Die Ausgangslage: Margen unter Druck

Unser Kunde, ein spezialisierter E-Commerce-Anbieter für nachhaltige Möbel mit Sitz in Stockholm und einem Team von 15 Mitarbeitern, stand vor einer klassischen Herausforderung im Multi-Channel-Handel. Trotz hochwertiger Produkte und einer loyalen Kundschaft drückten ineffiziente Werbekosten auf die Rentabilität. Der Fokus lag stark auf Amazon, der wichtigsten Vertriebskanal neben dem eigenen Shop. Das Problem war nicht die Nachfrage, sondern die Steuerung: Manuelle Bid-Anpassungen führten dazu, dass bei knapper Lagerbestandslage überhöhte Gebote platziert wurden, während bei hoher Verfügbarkeit Chancen verpasst wurden. Die Folge waren hohe Werbekosten bei geringem Umsatzpotenzial und frustrierte Kunden, die auf ausverkaufte Artikel stießen. Die Reaktionszeit des Teams auf Bestandsänderungen lag im Schnitt bei bis zu 48 Stunden – ein Zeitraum, der im dynamischen Amazon-Ökosystem zu lang ist, um Verluste zu vermeiden. Es fehlte eine direkte, automatische Korrelation zwischen der operativen Lagerbestandslage und der marketingseitigen Performance.

Konkrete Herausforderungen

Bevor wir mit der technischen Umsetzung begannen, haben wir die spezifischen Pain Points des Unternehmens detailliert analysiert. Drei zentrale Probleme stellten sich als besonders kritisch heraus:

  • Entkopplung von Operation und Marketing: Die Lagerdaten und die Werbekampagnen lieferten zwei getrennte Geschichten. Das Marketing-Team wusste oft nicht in Echtzeit, welche SKUs kurz vor dem Ausverkauf standen, und passte die Bids nicht entsprechend an.
  • Manuelle Ineffizienz: Die manuelle Überwachung und Anpassung der Gebote bindet wertvolle Arbeitszeit des kleinen Teams. Bei 48 Stunden Reaktionszeit war es unmöglich, kurzfristige Nachfrage-Spitzen oder Lagerengpässe adäquat zu managen.
  • Fehlende Skalierbarkeit: Mit dem Wachstum des Sortiments wurde die manuelle Pflege der Bids immer komplexer. Neue Produkte wurden oft mit Standard-Werten gestartet, die nicht zur jeweiligen Marge oder Bestandslage passten.

Der Tech-Stack

Um eine robuste und skalierbare Lösung zu schaffen, haben wir einen Tech-Stack gewählt, der auf bestehenden Systemen aufbaut und minimal invasiv ist. Die Architektur basiert auf der engen Verzahnung von Datenquellen und Automatisierungs-Tools:

  • CRM-System: Dient als zentrale Datenquelle und Orchestrierungs-Kern für die Regelwerke.
  • Amazon SP-API: Ermöglicht die bidirektionale Kommunikation mit den Amazon-Advertising-Kampagnen und der Lagerbestands-API.
  • WMS (Warehouse Management System): Liefert die Echtzeit-Daten zur physischen Lagerbestandslage.
  • Python-Skripte: Verarbeiten die Datenströme, validieren die Integrität der Daten und triggern die Webhooks.
  • Webhooks: Stellen die ereignisgesteuerte Kommunikation zwischen WMS, CRM und Amazon sicher.

Umsetzung: Vom manuellen Bid zum automatisierten Regelwerk

Die Implementierung erfolgte in einem agilen Prozess über einen Zeitraum von sechs Wochen. Wir begannen mit einer tiefgehenden Analyse der bestehenden Datenflüsse und identifizierten die kritischen Schnittstellen zwischen dem Lagerverwaltungssystem (WMS) und dem CRM. Der erste Schritt war die technische Verbindung dieser beiden Welten. Über Webhooks wurden die Lagerbestandsdaten in Echtzeit an das CRM übergeben. Dies war die Grundlage, um aus statischen Reports dynamische Auslöser für Marketing-Aktionen zu machen.

Projektverlauf in 6 Phasen: Analyse der manuellen Bid-Prozesse, Verbindung WMS und CRM via Webhooks, Definition der Regelwerke nach Bestand …

Im zweiten Schritt definieren wir das Regelwerk, das das Herzstück der Automatisierung bildet. Wir teilten die Lagerbestände in drei Stufen ein: niedrig, mittel und hoch. Für jede Stufe wurden spezifische Bid-Strategien festgelegt. Bei “niedrigem” Bestand wurden die Bids aggressiv gesenkt oder Kampagnen pausiert, um den Verkauf der letzten Einheiten zu sichern und Out-of-Stock-Situationen zu vermeiden. Bei “hohem” Bestand wurden die Bids erhöht, um die Sichtbarkeit zu steigern und die Lagerbestände schneller zu drehen. Diese Logik wurde als automatisierte Journeys im CRM implementiert. Sobald ein Schwellenwert überschritten oder unterschritten wurde, griff das System sofort ein und passte die Gebote in den Amazon-Kampagnen an. Die Python-Skripte sorgten dabei für die robuste Datenverarbeitung und Fehlerbehandlung, um sicherzustellen, dass keine fehlerhaften Daten in die Bidding-Logik einfließen. Die letzten Wochen des Projekts widmeten wir der Testphase und der Feinjustierung. Wir simulierte verschiedene Bestandszenarien und beobachteten das Verhalten des Systems, um sicherzustellen, dass die Reaktionen schnell und korrekt waren.

Wie wir die Zahlen messen

Um die Wirksamkeit der Lösung zu belegen, haben wir einen klaren Messrahmen definiert, der auf Amazon-Reports und internen CRM-Logs basiert. Die zentrale Kennzahl ist der Advertising Cost of Sales (ACOS), der vor und nach der Implementierung über einen Zeitraum von drei Monaten verglichen wurde. Zusätzlich trackten wir die Bruttomarge pro SKU, um den direkten finanziellen Effekt der optimierten Bids zu quantifizieren. Die Out-of-Stock-Rate wurde durch den Vergleich der Anzahl der Tage mit 0 Bestand während aktiver Kampagnen gemessen. Die Reaktionszeit wurde über die Zeitstempel der Webhook-Events und der tatsächlichen Bid-Änderungen in der Amazon-API ermittelt. Diese Methodik stellt sicher, dass die erzielten Verbesserungen nicht auf kurzfristigen Schwankungen beruhen, sondern auf einer strukturellen Verbesserung der Prozesse zurückzuführen sind.

Ergebnis: Messbare Effizienzgewinne

Nach dem Go-live zeigte das System schnell die erwarteten Effekte. Die manuelle Arbeit am Bid-Management wurde nahezu vollständig eliminiert, was dem Team Zeit für strategische Aufgaben freischaufte. Die finanziellen Kennzahlen verbesserten sich signifikant. Der ACOS sank um 18 %, da die Werbekosten nun besser auf die tatsächliche Verfügbarkeit abgestimmt waren. Die Bruttomarge stieg um 22 %, da weniger Umsatz durch ineffiziente Bids bei knapper Lagerlage verloren ging und gleichzeitig bei hoher Verfügbarkeit mehr Umsatz generiert wurde. Besonders erfreulich war die Reduktion der Out-of-Stock-Situationen um 95 % während aktiver Kampagnen. Die Reaktionszeit auf Lagerbestandsänderungen verkürzte sich von 48 Stunden auf unter eine Stunde. Diese Geschwindigkeit ist entscheidend, um im kompetitiven Amazon-Umfeld wettbewerbsfähig zu bleiben und Kundenzufriedenheit zu sichern.

Entwicklung der Werbewirtschaftlichkeit: Vorher-Nachher-Vergleich der Kennzahlen in %

Learnings und Erkenntnisse

Das Projekt hat uns gezeigt, wie eng die Verknüpfung zwischen operativen Daten und Marketing-Aktivitäten sein muss. Eine reine Werbeoptimierung, die die Lagerbestandslage ignoriert, führt zwangsläufig zu ineffizienten Ausgaben und potenziellen Kundenverlusten. Echtzeit-Daten sind in dynamischen Märkten wie Amazon kein Nice-to-have, sondern eine Grundvoraussetzung für Profitabilität. Batch-Prozesse, die nur täglich oder wöchentlich laufen, sind zu langsam, um auf die schnelle Marktdynamik zu reagieren. Zudem hat sich gezeigt, dass das Regelwerk skalierbar sein muss. Das System konnte neue Produkte und Kategorien ohne erhebliche Anpassungen aufnehmen, was die Zukunftssicherheit der Lösung garantiert. Monitoring bleibt jedoch eine Pflicht. Regelmäßige Überprüfung der Regelwerke verhindert, dass veraltete Strategien zu Verlusten führen, insbesondere wenn sich Marktbedingungen oder Produktmargen ändern.

Was wir heute anders machen würden

Rückblickend gibt es zwei Punkte, die wir in einem ähnlichen Projekt heute anders angehen würden. Erstens hätten wir die Testphase noch intensiver gestaltet, insbesondere im Hinblick auf extreme Bestandslagen. Obwohl das System robust ist, haben wir in der Anfangsphase festgestellt, dass die Schwellenwerte für “niedrig” und “hoch” bei sehr schnellen Umdrehungen der Lagerbestände etwas enger hätten gesetzt werden können, um die Reaktionszeit weiter zu minimieren. Zweitens hätten wir von Anfang an ein detaillierteres Dashboard für das operative Team erstellt. Zwar waren die automatisierten Aktionen im Hintergrund effektiv, aber die Transparenz darüber, warum ein Bid angepasst wurde, hätte durch eine klarere Visualisierung der Auslöser im CRM noch erhöht werden können. Dies hätte die Akzeptanz im Team und das Vertrauen in die Automatisierung von Anfang an gestärkt. Insgesamt war das Projekt jedoch ein großer Erfolg, der die enge Zusammenarbeit zwischen IT, Operations und Marketing unterstreicht.

Passend dazu