Optimierung der Prozesse im Retoureneingang: E-Commerce Case Study für den B2C-Bereich

Abstract

Die Anzahl der Bestellungen im B2C-E-Commerce nimmt stetig zu und so auch die Anzahl der Retouren (vgl. Asdecker et al. 2021, S. 606). Bei einigen Online-Shops wurde dieses Wachstum durch die Corona-Pandemie begünstigt, was dazu führte, dass die logistischen Prozesse dem starken Anstieg der Bestellungen und Retouren nicht mehr gewachsen sind. Vor allem kleine Unternehmen mit nicht-digitalisierten Prozessen haben Schwierigkeiten, sich diesen Herausforderungen zu stellen und effizient und wirtschaftlich zu arbeiten. In einer Case Study wird das Retourenlager eines kooperierenden B2C-Onlineshops für Möbel und Wohnaccessoires analysiert und im Hinblick auf den Prozess des Retoureneingangs und der -bearbeitung optimiert. In einem ersten Schritt werden mittels Frequent Itemset Mining häufig auftretende Retouren-Charakteristika identifiziert. Aufgrund der gewonnenen Erkenntnisse werden Klassen gebildet, in die eintreffende Retouren eingeordnet werden. Die Lagermitarbeitenden werden bei dieser Vorsortierung durch einen implementierten Prototyp unterstützt, der eingehende Retouren anhand der Daten aus dem ERP-System gezielt sortiert. Durch die entsprechende Abarbeitung der Retouren ergibt sich eine deutliche Verbesserung der Prozesse gegenüber der aktuell umgesetzten FIFO-Abarbeitung. The number of orders in B2C e‑commerce is constantly increasing and so is the number of returns (cf. Asdecker et al. 2021, S. 606). For some online shops, this growth was favoured by the Corona pandemic, which led to logistical processes no longer being able to cope with the sharp increase in orders and returns. Especially small companies with non-digitised processes have difficulties to face these challenges and to work efficiently and economically. In a case study, the returns warehouse of a cooperating B2C online shop for furniture and home accessories is analysed and optimised regarding the process of receiving and processing returns. In a first step, frequently occurring return characteristics are identified by using Frequent Itemset Mining. Based on the findings, classes are defined to which incoming returns are allocated. The warehouse employees allocating the incoming returns are supported by an implemented prototype that sorts incoming returns specifically based on the data from the ERP system. The pre-sorted processing of the returns results in a significant improvement of the processes compared to the currently implemented FIFO processing.