Weihnachtsdisposition in 20 Minuten statt vier Wochen: So plant der Co-Analyst dein Weihnachtsgeschäft

Ende Oktober, Montagmorgen. Die Weihnachtsdisposition ist noch offen und die Bestände müssen bis Black Friday reichen. Normalerweise heißt das: Daten exportieren, Tabellen bauen, Formeln prüfen, tagelang. Bei Comwave (handtuch-welt.de) sieht der Montagmorgen anders aus. Dort stellt Geschäftsführer Christian Hähnel seiner KI-Agentin „Elke“ eine einzige Frage in natürlicher Sprache: „Wie viel sollen wir pro SKU für Weihnachten bestellen, und wo drohen Engpässe oder Überbestände?“ Wenige Minuten später liegt eine priorisierte Liste mit Bestellmengen und Begründungen vor.

Möglich macht das der Co-Analyst von minubo, der ersten Datenplattform für KI-Analysen und Automatisierung im E-Commerce. Der Co-Analyst ist Ihr persönlicher KI-Sparringspartner: Er kennt Ihr Business, versteht Ihre Sprache und beantwortet Fragen zu Ihren E-Commerce-Daten in Sekunden, auch die komplexen. E-Commerce-Analyse findet damit im Dialog statt, im minubo Chat oder im LLM Ihrer Wahl. Was bei Comwave im Hintergrund passiert und wie andere Händler:innen den Co-Analyst bereits einsetzen, zeigen wir Ihnen im Folgenden.

Wie Comwave die Weihnachtsdisposition in 20 Minuten plant

Vier Wochen Handarbeit für die Disposition von 10.000 SKUs: So sah die Weihnachtsplanung bei Comwave bisher aus. Zu viele Produkte, zu viele Faktoren, zu wenig Zeit, um jede einzelne SKU wirklich zu durchdenken. Mit dem Co-Analyst hat sich das geändert. Über den MCP-Zugriff (Model Context Protocol) lässt Christian Hähnel seine KI-Agentin direkt auf der minubo-Datenbasis arbeiten, verbindet historische Bestelldaten mit ERP-Beständen und Trendprognosen und erhält daraus fertige Bestellvorlagen für sein ERP-System. Aus vier Wochen werden 20 Minuten, und aus einer groben Schätzung eine Disposition, die jede einzelne SKU berücksichtigt.

Was bei der Warenplanung funktioniert, lässt sich genauso auf andere wiederkehrende Analysen übertragen, zum Beispiel auf Nachbestellungen und Mustererkennung im Sortiment.

Wie SugarShape Nachbestellungen und Anomalien im Blick behält

Bei SugarShape stellt sich eine ähnliche Herausforderung, nur mit einer zusätzlichen Komplexitätsebene: Produkte mit bis zu 70 Größen und ein Sortiment von 25.000 bis 30.000 SKUs. Nachbestellungen von Hand zu prüfen, würde Tage kosten und Auffälligkeiten auf Lieferanten-, Kategorie- oder Farbebene blieben dabei leicht unentdeckt. Sebastian Boguth (CFO SugarShape) nutzt dafür den Co-Analyst, um Nachbestellungen auf Größenebene vorzubereiten und Hypothesen zu Mustern und Anomalien direkt im Dialog zu prüfen. Das Ergebnis beschreibt er so:

Sie möchten die Stories wie die von Christian und Sebastian persönlich hören? In unseren monatlichen Lunch & Learn Kunden-Sessions sprechen sie offen über ihre Prompts, Workflows und Learnings: Hier finden Sie alle Lunch & Learn Sessions.

Wenn aus der Analyse direkt eine Aktion wird

Disposition und Nachbestellung sind zwei Beispiele dafür, wie der minubo Co-Analyst Zeit spart. Ein dritter Anwendungsfall zeigt, wie aus einer Analyse eine automatisierte Entscheidung wird.

Stellen Sie sich vor, Produkte ohne Deckungsbeitrag werden jede Woche automatisch erkannt, nach Ursachen analysiert und im Webshop ausgelistet. Ohne Export, ohne Excel-Liste, ohne manuelle Suche. Klingt nach Magie? Ist aber Realität und so funktioniert es:

Eine wöchentliche Segmentierung identifiziert alle Produkte mit negativem Deckungsbeitrag. Der Co-Analyst prüft daraufhin, woran es liegt, etwa an zu hohen Rabatten, und fasst die Ergebnisse in einer Entscheidungsvorlage zusammen, die über einen Automatisierungs-Workflow (z.B. N8N) per E-Mail an die zuständige Person geht. Erst nach deren Freigabe werden die betroffenen Produkte automatisch im Webshop deaktiviert.

Der Mensch entscheidet, die KI schlägt vor. Das Prinzip funktioniert bei jeder Plattform mit API, also auch mit Marktplatz, Marketing-Tool oder ERP.

(Hinweis: Einen ausführlichen Beitrag zu dem Beispiel finden Sie hier.)

Was diese Beispiele gemeinsam haben

Ob Disposition, Nachbestellung oder automatisierte Auslistung: In allen drei Fällen übernimmt der minubo Co-Analyst Aufgaben, die bisher Tage oder Wochen gekostet haben und liefert Ergebnisse, auf die sich die Teams verlassen können. Zusammengefasst bedeutet das für Ihren Arbeitsalltag:

• Extreme Zeitersparnis: Schluss mit dem Zusammensuchen von Daten oder dem Warten auf das Analytics-Team. Stellen Sie Ihre Frage im Dialog und treffen Sie wichtige Entscheidungen in Sekunden statt Tagen.
• Daten-Power für alle: Jede Abteilung arbeitet selbstständig mit Daten, ohne SQL- oder Excel-Kenntnisse. Komplexe Analysen werden für das ganze Team sofort verständlich und nutzbar.
• KI-Analyse, die nachvollziehbar bleibt: Dank des bewährten minubo-Datenmodells, semantischer Informationen und fester Guardrails arbeitet Ihr Co-Analyst auf einem verlässlichen Fundament.
• Lebendige Insights: Ihr Report ist kein starres PDF, sondern der Beginn eines Gesprächs. Gehen Sie Auffälligkeiten direkt auf den Grund, fordern Sie Deep-Dives an oder bauen Sie Sichten ganz nach Ihren Wünschen.
• Maximale Effizienz: Verbinden Sie Ihre Erkenntnisse direkt mit automatischen Aktionen, etwa dem Auslisten unprofitabler Produkte oder täglichen Reports per Mail.
• E-Commerce-DNA: Der Co-Analyst basiert auf minubos jahrelanger Branchenexpertise und greift auf ein fertiges Datenmodell mit über 800 E-Commerce-spezifischen Kennzahlen zu.

Warum das nicht einfach mit Excel und ChatGPT funktioniert

An dieser Stelle stellt sich zu Recht die Frage: Warum braucht es dafür den minubo Co-Analyst? Eine Frage in ChatGPT liefert schließlich auch schnell eine plausibel klingende Antwort. Der Unterschied liegt darin, ob die KI Ihre Daten tatsächlich versteht. Ohne sauberes Datenmodell, klare Definitionen und feste Leitplanken ist jede Zahl ein Ratespiel und genau das macht den Unterschied zwischen den Beispielen von Comwave und SugarShape und einer Excel-Tabelle mit angeschlossenem Chatbot.

Drei Bausteine sorgen dafür, dass der Co-Analyst zuverlässig arbeitet:

• Konsolidierte Daten: PlentyONE-Daten, alle relevanten Kostenpunkte, Marketing- und Tracking-Daten fließen in einem Modell zusammen. So entsteht eine Profit-Sicht bis auf DBIII über alle Quellen statt einzelner Insellösungen.
• Semantic Layer: Kennzahlen wie DB1 oder Retourenquote sind einheitlich definiert. Die KI rechnet mit Ihren Begriffen, nicht mit eigenen Interpretationen.
• Guardrails: Über das Model Context Protocol (MCP) sorgen Leitplanken dafür, dass Zahlen aus Ihren Daten stammen und Analysen methodisch sauber ablaufen, keine halluzinierten Zahlen, keine erfundenen Trends.

Das gesamte Setup arbeitet zudem DSGVO-konform: Die Modelle werden in der EU gehostet, es gilt Zero Data Retention und personenbezogene Daten sind vom Zugriff des LLM ausgeschlossen.

Sie möchten hier tiefer einsteigen? Wie Sie schnelle KI-Antworten von tatsächlich belastbaren Insights unterscheiden, erfahren Sie in diesem Beitrag: Warum schnelle KI-Antworten oft falsche Insights liefern

Die perfekte Ergänzung zu Ihrer plentyBI

Mit der plentyBI haben Sie bereits einen guten Einstieg für Ihre Bestell- und Umsatzauswertungen direkt aus PlentyONE. minubo setzt genau hier an und erweitert diese Basis für komplexere Setups: Marketingkosten z.B. aus Google Ads oder Meta, Tracking-Daten aus GA4 und weitere Datenquellen (wie ERP, Shop, Marktplätze, Lager- und Fulfillmentkosten, Plandaten/Forecast) fließen zusätzlich in ein gemeinsames Modell. So entsteht eine ganzheitliche Profit-Sicht über alle Kanäle und Systeme hinweg, zum Beispiel auf eine Kampagne oder eine ganze Saison.

Der minubo Co-Analyst macht diese konsolidierte Datenbasis direkt nutzbar, im Dialog statt im Dashboard. Statt Drilldown für Drilldown zu suchen, stellen Sie Ihre Frage einmal und erhalten eine Antwort inklusive Einordnung und Handlungsempfehlung über Ihre PlentyONE-Daten hinaus.

Ihr nächster Schritt

Genug gelesen, Zeit zum Ausprobieren. Testen Sie den minubo Co-Analyst direkt mit Demo-Daten, ohne Upload und ohne Setup, und stellen Sie ihm Ihre erste Frage: Co-Analyst mit Demo-Daten testen

Sie wollen vorher mehr darüber wissen, was der Co-Analyst im Detail kann? Hier finden Sie alle Funktionen im Überblick: Zur Feature-Seite

Über den Autor

Andreas Fischer, CEO minubo

Andreas Fischer ist Mitbegründer des Curated-Shopping-Anbieters Modomoto, ehemaliger Chefstratege von Outfittery und heute CEO von minubo, der ersten Datenplattform im E-Commerce für KI-Analysen und Automatisierung. Andreas ist ein ausgewiesener Handelsexperte, kennt die Bedürfnisse und Herausforderungen des Handels aus eigener Erfahrung und weiß um den Wert von Daten.