Forschungsseminar · Schwerpunkt Logistik · h_da

Optimale Retourenquote
im E-Commerce

Ein mathematisches Optimierungsmodell mit endogenem Preis, Produktdepreziation und nicht-linearer Kundenbindung

Working Paper 2026 43 Seiten · 25 Sätze · 28 Beweise ◀ ▶ Pfeiltasten zur Navigation

01 — Ausgangslage

Das Retourendilemma

Retouren kosten Geld — aber sie binden Kunden. Wo liegt das Optimum, das Unternehmen anstreben sollten?

26–50%

Retourenquote Fashion DE

7,93 €

∅ Kosten pro Retoure

+357%

Umsatz bei freien Retouren

Kernspannung

Bower & Maxham (2012): Kostenlose Retouren steigern Käufe um +58 bis +357%, aber Retourengebühren senken Käufe um −74 bis −100%. Die Asymmetrie ist der Schlüssel.

02 — Forschungsfrage

Drei Lücken in der Literatur

Bestehende Modelle behandeln Retourenkosten, Kundenbindung und Preissetzung getrennt. Kein Modell integriert alle drei in einer geschlossenen Lösung.

\beta^* = \argmax_{\beta \in [0,1]} \Pi(\beta, p^*(\beta))

Welche Retourenquote β* maximiert den langfristigen Gewinn unter Berücksichtigung von CLV, Wertverlust und endogener Preissetzung?

Ansatz	Kosten	CLV	Preis
Newsvendor	✓	—	teilw.
CLV-Literatur	—	✓	—
Spieltheorie	✓	—	✓
ML / Data-driven	✓	—	—
Diese Arbeit	✓	✓	✓

03 — Grundmodell

Stückdeckungsbeitrag

Jedes verkaufte Produkt erzielt einen Deckungsbeitrag. Jede Retoure verursacht Kosten. Der Netto-Deckungsbeitrag:

db = \underbrace{(1-\beta)(p-c-d)}_{\text{Verkaufserlös}} - \underbrace{\beta(r+d)}_{\text{Retourenkosten}}

In kompakter Notation mit $A = p-c+r$ und $B = p-c-d$ :

db = B - \beta A

Linear fallend in β mit Steigung −A.

Notation

Symbol	Bedeutung
p	Verkaufspreis
c	Variable Kosten
d	Distributionskosten
r	Retourenkosten
β	Retourenquote [0,1]
i	Diskontierungssatz

04 — Mehrperiodenmodell

Wiederkauf, Kundenbindung, CLV — erstes Instrument

Wiederverkaufskette

Retournierte Produkte werden wiederverkauft. Geometrische Reihe mit q = β/(1+i):

db_0 = \frac{(B - \beta A)(1+i)}{1+i-\beta}

Kundenbindung

Retourenkulanz steigert Bindung linear:

K_m = K_0 \cdot \alpha^m, \quad \alpha = \tfrac{1}{n} + V\beta

Gewinnfunktion

Integration über unendliche Kohorten und Perioden:

\boxed{\Pi_K = \frac{K_0(1+i)^3(B-\beta A)}{i \cdot (1+i-\beta)(1+i-\frac{1}{n}-V\beta)}}

K_m Kundenverlauf β= 13% α=0.63

05 — Geschlossene Lösung

Optimale Retourenquote β*

β erscheint hier als Entscheidungsvariable — im vollen Modell (Slide 12–13) wird β zum Ergebnis der Instrumente V, p und f.

Satz 2.6 — Geschlossene Lösung

Die FOC ∂Π/∂β = 0 führt auf die quadratische Gleichung Q(β) = VAβ² − 2VBβ + E = 0 mit Lösung:

\boxed{\beta^* = \frac{B - \sqrt{C \cdot F}}{A}}

mit C = Ai + r + d und F = [A(1+i−1/n) − VB] / V

Satz 2.8 — Existenzbedingung

Ein inneres Maximum β* ∈ (0,1) existiert genau dann, wenn:

V_{\min} = \frac{C(1+i-\frac{1}{n})}{B(1+i)} \;\leq\; V \;\leq\; \frac{A(1+i-\frac{1}{n})}{B} = V_{\max}

Interpretation: V_min ist die minimale Retention-Sensitivität, ab der sich Retourenkulanz lohnt. Darunter: β* = 0.

06 — Erweiterung 1

Produktdepreziation δ

Retournierte Ware verliert pro Zyklus einen Wertanteil δ. Fashion: 20–30% pro Monat nach Saisonpeak.

\beta^{*,\delta} = \frac{B - \sqrt{C^\delta \cdot F \,/\, (1-\delta)}}{A}

Satz 3.3

β* fällt streng monoton in δ. Beweis: C^δ/σ = A(1+i)/(1−δ) − B ist steigend in δ. ∎

Kritische Depreziation

Ab δ_max ≈ 17% lohnt keine Retourenkulanz mehr.

δ	β*	ΔΠ
0 (Basis)	12,8%	+1,1%
5%	9,1%	+0,6%
10%	5,4%	+0,2%
17% (δ_max)	≈ 0%	0%

(Numerisches Beispiel mit Standardparametern: p=50, c=20, d=5, r=8, i=0,05, n=2, V=0,4, K₀=1.000)

07 — Erweiterung 2

Konkave Kundenbindung γ

Ersetze lineare Retention durch Potenzfunktion mit abnehmenden Grenzerträgen:

\alpha(\beta) = \frac{1}{n} + V\beta^\gamma, \quad \gamma \in (0,1]

Hauptsatz 4.1 — Existenz ohne Schwelle

Für γ < 1 und V > 0 existiert immer ein inneres Maximum β* > 0. Die Schwellbedingung V_min entfällt.

Beweis-Skizze

1. Für β → 0⁺: Q^γ(β) → +∞, da β^γ−1 → ∞ für γ < 1

2. Für β = B/A: Q^γ < 0 (Zähler N wird null)

3. Stetigkeit ⟹ genau ein Vorzeichenwechsel ⟹ genau ein Maximum ∎

Ökonomische Intuition

Der ∞-Grenznutzen der ersten marginalen Kulanz überwiegt stets die endlichen Grenzkosten. Ein Minimum an Retourenkulanz lohnt sich immer.

08 — Erweiterung 3

Endogener Preis — zweites Instrument

Das Kaufrisiko: 3 Szenarien

Szenario ③ ist das Marktversagen: Kunde zahlt p, erhält Nutzen U^low ≪ p. Retourenkulanz adressiert dies.

E[U] = (1{-}\mu)U_i + \mu q[(1{-}f)p{-}a] + \mu(1{-}q)U^{\text{low}} - p

Nachfrage bei kostenloser Retoure

Bei f=0, a=0 gilt β=μ. Kaufbedingung: U_i ≥ p/(1−μ). Nachfrage:

K_0(p,\mu) = M \cdot \left(1 - \frac{p}{(1-\mu)\bar{U}}\right)

Geschlossene Preisformel

\boxed{p^*(\mu) = \frac{c + (1{-}\mu)\bar{U}}{2} + \frac{d + \mu r}{2(1-\mu)}}

Symbol	Bedeutung
M	Marktgröße
Ū	Max. Gebrauchsnutzen (U ~ U[0, Ū])
μ	Mismatch-Wahrscheinlichkeit (= β bei f=0)
f	Retourengebühr in EUR (→ Erw. 5)
a	Hassle in EUR (→ niemand, DWL)

μ* — Keine geschlossene Lösung

Die FOC ∂Π/∂μ = 0 führt auf eine kubische Gleichung in μ (3 Nennerterme statt 2 wie im Grundmodell). Numerisch: μ* ≈ 24,4% bei Standardparametern. → Interaktive Berechnung auf Slide 15.

09 — Erweiterung 4

Multiplikative Zahlungsbereitschaft

Warum μ statt ρ?

Additives ρ-Modell hat ∂K₀/∂β = konstant. Unrealistisch. μ-Modell hat ∂K₀/∂μ steigend — konvex, wie empirisch beobachtet.

Mikrofundierung

Konsument i hat Gebrauchsnutzen U_i. Der Endowment-Effekt (Kahneman et al., 1990) verstärkt die WTP multiplikativ:

\text{WTP}_i(\beta) = U_i \cdot (1 + \theta\beta)

Kaufbedingung: U_i ≥ p/(1+θβ). Nachfrage:

K_0^\theta = M \cdot \left(1 - \frac{p}{(1+\theta\beta)\bar{U}}\right)

Lemma — Abnehmende Grenzerträge

\frac{\partial^2 K_0^\theta}{\partial\beta^2} = \frac{-2Mp\theta^2}{(1+\theta\beta)^3\bar{U}} < 0 \;\;\forall\;\beta

Natürliche Konkavität im Nachfragekanal — analog zur γ-Konkavität im Retentionskanal.

Satz — Geschlossene Preisformel

p^{*,\theta}(\beta) = \frac{c + (1+\theta\beta)\bar{U}}{2} + \frac{d+\beta r}{2(1-\beta)}

WTP-Aufschlag: $\Delta p^\theta = \theta\beta\bar{U}/2$ + Retourenkosten

θ = 0.15

β* = — p* = — Π* = — Aufschlag = —

10 — Erweiterung 5

Retourengebühr f als drittes Instrument

Kundenkosten-Komposit ξ

\xi = (1{-}\mu) \cdot p + \mu \cdot (f + a)

ξ = erwarteter Nettobetrag des Kunden. f = feste Retourengebühr in EUR (z.B. ASOS: 3,95 GBP)

Satz — ξ* geschlossen

\boxed{\xi^* = \frac{(1{-}\mu)(\bar{U}{+}c) + d + \mu(r{+}a)}{2}}

Satz — (p, f) Redundanz

FOCs ∂Π/∂p und ∂Π/∂f sind linear abhängig. Jedes (p, f) auf der Geraden

(1{-}\mu) \cdot p + \mu \cdot f = \xi^* - \mu a

ist gleich profitabel. Das 3D-Problem (p, μ, f) reduziert sich auf 1D in μ.

Praxisimplikation

Amazon (hohes p, f=0), ASOS (niedriges p, f>0), Zalando (mittleres p, f≈0) können alle gleich profitabel sein — wenn sie denselben ξ* implementieren.

ξ-Explorer: Verschiebe f und beobachte p*

μ0.24

f0€

a3€

μ = Mismatch-Wahrscheinlichkeit · f = Retourengebühr (EUR, → Händler) · a = Hassle (Verpacken, Post — → niemand)

—

ξ*

—

p*(f)

—

Π*

—

Gebühr €

Instrumentenhierarchie: a, f, p

① Gebühr f

Fließt an Händler. Gleicher τ-Effekt wie Friction, aber mit Erlös. Pareto-überlegen.

② Convenience

a_pol < 0. Kostet κ = |a_pol|·κ_r pro Retoure. Lohnt wenn Nachfragegewinn > κ.

✗ Friction

a_pol > 0. Geht an niemanden (DWL). Strikt dominiert durch f.

Caveat: Gebühren können Loyalität überproportional schaden (Fairness-Normen). Nicht formalisiert.

11 — Segmentierung über μ

Heterogene Mismatch-Wahrscheinlichkeiten

5 Produktsegmente — optimale Politik*

Segment	μ	p*	α	CLV×	Π*
Bücher	5%	—	—	—	—
Elektronik	15%	—	—	—	—
Schuhe	30%	—	—	—	—
Fashion	45%	—	—	—	—
Luxury	60%	—	—	—	—

*f=0, w je 30/25/20/15/10%. Standardparameter.

Retourenparadox

Vielretournierer (μ=60%) haben den höchsten CLV-Multiplikator (3,4×). ASOS sperrt sie deshalb nicht, sondern belegt sie mit Gebühren: Hohe Retention macht sie langfristig am wertvollsten.

—

Π segmentiert

—

Π einheitlich

—

Segm.-Gewinn

Var(μ)-Sensitivität Spread: ±20pp

ASOS 3-Tier vs. Einheitlich

12 — Höhepunkt

β als Ergebnis der Politik

Stetiges Retourenmodell

\tau = p - f - a, \quad q = \frac{\tau}{L}, \quad \beta_{\text{eff}} = \mu \cdot \frac{\tau}{L}

τ = Nettoerstattung. L = max. Restwert bei Mismatch (U^low ~ U[0,L]). β ist kein Instrument, sondern Ergebnis von (p, f, a_pol). Stets β ≤ μ.

Mikrofundierung: Nachfragemodelle vereint

E[\max(U^{\text{low}},\, \tau)] = \frac{\tau^2}{2L} + \frac{L}{2}

Optionswert der Retoure — steigt konvex in τ. Dies ist die strukturelle Erklärung für das μ-Modell (Linearisierung) und θ (multiplikative WTP). Alle drei sind Varianten desselben Mechanismus.

Sätze

① f dominiert Friction: Gleicher τ, aber f → Erlös, a_pol → DWL. ∴ a_pol* ≤ 0.

② Convenience: a_pol < 0 kostet κ = |a_pol|·κ_r. Optimal wenn Nachfragegewinn > κ.

② Volles Regime (L ≤ τ*): q*=1, β*=μ, (p,f)-Redundanz. Grundmodell exakt.

③ Selektives Regime (L > τ*): q*<1, β* < μ, f*=0, p* eindeutig. Marginale Mismatches behalten.

④ Verbindung: β_eff* = Grundmodell-β*. Das Grundmodell ist die geschlossene Lösung des vollen Problems.

Regime-Explorer

L60

μ0.35

—

q*

—

β_eff*

—

f*

—

Regime

L ≤ 60: Bücher, Elektronik (wertlos bei Mismatch) → q=1, f>0 als Erlösinstrument
L ≥ 70: Fashion, Möbel (tragbar bei Mismatch) → q<1, f=0, Preis allein steuert β

13 — Gewinnzerlegung

4-Kanal-Zerlegung

Parameter

V0.40

μ0.25

r8

d5

β* verschiebt sich:

Gesamt ΔΠ:

—

Gewinnzerlegung nach Kanälen*

*Sequentielle Zerlegung (reihenfolge-abhängig): Nachfrage- und Preiskanal interagieren — ihre Anteile verschieben sich je nach Aktivierungsreihenfolge. Die Aussage „65% Preis / 35% Retention" im Paper basiert auf dem 2-Stufen-Vergleich exogen (p fix) vs. endogen (p*).

Kanäle — klicken

💰Kostenkanal−

β↑ → mehr Retourenkosten

Jede retournierte Einheit erzeugt Kosten r+d. Ohne Gegeneffekt ist β*=0 trivial optimal. Isoliert betrachtet rechtfertigt kein Kosteneffekt eine positive Retourenquote.

🔄Retentionskanal+

β↑ → α steigt → mehr CLV

Kulanz erhöht α = 1/n + Vβ^γ. Über den CLV-Multiplikator wirken höhere Bindungsraten auf alle Folgeperioden. Bei V=0 ist dieser Kanal inaktiv.

👥Nachfragekanal+

β↑ → Risiko↓ → K₀ steigt

Bei μ > 0 reduziert Kulanz das Kaufrisiko. Mehr Konsumenten überschreiten die Kaufschwelle U_i ≥ p/(1−μ). Bei μ=0 ist dieser Kanal inaktiv.

🏷️Preiskanal+++

β↑ → p* steigt → höhere Marge

Endogene Preissetzung internalisiert die Risikoreduktion. p*(μ) = (c+(1−μ)Ū)/2 + (d+μr)/(2(1−μ)). Bei μ=0 ist der Preiskanal inaktiv (kein Retourenkosten-Aufschlag).

14 — Kombiniertes Modell

+58,8% Gewinnsteigerung*

Klicke auf eine Zeile für die ökonomische Interpretation. — *Numerisches Beispiel mit Standardparametern

Strategie	β*	p*	Π	ΔΠ
Naiv (p=50, β=0)	0%	50,00	1.002.223	Basis
Keine Retourenkulanz, fixer Preis. Der Händler verliert alle Kunden, die wegen Kaufunsicherheit nicht bestellen, und nutzt weder den Kundenbindungs- noch den Preiskanal. Benchmark für alle Vergleiche.
Exogen optimal (p=50)	26,8%	50,00	1.104.364	+10,2%
Nur β wird optimiert, p bleibt fix bei 50 €. Der Kundenbindungseffekt allein (Retentionskanal) rechtfertigt β* = 26,8%. Das ist die Empfehlung des reinen Grundmodells — und sie unterschätzt das Optimum massiv, weil der Preiskanal fehlt.
Endogen linear (γ=1)	43,7%	63,32	1.290.574	+28,8%
Preis und β werden simultan optimiert mit linearer Retention. β* springt von 26,8% auf 43,7%, weil der Händler Δp = 8,32 € Aufschlag verlangen kann. Der Preis steigt von 50 auf 63,32 €. Allein die Preisendogenisierung verdreifacht den Gewinnvorteil.
Endogen konkav (γ=0,5)	43,6%	63,29	1.695.608	+69,2%
Die konkave Retention (γ = 0,5) hebt den CLV-Effekt massiv: Schon bei moderatem β steigt die Kundenbindung stark an. β* ändert sich kaum (43,6%), aber der Gewinn steigt um weitere 400.000 €, weil der CLV-Multiplikator durch die konkave Bindungskurve verstärkt wird. Ohne Depreziation — daher optimistisches Szenario.
Volles Modell (γ=0,5, δ=0,1)	39,4%	62,18	1.591.573	+58,8%
Das realistischste Szenario: Konkave Retention + 10% Depreziation pro Wiederverkaufszyklus. Die Depreziation drückt β* von 43,6% auf 39,4% und den Preis von 63,29 auf 62,18 €. Dennoch bleibt ein Gewinnvorteil von +58,8% — fast 600.000 € gegenüber der naiven Strategie. Selbst mit konservativen Annahmen ist die optimale Retourenkulanz hoch.

Robustheit

Die Rangfolge Endogen-konkav > Endogen-linear > Exogen > Naiv ist invariant über alle getesteten Parameterkombinationen (6 Konfigurationen, 80 Parametervariationen).

15 — Interaktive Simulation

Gewinnfunktion live + Perioden-Simulation

Kosten

p50

c20

d5

r8

CLV

i0.05

n2

V0.40

δ0.00

γ1.00

ERWEITERUNGEN

θ0.00

L60

RETOURENPOLITIK

μ0

f*—

a1

κ_r1.0

—

β*

—

p*

—

Π*

—

ΔΠ

Gewinnfunktion Π(β) Modus: exogen (K₀ fix)

Perioden-Simulation

—

Periode

—

Σ Π disk.

—

Konverg.

—

Kunden

—

Retouren

—

Resales

—

Analytisch

▸ Warum ist f* ≈ r?

Im Surplus Φ steht der Term β·(r−f). Bei f=r verschwindet dieser — Retouren sind kostenneutral. Höheres f zerstört Nachfrage (τ↓), niedrigeres f kostet pro Retoure. f*≈r neutralisiert den Kostenkanal, sodass der Händler rein über Retention und Nachfrage profitiert.

▸ Warum β*=μ (Randlösung)?

Wenn der Retentionseffekt (V) und/oder der Resale-Zyklus stark genug sind, steigt Π monoton in β bis zur physischen Schranke β=μ. Alle Mismatches sollten retournieren. Reduziere V oder erhöhe δ für ein inneres Maximum.

▸ Warum ist Ū fixiert?

Ū=100 normiert die WTP auf [0, Ū]. Alle Preise sind als Anteil interpretierbar. Eine Variation von Ū skaliert nur die absoluten Gewinne, nicht die Struktur der optimalen Politik (β*, f*, p*/Ū).

▸ Warum steigen die Balken erst an und fallen dann?

Hump-Shape der diskontierten Periodengewinne: Zwei gegenläufige Kräfte wirken.

Aufstieg (t klein): In jeder Periode kommen K₀ Neukunden hinzu. Bestandskunden aus allen bisherigen Kohorten kaufen erneut. Die Kundenbasis wächst: K_total(t) = K₀·(1−α^t+1)/(1−α). Der undiskontierte Periodengewinn steigt, weil sich Kohorten akkumulieren.

Abstieg (t groß): Der Diskontierungsfaktor (1+i)^−t schrumpft exponentiell. Sobald die Wachstumsrate der Kundenbasis (die gegen null konvergiert, da α<1) unter den Diskontierungssatz i fällt, dominiert die Abdiskontierung → diskontierter Periodengewinn sinkt.

Peak: Dort, wo die Grenz-Kundenzuwachsrate = i. Niedriges i (z.B. 0,01) → später, höherer Peak. Hohes i (z.B. 0,2) → früher, niedrigerer Peak. Experimentiere mit dem i-Slider!

16 — Diskussion

Limitationen & Ausblick

Limitationen — klicken

① Kundenhomogenität — Serial Returners nicht differenziert

Das Modell behandelt alle Kunden mit identischem β und V. Empirisch sind Serial Returners (11% der Kunden) für 24% aller Retouren verantwortlich (ZigZag, 2024). Hjort/Lantz (2016) zeigen, dass Kunden mit hoher Retourenquote teils niedrigere Gesamt-Deckungsbeiträge generieren. ASOS' 3-Stufen-Modell (2026) zeigt, wie die Praxis dieses Problem löst: differenzierte Gebühren nach individuellem Retourenverhalten.

② Keine strategischen Retouren — Wardrobing nicht modelliert

Wardrobing (Kauf mit Rückgabeabsicht nach einmaliger Nutzung) umfasst lt. NRF 103,8 Mrd. USD in 2024. Khouja/Hammami (2023) zeigen spieltheoretisch, dass Gutschriften statt Geldrückerstattungen Wardrobing überproportional abschrecken. Im vorliegenden Modell gibt es keine strategische Interaktion — alle Konsumenten sind ehrlich.

③ Keine Umweltkosten — 24 Mio. t CO₂/Jahr ignoriert

Roichman et al. (2024) zeigen: 22–44% retournierter Bekleidung erreicht nie einen weiteren Konsumenten. Die THG-Emissionen der Produktion dieser unverkauften Retouren übersteigen die Logistikemissionen um das 2- bis 16-fache. Mit steigenden CO₂-Preisen (EU-ETS) und Extended Producer Responsibility wird dies betriebswirtschaftlich relevant.

④ Monopol — Wettbewerbsinteraktion fehlt

Im Oligopol entsteht ein Gefangenendilemma: Wer Retourenpolitik verschärft, riskiert Kundenabwanderung zum kulanzfreudigeren Wettbewerber. Dies erklärt, warum die Branche jahrelang auf immer großzügigere Retouren konvergierte — erst seit 2023/24 kehrt sich der Trend um, koordiniert durch gleichzeitige Verschärfungen bei Zalando, ASOS und Inditex.

⑤ Statisches β — empirisch +48% vom 1. zum 10. Kauf

Eine 2025 publizierte Studie zeigt, dass die individuelle Retourenquote von 25% beim Erstkauf auf 37% beim zehnten Kauf steigt (+48%). Getrieben wird dies durch einen Retourengewohnheitseffekt, der den Markenerfahrungseffekt dominiert. Statische Modelle überschätzen den kumulierten CLV um ca. 40%.

Forschungsagenda — klicken

1. Kundensegmentierung

Heterogene (V_s, γ_s, μ_s) → mehrdimensionale Optimierung

Ansatz: Aufteilung in k Segmente mit jeweils eigenen Parametern. Das Optimierungsproblem wird zu max Σ Π_s(β_s, p_s) über s=1..k. Analytisch nur für k=2 geschlossen lösbar, für k>2 numerisch. Praxisbezug: ASOS' 3-Stufen-Modell ist de facto eine Approximation dieses Problems.

2. Spieltheoretische Retouren

Wardrobing als Gleichgewicht zwischen Händler und Konsument

Ansatz: Stackelberg-Spiel — Händler wählt (p, β), Konsumenten wählen (kaufen, behalten, wardroben). Das Nash-Gleichgewicht kann sich qualitativ vom Monopol-Optimum unterscheiden. Coughlan/Timoumi (Wharton) zeigen, dass Wardrobing-Toleranz manchmal dominiert, da Open-Box-Ware eine Sekundärmarkt-Preisdiskriminierung ermöglicht.

3. Dynamisches β(t)

Retourenquote wächst über Kundenlebensdauer

Ansatz: β_m = β₀ + φ·m (lineare Zunahme pro Periode) oder β_m = β_∞ − (β_∞−β₀)e^(−λm) (Sättigungsfunktion). Integration in das Kohortenmodell erfordert eine modifizierte geometrische Reihe mit periodenabhängigen Koeffizienten — analytisch geschlossen nur für den linearen Fall, sonst numerisch.

4. Oligopol

Simultane Preis- und Retourenpolitik-Wahl im Wettbewerb

Ansatz: n Händler wählen simultan (p_i, β_i). Konsumenten verteilen sich nach Nutzen U_i/(1−μ_i) − p_i. Das Nash-Gleichgewicht tendiert zu höherem β* als im Monopol (Race to the Top bei Kulanz). Regulatorische Implikation: Koordinierte Verschärfung (wie 2024/25 bei Zalando/ASOS/Zara gleichzeitig) kann Pareto-verbessernd wirken.

Working Paper 2026

Retourenpolitik ist ein
Preisinstrument

β* steigt mit endogenem Preis. Der Preiseffekt dominiert ≈2:1 (65% Preis / 35% Retention+Nachfrage).
Konkave Retention eliminiert V_min. Volles Modell: +58,8%.

25