieferant A braucht 2 Tage, Lieferant B 5 Tage) und vergleicht mit aktuellem Lagerbestand in Echtzeit.

Das Ergebnis: Präzise Prognose. "iPhone Space Black 256GB: Erwartete Verkäufe nächste Woche: 8 Stück (±2). Aktueller Lagerbestand: 3. Empfehlung: Nachbestellen 10 Stück, Lieferung bis Mittwoch." Der Filialleiter reviewed, nickt ab. Die Bestellung geht automatisch raus (via EDI oder API an den Lieferanten). Mittwoch: iPhones sind da. Kein Out-of-Stock.

Die Zahlen: Out-of-Stock-Quote sinkt von 25% auf 5% (80% Reduktion). Verpasste Umsätze sinken von 13 Millionen auf 2,6 Millionen Euro. Zusatzumsatz: 10,4 Millionen Euro, bei 25% Marge sind das 2,6 Millionen Euro Zusatzgewinn. Plus: 10% niedrigere Lagerkosten (weniger Überbestand, der rumliegt und Kapital bindet) = 800.000 Euro. Plus: Bei Lebensmitteln weniger Verderb (Frische-Produkte optimal nachbestellen) = bessere Qualität und weniger Abschriften.

Use Case #2 allein rechtfertigt jede KI-Investition.

Das Problem: Kunden fragen per WhatsApp, Facebook, Instagram: "Habt ihr Produkt X vorrätig?", "Welche Öffnungszeiten?", "Kann ich reservieren?"

Ohne KI: Anfragen werden nur während Geschäftszeiten beantwortet → 60% laufen ins Leere

Die KI-Lösung: WhatsApp Business API + KI-Bot

Integration:

• WhatsApp Business API (offiziell)
• Verbindung mit Warenwirtschaft (Echtzeit-Bestand)
• 24/7-Verfügbarkeit

Beispiel-Konversation:

Automatisierungsquote:

• Verfügbarkeitsanfragen: 95% automatisch
• Reservierungen: 90% automatisch
• Öffnungszeiten, Adresse, Anfahrt: 100% automatisch
• Produktberatung: 60% automatisch
• Reklamationen: 10% automatisch (Weiterleitung an Mensch)

Durchschnitt: 75% aller Anfragen ohne menschliches Eingreifen

Business Impact:

• 500 WhatsApp-Anfragen/Woche × 5 Min/Antwort = 42h/Woche
• Mit KI: 125 komplexe Anfragen × 5 Min = 10,5h/Woche
• Ersparnis: 31,5h × 40€ = 1.260€/Woche = 65.520€/Jahr

Plus:

• Konversion: +20% (Reservierungen statt "schaue ich später")
• 24/7-Service = Wettbewerbsvorteil vs. Konkurrenz

Das Problem: Statische Preise = verschenktes Potenzial. Online-Shops passen Preise 10× täglich an – stationär nicht.

Die KI-Lösung: Algorithmus-basierte Preis-Empfehlungen

Berücksichtigte Faktoren:

• Nachfrage (hoch → Preis hoch, niedrig → Preis runter)
• Lagerbestand (Überbestand → Abverkauf fördern)
• Wettbewerb (Online-Preise Amazon, Zalando)
• Saisonalität (Winter-Jacken ab März günstiger)
• Ablaufdaten (Lebensmittel kurz vor MHD)

Beispiel:

Impact bei 1.000 Produkten mit Optimierungspotential:

• Durchschnittlich 2.000€ Mehrgewinn/Produkt
• Gesamt: 2 Mio. € Zusatzertrag/Jahr

Rechtliches: Preisanpassungen sind legal (außer Preisbindung bei Büchern, Zeitschriften)

Das Problem: Regalfläche ist begrenzt. Welche Produkte verdienen ihren Platz? Welche sollten raus?

Die KI-Lösung: Automatische Sortimentsoptimierung

KI-Metriken pro Produkt:

• Umsatz pro Quadratmeter Regalfläche
• Marge (absolute €, nicht nur %)
• Umschlagshäufigkeit (wie oft verkauft?)
• Komplementarität (kaufen Kunden oft Produkt X + Y zusammen?)

Beispiel-Analyse:

Impact:

• Delisting von 100 Ladenhütern → 50 m² Regalfläche frei
• Ersatz durch Top-Performer
• Umsatzsteigerung: 15% auf freigewordener Fläche = 300.000€/Jahr

Das Problem: Newsletter mit "20% auf alles" bringen 2% Conversion. Zu generisch.

Die KI-Lösung: Segmentierte, personalisierte Kampagnen

Segmentierung:

• Nach Kaufhistorie: "Kunden, die Bio-Produkte kaufen"
• Nach Frequenz: "Stammkunden" vs. "Gelegenheitskäufer"
• Nach Warenkorb-Wert: "Premium-Kunden (>50€/Einkauf)"
• Nach Filiale: "Flagship-Store-Kunden" vs. "Vorort-Filialen"

Beispiel-Kampagne:

Performance-Steigerung:

• Open-Rate: +40% (von 15% auf 21%)
• Click-Rate: +60% (von 2,5% auf 4%)
• Conversion: +80% (von 5% auf 9%)
• Revenue per E-Mail: 3,50€ → 6,30€ (+80%)

Bei 100.000 Kunden × 2 E-Mails/Monat:

• Zusatzumsatz: 2,80€ × 200.000 = 560.000€/Jahr
• Bei 25% Marge = 140.000€

Das Problem: Bezirksleiter will Zahlen von 10 Filialen. Filialleiter erstellen Excel-Reports. Dauert 2h pro Filiale/Woche = 20h/Woche für Bezirksleiter.

Die KI-Lösung: Real-Time-Dashboard + automatische Reports

Dashboard-Ansicht:

Automatische Wochenberichte:

• E-Mail jeden Montag 8 Uhr an Bezirksleiter
• PDF-Export für Geschäftsleitung
• Drill-Down möglich (z.B. "Warum Gütersloh schwach?")

Zeitersparnis: 20h/Woche × 40€ = 800€/Woche = 41.600€/Jahr

Die Zukunft ist Omnichannel: Kunde bestellt online, holt in Filiale ab (Click & Collect). Oder: Schaut in Filiale, bestellt online (weil Größe fehlt).

KI-Use-Cases für Omnichannel:

1. Click & Collect Optimierung

• KI routet Online-Bestellung zur Filiale mit Lagerbestand
• Kommissionierung-Routing (schnellste Wege durchs Lager)
• Automatische Benachrichtigung: "Ihre Bestellung ist abholbereit!"

2. Endless Aisle (virtuelles Regal)

• Produkt in Filiale nicht verfügbar?
• Mitarbeiter zeigt auf Tablet: "Größe 43 ist online bestellbar, Lieferung morgen"
• Kunde bestellt → Umsatz gerettet!

3. Unified Customer View

• Online + Offline-Käufe zusammengeführt
• Personalisierte Angebote basierend auf Gesamt-Historie
• Beispiel: Kunde kauft oft Bio → erhält Bio-Coupons (online + in Filiale)

Impact:

• Click & Collect: +30% Online-Bestellungen mit Filial-Abholung
• Endless Aisle: 400.000€ gerettete Umsätze/Jahr
• Kundenbindung: +25% (durch nahtloses Erlebnis)

Ausgangssituation: Einzelhandelskette (REWE/EDEKA-ähnlich)

• 50 Filialen
• 800 Mitarbeiter (davon 600 Verkauf/Kasse)
• 80 Mio. € Umsatz/Jahr, 4% Marge

Herausforderungen:

• Personalkosten zu hoch (12,5% vom Umsatz, Benchmark 10%)
• Out-of-Stock-Quote 25% (= 20 Mio. € verpasster Umsatz!)
• Kundenservice nur zu Öffnungszeiten
• Manuelle Dienstplanung bindet 40h/Woche

KI-Implementierung:

Phase 1 (Monat 1-2): Personaleinsatzplanung

1. Integration Kassensystem (Verkaufsdaten)
2. Historische Analyse (12 Monate)
3. KI-Schichtpläne für 5 Pilot-Filialen
4. Vergleich: KI vs. manuell

Ergebnis Pilot: 18% Personalkosten-Reduktion bei gleicher Service-Qualität!

Phase 2 (Monat 3-4): Bestandsmanagement

1. Integration Warenwirtschaft (Retail, proAlpha)
2. Demand Forecasting aktivieren
3. Automatische Nachbestellungen (Pilot 10 Filialen)

Ergebnis: Out-of-Stock von 25% auf 12% (50% Reduktion)

Phase 3 (Monat 5-6): WhatsApp-Bot + Marketing

1. WhatsApp Business API
2. Chatbot trainieren
3. Personalisierte Kampagnen

Ergebnisse nach 12 Monaten:

Konkrete Einsparungen/Gewinne:

Personaleinsatzplanung:

• Personalkosteneinsparung: 15% × 10 Mio. € = 1,5 Mio. €/Jahr

Bestandsmanagement:

• Out-of-Stock: 25% → 5% = 80% weniger verpasste Umsätze
• Zusatzumsatz: 16 Mio. € (von 20 Mio. € Potential)
• Bei 25% Marge: 4 Mio. €
• Lagerkosten gespart: -10% × 8 Mio. € = 800.000€

WhatsApp-Bot & Marketing:

• Kundenservice-Entlastung: 65.520€
• Personalisierte Kampagnen: 140.000€ Zusatzumsatz

Gesamt-Nutzen (realisiert, konservativ): 6,5 Mio. €/Jahr

Zusätzliche Benefits:

• Mitarbeiter-Zufriedenheit: +30% (planbare Arbeitszeiten)
• Kundenzufriedenheit: +25% (immer verfügbar, 24/7-Service)
• Wettbewerbsvorteil: "Tech-Retailer" vs. traditionelle Konkurrenz

Investition (Jahr 1):

Nutzen (Jahr 1 – nur 30% Realisierung!):

Break-Even nach 4 Wochen!

Jahr 2 und folgende (100% Realisierung):

• Investition sinkt auf 102.000€/Jahr (keine Setup-Kosten)
• Nutzen steigt auf 6,5 Mio. €
• ROI Jahr 2: 6.275%

Standard-Integrationen:

1. Warenwirtschaftssysteme

• Retail
• proAlpha
• GS1 Standards (EDIFACT für Bestellungen)

Integration: API, bidirektional KI zieht: Lagerbestände, Verkaufsdaten, Lieferanten KI schreibt: Nachbestellungen, Preisänderungen

2. Kassensysteme

• Shopify POS
• Lightspeed Retail
• Vectron
• Novomind

Integration: API, Echtzeit KI zieht: Transaktions-Daten, Kundenfrequenz

3. WhatsApp Business API

• Offizieller WhatsApp Business Account
• Verified Badge (grüner Haken)
• Nachrichten-Vorlagen (Templates) für Transaktionen
• 24/7-Bot

Setup: 2-3 Wochen, Kosten: 1.500€/Monat

Setup-Dauer gesamt: 6-8 Wochen

Monat 1: Assessment

1. Größten Schmerzpunkt identifizieren (Personalkosten? Out-of-Stock?)
2. Daten sammeln:
   • Personalkosten pro Filiale
   • Out-of-Stock-Quote messen (Stichprobe)
   • Kundenanfragen zählen
3. ROI-Potential berechnen

Monat 2: Pilot vorbereiten

1. 5 Filialen als Pilot auswählen (verschiedene Größen)
2. Integration Warenwirtschaft + Kassen klären
3. Demo buchen mit echten Daten

Monat 3-4: Pilotphase

1. Personaleinsatzplanung in 5 Filialen testen
2. 8 Wochen Datensammlung
3. Vergleich: Vorher/Nachher

Monat 5-6: Rollout

1. Erfolge präsentieren (Einsparungen!)
2. Rollout auf alle 50 Filialen
3. Weitere Use Cases (Bestandsmanagement, WhatsApp-Bot)

Ab Monat 7: Optimierung

1. KPIs wöchentlich tracken
2. Best Practices von Top-Filialen auf andere übertragen
3. Kontinuierliche Verbesserung