73 Prozent der australischen Einzelhändler wollen ihre Ausgaben für Künstliche Intelligenz in den nächsten zwölf Monaten erhöhen. Gleichzeitig besitzt fast jeder zweite kein funktionierendes 360-Grad-Kundenprofil. Das sind keine Widersprüche aus einem fernen Markt, sondern das exakte Spiegelbild der Situation in Deutschland. Während Woolworths und Coles Down Under Millionenbeträge in Chatbots und Nachfrageprognosen stecken, kämpfen hiesige Player wie die Metro AG oder der Douglas-Konzern mit denselben verwaisten Datensilos, fragmentierten ERP-Landschaften und einer DSGVO, die jede Datenvereinheitlichung zum juristischen Spagat macht.
Hinter diesen Zahlen steckt ein Muster, das den DACH-Raum ebenso beschreibt wie Sydney oder Melbourne: ein Rüstungswettlauf mit leeren Magazinen.
Amazon, Temu und Shein haben den Preis- und Geschwindigkeitsdruck so weit erhöht, dass traditionelle Händler panisch auf KI setzen. Das Problem: Sie kaufen das Optik-Paket, während der Motor fehlt.
Warum pumpen Händler Milliarden in KI, während ihre Datenbanken verrotten?
Der australische Baumarktriese Bunnings gibt für 2024 über 400 Millionen australische Dollar für digitale Infrastruktur aus. Ein Großteil landet bei maschinellem Lernen zur Sortimentssteuerung und bei Kundenservice-Bots. Interne Systeme sprechen aber noch immer nicht mit dem Online-Shop. Wer im Markt eine Niederlassungskarte zückt, hinterlässt Daten, die die E-Commerce-Plattform nie sieht. Das gleiche Muster findet sich im deutschen Baumarkthandel: Kassentransaktionen aus der Filiale lassen sich nur bruchstückhaft mit Click&Collect-Verhalten im Web verknüpfen.
Das treibt echte Kosten. Ein Chatbot, der aus siloartigen Datenbeständen schöpft, empfiehlt dem Kunden, der gerade eine Bohrmaschine gekauft hat, prompt eine zweite Bohrmaschine. Die Fehlquote bei AI-gestützten Empfehlungen liegt in solchen Fällen bei über 30 Prozent. Trotzdem schreiben Vorstände siebenstellige Budgets für KI-Tools aus. Wer im Halbjahresbericht keine AI-Initiative vorweist, verliert gegenüber Investoren und Wettbewerbern an Boden. FOMO frisst hier die Datenstrategie.
Ein weiterer Treibstoff ist das Versprechen der Effizienz. Woolworths Australien setzt KI für dynamische Preisgestaltung ein, um Margen zu retten. REWE und Edeka testen ähnliche Algorithmen für die Abendrabatte. Doch ohne Echtzeitdaten aus allen Kanälen preist das Modell Konservendosen in München unter Einstand, während in Hamburg die Regale leer bleiben. Die Folge: Mehrmanuelle Nacharbeit, keine Einsparung.
Was lehrt der australische Report über den deutschen Markt?
Marketech APAC befragte 312 Entscheider aus dem australischen Einzelhandel. Das Ergebnis: Zwar bezeichnen 68 Prozent KI als „geschäftskritisch“, nur 23 Prozent verfügen über eine zentrale Datenplattform, die Online- und Offline-Touchpoints vereint. Übersetzt auf den DACH-Raum bedeutet das: Die Kluft zwischen AI-Ambition und Datenrealität wächst schneller als die Lust, IT-Legacy zu sanieren.
Die Kluft zwischen AI-Ambition und Datenrealität wächst schneller als die Lust, IT-Legacy zu sanieren.
Vergleichbare Befragungen im DACH-Raum, etwa vom Handelsverband HDE, kommen zu fast identischen Befunden. Demnach haben 71 Prozent der deutschen Handelsunternehmen KI-Piloten gestartet, aber nur 19 Prozent ein vollständig integriertes Kundendaten-Management. Die Lücke ist kein Bug, sondern ein strukturelles Merkmal. Jahrzehntelang führten Konzerne Online und Stationär als getrennte P&Ls. Jede Sparte pflegte eigene CRM-Systeme, teils auf SAP, teils auf Salesforce, teils auf selbstgestrickten SQL-Datenbanken aus den Neunzigerjahren.
Zalando und About You bilden die Ausnahme. Beide bauten ihre Architektur als Digital Natives von Grund auf datenzentral. Für inkrementelle Konzerne wie die Otto Group oder den Karstadt-Besitzer Signa, wo historische Bestände auf mainframe-ähnlichen Systemen lagern, ist der Umweg ungleich steiniger. Sie müssen erst einmal archäologische Grabungen in den eigenen Servern durchführen, bevor ein Algorithmus auch nur den Unterschied zwischen einem Neukunden und einem Stammkäufer erkennt.
Warum sind deutsche Daten-Silos besonders gefährlich?
Händler in Australien kämpfen mit fragmentierten Systemen. Ihre deutschen Kollegen haben das gleiche Problem, plus die DSGVO. Jeder Datensatz, der zwischen zwei Tochtergesellschaften wandert, braucht eine Rechtsgrundlage, eine Zweckbindung und ein Löschkonzept. Das erschwert den Aufbau einheitlicher Kundenprofile massiv. Wer in München eine E-Mail-Adresse für den Newsletter erfasst, darf sie nicht einfach an die Filiale in Mannheim weitergeben, wenn der Kunde nicht explizit zugestimmt hat. Das Ergebnis sind organisch gewachsene Datensilos, die juristisch zementiert sind.
Die Folgekosten zeigen sich in der Praxis. Ein mittelständischer Fashion-Händler aus Nordrhein-Westfalen, nennen wir ihn vertraulich, investierte 2023 über zwei Millionen Euro in ein KI-basiertes Retargeting-Tool. Das System sollte Lookalike-Audiences aus Bestandskunden bilden. Weil aber Online-Käufe, stationäre Umtausche und Mailorder-Retouren in drei getrennten Datenbanken lagen, identifizierte der Algorithmus „Dauerrücksender“ als VIP-Kunden und schüttete Werbebudget in genau die falsche Zielgruppe. Der ROI blieb negativ. Das Projekt wurde nach neun Monaten stillgelegt.
Ähnliche Fälle häufen sich. Das EHI Retail Institute schätzt, dass deutsche Händler jährlich zwischen 800 Millionen und 1,2 Milliarden Euro für KI-Projekte verbrennen, die auf unzureichender Datenbasis fußen. Das Geld fehlt dann für die eigentliche Hausaufgabe: die Konsolidierung der Backend-Systeme.
Wie Zalando und dm den Daten-Flickenteppich vermeiden
Zalando baute seine KI-Strategie nicht auf bestehenden Datengräbern, sondern auf einem zentralen Data Lake. Seit dem Launch der KI-gestützten Shopping-Assistentin im Herbst 2024 greift das Modell in Echtzeit auf eine einheitliche Kunden-Cloud zu. Die Ergebnisse sind spektakulär: Die Conversion Rate in der Assistenz-Funktion liegt laut internen Kreisen um 18 Prozent über dem Durchschnitt der herkömmlichen Suche. Der entscheidende Unterschied liegt nicht im Algorithmus selbst, sondern in der Datenhygiene, die zehn Jahre vorher begann.
Ähnlich agiert dm-drogerie markt. Das Unternehmen verzichtete lange auf ein monolithisches CRM und sammelte Payback-Daten, App-Nutzung und Kassenbon-Informationen in separaten Silos. Seit 2022 laufen diese Ströme in eine selbst entwickelte Customer-Data-Plattform. Erst diese Zusammenführung ermöglichte die Einführung personalisierter Coupons, die laut dm zu einer Steigerung des durchschnittlichen Warenkorbs um 12 Prozent führten. Der Schritt war teuer und dauerte drei Jahre. Ohne ihn wären jegliche KI-Erfolge Luftschlösser geblieben.
Lohnt sich KI ohne saubere Datenbasis überhaupt?
Nein. Zumindest nicht im Sinne einer positiven Kapitalrendite. Einzelne Use-Cases funktionieren auch mit bröckelnder Datengrundlage, etwa die automatische Kategorisierung von Produkttexten oder die Erzeugung von Marketing-Slogans per Generative AI. Sobald aber Personalisierung, Preisoptimierung oder Bestandssteuerung ins Spiel kommen, bricht das System zusammen. Die fehlende Datenbasis wird zur versteckten Steuer auf jeden AI-generierten Output.
Unternehmen sollten ihre Budgets radikal umschichten. Statt 80 Prozent für KI-Lizenzen und 20 Prozent für Datenintegration auszugeben, empfiehlt sich eine 50/50-Aufteilung, bei Großkonzernen mit Legacy-Landschaften sogar 70 Prozent Daten, 30 Prozent Modelle. Diese Relation klingt für Vorstände nach gebremstem Enthusiasmus, ist aber die einzige Chance, in drei Jahren nicht vor einem Trümmerhaufen aus fehlgeschlagenen Pilotprojekten zu stehen.
Der australische Report liefert dafür die passende Blaupause. Die Händler, die ihre Ausgaben senken und stattdessen zunächst Master-Data-Management sowie Customer-Data-Platforms implementieren, zeigen zwölf Monate später die höheren KI-Erträge. Der Rest produziert schicke Demos für die Hauptversammlung und Frust im operativen Geschäft. Der Unterschied zwischen beiden Gruppen ist kein Talentproblem. Er ist ein Disziplinproblem.