Ein ML-Modell für Kreditlimits bei einem großen europäischen Modehändler, das drei Größen gleichzeitig abwägt: Kaufpotenzial, Kreditrisiko und Retourenverhalten.
Ein großer europäischer Modehändler mit 500 Mio. € Jahresumsatz bot seinen Kunden Kauf auf Kredit als festen Teil des Einkaufs an. Die Kreditlimits wurden nach starren Regeln vergeben, die alle Kunden weitgehend gleich behandelten – individuelles Kaufverhalten, Zahlungshistorie oder die Neigung zu Retouren spielten keine Rolle.
Die Limitvergabe scheiterte in zwei Richtungen zugleich – und beides kostete Geld.
Kunden mit einem Limit, das im Verhältnis zu ihrem tatsächlichen Verhalten zu hoch war, bestellten zu viel und schickten einen großen Teil wieder zurück. Retouren im Modehandel sind nicht einfach stornierter Umsatz – sie verursachen echte Kosten: Bearbeitung, Prüfung, Wiedereinlagerung und oft Abschriften auf Ware, die nicht mehr zum vollen Preis verkauft werden kann. Zu hohe Limits verursachten so Verluste, die nicht sofort als Kreditproblem sichtbar wurden.
In der anderen Richtung wurden Kunden mit echter Kaufabsicht und niedriger Retourenquote durch Limits gebremst, die für ihren Warenkorb zu niedrig waren. Gerade das waren die wertvollsten Kunden des Händlers – und sie wurden ausgebremst.
Die zentrale Erkenntnis für das Modell: Kreditlimits im Handel sind kein reines Risikothema. Es gilt, drei Größen gleichzeitig zu optimieren – das künftige Kaufpotenzial eines Kunden, sein Kreditrisiko und sein voraussichtliches Retourenverhalten. Ein Limit, das nach dem Bestellvolumen allein profitabel aussieht, ist es nach Abzug der Retouren oft nicht mehr.
Wir haben ein Modell gebaut, das alle drei Größen einbezieht und für jeden Kunden einzeln das optimale Limit bestimmt – eines, das den Nettoumsatz nach Retouren maximiert statt des Bruttoumsatzes. Maßgeblich ist, was ein Kunde voraussichtlich kauft, behält und bezahlt – nicht, in welches Segment er fällt.
Sprechen wir darüber, was in Ihrem konkreten Umfeld möglich ist.
Gespräch vereinbaren →