Target: Wunschlisten und 45 Prozent mehr Nachfrage

September 2026: eine Schulliste, die 45 Prozent wert ist

Im September 2026 hat Target erzählt, wie seine Website in der Saison des Schulstarts funktioniert. Im Zentrum steht die Wunschliste, zusammen mit einem Feld, das den nächsten Schritt vorschlägt. Die Reihenfolge der Schritte verdient Aufmerksamkeit: zuerst die Messung des Verhaltens, danach das Modell, das es unterstützt.

Das Unternehmen erklärte, dass Kundinnen und Kunden, die eine Liste anlegen, rund 45 Prozent mehr Nachfrage in der Kategorie erzeugen, eine Angabe, die Retail Dive am 3. September 2026^[1] berichtet hat.

Diese Zahl hat einen lesbaren Nenner: Kunden mit Liste im Vergleich zu den übrigen Kunden derselben Kategorie. Hier liegt der Unterschied zwischen einer Kennzahl und einem Werbesatz.

Die Saison des Schulstarts wiegt schwer im Kalender des amerikanischen Handels, mit Ausgaben, die dieses Jahr laut derselben Publikation Rekordwerte erreichen könnten. Auf einer so breiten Basis wird ein Hebel, der die Nachfrage um 45 Prozent bewegt, zu einem Bilanzposten.

Die eigentliche Idee: zuerst der Hebel, danach das Modell

Viele Unternehmen wählen zuerst das Modell und suchen dann den Ort, an den sie es stellen. Target ist den umgekehrten Weg gegangen: Es hat ein Verhalten isoliert, das bereits Nachfrage erzeugte, und dann die KI gebeten, es leichter zu machen. Die Aufgabe, die der Technologie anvertraut wird, bleibt eng gefasst und damit messbar.

Der Senior Vice President für Technologie bei Target, Brad Thompson, beschrieb den Mechanismus als sanften Anstoß. Das System schlägt Produkte vor, während die Person die Liste ausfüllt, sodass das Gedächtnis der Kundschaft konkrete Hilfe erhält.

In den von Retail Dive festgehaltenen Worten entstehen die Vorschläge aus drei Signalen:

• den Käufen anderer Kunden in derselben Kategorie
• den früheren Käufen der Person, die gerade ausfüllt
• dem Material, das diese Schule und ihre Lehrkräfte verlangen

Das dritte Signal ist für Entwicklerinnen und Entwickler das interessanteste: Es bringt einen lokalen Kontext in den Katalog. Die Ausstattung einer Klasse an einer bestimmten Schule wiegt mehr als ein nationaler Durchschnitt. Thompson sagt, diese Kombination «macht einen großen Unterschied», eine Formulierung, die qualitativ bleibt.

Das Feld, das den nächsten Schritt anzeigt

Auf der Website von Target lebt ein Element namens «next best action widget». Es schlägt der Kundschaft eine präzise Handlung vor, ausgewählt nach dem, was sie in diesem Moment tut.

Das Feld bleibt das ganze Jahr über auf der Seite, mit einem Inhalt, der mit der Saison wechselt. In der Zeit des Schulstarts wird die empfohlene Handlung zum Anlegen der Liste, erklärte Thompson.

«Wir nutzen KI, um alle Signale der Browsing-Session dieser Kundin oder dieses Kunden zu durchforsten und den nächsten Schritt zu empfehlen», sagte der Manager. Dieselbe Aussage erscheint in der Version der Geschichte, die CX Dive^[2] veröffentlicht hat.

Hier liegt die zweite Design-Entscheidung: Die Oberfläche existierte bereits. Die KI füllt einen erprobten Behälter, deshalb bleibt das Risiko eines Bruchs im Erlebnis gering. Wer einen neuen Bereich startet, um ein Modell zu beherbergen, zahlt zweimal, in der Entwicklung und in den Gewohnheiten, die neu aufgebaut werden müssen.

Juni 2026: das Sortiment kommt vor der Software

Drei Monate vor der Saison, im Juni 2026, hat Target das Paket für den Schulstart vorgestellt. Darin steckten ein Rabatt auf das Abonnement Target Circle 360, die Schuluniformen einer Eigenmarke und eine limitierte Kooperation mit LoveShackFancy. Der Kalender sagt viel: Das Angebot stand vor den Traffic-Spitzen.

Die KI setzt auf diesem Angebot auf und hat deshalb etwas zu empfehlen. Eine Empfehlungsmaschine auf einem schwachen Katalog erzeugt schwache Vorschläge. Die Wunschliste wird in diesem Schema zum Sammelbehälter, in dem Sortiment und Modell sich treffen.

Die offizielle Ankündigung zu den digitalen Werkzeugen der Saison lebt im Pressebereich des Unternehmens^[3].

Für alle, die ein Produkt führen, liegt die Lektion in der Abfolge. Zuerst die Wahl des Sortiments, dann die Messung des Verhaltens, am Ende das Modell, das dieses Verhalten beschleunigt.

Erklärtes Ergebnis und geprüftes Ergebnis

Jetzt der raue Punkt, der die Geschichte nützlich macht. Die 45 Prozent kommen vom Unternehmen, aufgegriffen von zwei Publikationen, mit einer Lesart, die eine Korrelation bleibt.

Kundinnen und Kunden, die eine Liste anlegen, sind wahrscheinlich die motiviertesten der Kategorie. Ein Teil dieser zusätzlichen Nachfrage existierte vor der KI, im Kopf derjenigen, die die Liste öffnen. Ein A/B-Test über den Produktvorschlag würde den Zweifel in einer Woche auflösen.

Es fehlt das, was einen Fall vollständig belegt: eine veröffentlichte Kontrollgruppe, ein Before und After über die Saison, ein erklärter Zeithorizont. Target spricht von einem auf der Kategorie gemessenen Effekt, also von einer Zahl mit Nenner, lässt aber das Design der Messung außen vor.

Dieser Abstand gilt für die Lesenden als methodischer Hinweis. Eine Unternehmensangabe mit Nenner bleibt weit informativer als eine «signifikante Verbesserung» und verdient deshalb Respekt; der volle Beweis kommt mit dem Vergleich zwischen Gruppen. Nach dem Design des Experiments zu fragen ist das Handwerk derer, die bewerten.

Was sich für Entscheiderinnen und Entscheider ändert

Die Geschichte spricht zu vier verschiedenen Tischen, mit einer eigenen Botschaft für jeden.

• Gründerinnen und Gründer von KMU: Das wiederholbare Playbook ist die Messung am Verhalten der besten Kunden
• CTO: Die Lösung im Produktivbetrieb ist ein Vorschlag innerhalb eines Ablaufs, der existiert
• Board: Die Wunschliste wird zu einem messbaren Asset des elektronischen Handels
• Team Lead: Das kontextbezogene Feld lässt sich auf jede bereits lebende Seite übertragen

Für ein KMU bleiben die Kosten des KI-Bausteins bescheiden, deshalb liegt die eigentliche Hürde in der Disziplin der Messung. Es braucht einen geordneten Katalog und eine Kennzahl mit Nenner, vor jedem Modell.

Für ein Board verschiebt die Zahl die Latte an einem präzisen Punkt: Das Sammeln von Absichten wiegt so viel wie die unmittelbare Conversion. Der interessante Vergleich betrifft die übrigen saisonalen Kategorien, von den Feiertagen bis zum Saisonwechsel.

Für alle, die ein Team führen, ist der wiederholbare Schritt das kontextbezogene Feld. Eine Oberfläche, die bereits existiert, ein Inhalt, der mit dem Zeitpunkt im Jahr wechselt, ein Vorschlag auf einmal. Die Stärke dieser Entscheidung liegt im Weglassen.

Was Sie aus dieser Geschichte mitnehmen können

Der Wert des Falls liegt in der Abfolge, noch vor der Technologie. Target hat einen Verhaltenshebel mit einer angehängten Zahl gefunden und dann die KI in den Dienst dieses Hebels gestellt. Die umgekehrte Reihenfolge, mit dem Modell auf der Suche nach einem Problem, erzeugt die Pilotprojekte, die stehen bleiben.

Drei Schritte fassen die Methode zusammen:

1. Messen Sie ein Verhalten der besten Kunden, mit einem Nenner
2. Machen Sie dieses Verhalten leichter, mit einem automatischen Vorschlag
3. Wiederholen Sie die Messung gegen eine Kontrollgruppe

Der Schritt, der in der öffentlichen Darstellung noch fehlt, betrifft den unabhängigen Beweis. Wer das Schema nachbaut, sollte die Kontrollgruppe vom ersten Tag an aufbauen, damit die Zahl vor einer feindseligen Prüfung standhält. Die Kosten dieser Strenge bleiben gering, wenn die Entscheidung vor dem Start fällt.

Es bleibt die Frage, die für jede Organisation gilt. Welches Verhalten Ihrer besten Kunden haben Sie bereits mit einem Nenner gemessen, bereit dafür, von einem Modell leichter gemacht zu werden? Die Antwort zeigt, wo der nächste Euro für KI hingehört, weit besser als eine Liste von Use Cases.