KI-gestützte Stammkundenanalyse — was das konkret bedeutet

Wenn Sie als Tankstellenpächter über eine Stammkundenanalyse für Ihren Handelsvertreterausgleich nachdenken, treffen Sie heute auf zwei sehr unterschiedliche Welten. Auf der einen Seite die klassische manuelle Excel-Auswertung — Daten kopieren, Pivot-Tabellen bauen, Stammkundenkarten zählen, Hochrechnung per Hand. Auf der anderen Seite die KI-gestützte Auswertung — eine Engine, die methodisch gepflegt wird, sich auf Ihre Station einstellt und Ihre Daten deterministisch auswertet, ohne dass diese jemals eine externe KI-Plattform sehen. SF Tankstellen Analytics arbeitet mit dem zweiten Ansatz. Diese Seite erklärt, was „KI-gestützt“ bei uns konkret bedeutet — und mindestens genauso wichtig: was es nicht bedeutet.

Was „KI-gestützt“ bei SF Tankstellen Analytics bedeutet

Der Begriff „KI“ wird in der Werbung inflationär verwendet. Wir nehmen ihn ernst und nennen konkret, an welchen Stellen unsere Arbeit KI-gestützt ist — und an welchen nicht.

KI-gestützt ist bei uns die Pflege der Engine. Unsere Analyse-Engine ist eine in Python geschriebene Software, die auf einem Server in Deutschland läuft. Jede Methodik-Änderung an dieser Engine — sei es eine Reaktion auf eine neue BGH-Entscheidung, ein Refactoring zur besseren Lesbarkeit, eine Plausibilitäts-Schwellenanpassung oder eine Erweiterung um eine neue Auswertungs-Kategorie — durchläuft ein dokumentiertes Vier-Augen-Verfahren unter Einsatz moderner KI-Werkzeuge. Trockenlauf, Patch-Vorschlag, Toleranz-Prüfung, Volltest gegen Referenzdaten, schriftlicher Bericht. Jeder Schritt ist nachvollziehbar archiviert.

KI-gestützt ist bei uns die Marktbeobachtung. Wir beobachten die laufende BGH-Rechtsprechung zum Handelsvertreterausgleich und zu den tankstellenspezifischen Konkretisierungen (zuletzt etwa VIII ZR 194/06, VIII ZR 249/08, VIII ZR 130/01) — KI-gestützt in der Recherche, dann manuell verifiziert und nur nach Volltext-Bestätigung in die Engine-Konstanten übernommen. Ein Aktenzeichen, das nicht in den großen Rechtsdatenbanken verifizierbar ist, taucht in unserer Methodik nicht auf.

KI-gestützt ist bei uns die individuelle Konfiguration auf Ihre Station. Bevor Ihre Auswertung startet, wird die Engine auf Ihre Spezifika eingestellt. Welche Kategorien werten wir aus — Kraftstoff, Shop, Waschgeschäft oder die Kombination? Welches Kassensystem hatten Sie im Einsatz? Hatte Ihre Station Besonderheiten — etwa eine pächtereigene Waschanlage, ein eigenes Bonusprogramm, einen ungewöhnlich hohen Flottenkartenanteil? Diese mandantenspezifische Konfiguration wird KI-gestützt vorbereitet und dann von Hand geprüft.

Nicht KI-gestützt, sondern deterministisch ist die konkrete Auswertung Ihrer Daten. Wenn die Engine läuft, durchläuft sie Schritt 1 bis Schritt 5 nach dem in der BGH-Rechtsprechung etablierten Verfahren — als Python-Code, der jederzeit nachvollziehbar bleibt. Gleiche Eingangsdaten ergeben gleiche Ergebnisse. Es gibt keine probabilistische KI-Komponente, die in der Auswertung Ihres Mandats interpretiert, schätzt oder bewertet.

Warum diese Trennung für Ihr Gutachten so wichtig ist

Ein gutes Gutachten für den Handelsvertreterausgleich muss vor Gericht standhalten. Der Bundesgerichtshof hat in ständiger Rechtsprechung — beginnend mit VIII ZR 194/06 — anerkannt, dass die Stammkundenanalyse aus Kassenjournaldaten ein zulässiges Privatgutachten-Verfahren ist. Der Tatrichter würdigt das Privatgutachten frei nach § 286 ZPO und kann nach § 287 ZPO eine Schadensschätzung vornehmen — vorausgesetzt, die zugrundeliegende Methodik ist nachvollziehbar.

Wenn ein Gegenanwalt im Prozess argumentiert, dass das Privatgutachten „KI-erstellt“ sei und deshalb keine reproduzierbare Methodik biete, untergräbt er den Beweiswert. Die richtige Antwort darauf ist nicht, „KI“ als Begriff zu vermeiden — sondern klar zu zeigen, an welchen Stellen welche Werkzeuge zum Einsatz kommen. Genau das tun wir.

Im Methodik-Teil Ihres Gutachtens ist explizit ausgewiesen, dass die Auswertung der konkreten Mandanten-Daten deterministisch erfolgt und durch Wiederanwendung des dokumentierten Engine-Codes reproduzierbar ist. Im Verfasser-Teil ist beschrieben, wie die Engine gepflegt wird, was KI-Werkzeuge bei dieser Pflege leisten und wo ihre Grenze liegt. Auf Anforderung erhält Ihr Anwalt den Engine-Code, die Patch-Historie der Engine und die für Ihren Auftrag verwendete Konfiguration. Diese Tiefe der Methodik-Transparenz ist im Auftragsbestätigungs-Muster vertraglich verankert. Wie sich der Beweiswert eines Privatgutachtens vom gerichtlich bestellten Sachverständigen unterscheidet, beschreibt die Pillar-Page Privatgutachten oder gerichtlicher Sachverständiger?.

Engine-Pflege im Vier-Augen-Verfahren — wie das konkret aussieht

Unsere Engine ist kein eingefrorenes Werkzeug. Sie wird kontinuierlich gepflegt — aber nicht beliebig. Jede Methodik-Änderung durchläuft ein dokumentiertes Verfahren in sechs Stufen.

In der ersten Stufe — dem Trockenlauf — wird auf Basis interner Referenzdaten geprüft, welche Konsequenzen die geplante Änderung hätte. Würden sich die Ergebnisse einer Test-Station signifikant verschieben? Würde der Plausibilitäts-Korridor verletzt? Der Trockenlauf wird in einem schriftlichen Bericht festgehalten.

In der zweiten Stufe — dem Patch-Vorschlag — wird der konkrete Code-Diff erarbeitet und gegen die ursprüngliche Engine-Version als Backup gesichert. Jeder Patch hat einen eindeutigen Namen, ein Datum und ein dokumentiertes Thema (zum Beispiel „Wäsche — Stück-Methode für Waschvorgänge“).

In der dritten Stufe — dem Sicherheits-Check — werden die Toleranzkorridore explizit definiert. Wenn der Patch die Ergebnisse der Test-Stationen über die definierten Toleranzen hinaus verschiebt, gilt er als nicht freigegeben und wird zurückgewiesen oder überarbeitet.

In der vierten Stufe — dem Volltest — wird die geänderte Engine gegen alle vorhandenen internen Test-Stationen durchgerechnet und mit den Werten aus der vorherigen Engine-Version verglichen. Der Volltest läuft deterministisch ab; die Ergebnisse werden archiviert.

In der fünften Stufe — dem Patch-Bericht — wird das Ergebnis dokumentiert: Welche Werte haben sich verschoben, wo, um wie viele Prozentpunkte, mit welcher methodischen Begründung. In der sechsten Stufe — dem Memory-Update — wird der Lerngehalt in das interne Lessons-Register überführt. Hier greift das Drei-Schubladen-Modell.

Dieser Workflow ist verbindlich. Eine Engine-Änderung, die nicht alle sechs Stufen durchlaufen hat, geht nicht in den Auslieferungs-Stand. Damit ist sichergestellt, dass jede Methodik-Anpassung dokumentiert, getestet und freigegeben ist — bevor sie an einem Mandanten-Gutachten zum Einsatz kommt.

Das Drei-Schubladen-Lernmodell — und warum es Sie als Mandant schützt

Ein häufiges Missverständnis im KI-Kontext lautet: „Die KI lernt aus meinen Daten und passt sich daran an.“ Das ist bei uns ausdrücklich nicht der Fall. Wir arbeiten mit einem Drei-Schubladen-Modell, das verbindlich in unserer Methodik verankert ist.

Schublade 1 — „Nur dieser Kunde“. Wenn an Ihrer Station eine Eigenheit auftaucht, die nur Sie betrifft — etwa weil Sie selbst die Waschanlage betrieben haben oder weil Ihre Station ein ungewöhnliches eigenes Bonusprogramm pflegte — wird diese Eigenheit in Ihrer mandantenspezifischen Konfiguration abgebildet. Der Engine-Code selbst wird nicht verändert. Ihre Konfiguration ist eine Datei, die nur für Ihren Auftrag verwendet wird und nach Abschluss zur Löschung freigegeben werden kann.

Schublade 2 — „Beobachtung“. Wenn an Ihrer Station etwas auffällt, das möglicherweise ein Muster sein könnte — aber nicht eindeutig genug, um die Methodik zu erweitern — wird die Beobachtung in einem internen Lessons-Register notiert. Konkrete Daten oder Mandanten-Bezüge fließen dabei nicht ein; festgehalten wird ausschließlich die methodische Beobachtung in anonymisierter Form. Solange das Muster bei keinem zweiten Mandanten erneut auftaucht, bleibt die Engine unverändert.

Schublade 3 — „Engine-Kandidat“. Wenn dieselbe methodische Auffälligkeit bei mindestens zwei unabhängigen Mandanten dokumentiert ist, wird sie zum Engine-Kandidaten hochgestuft. Erst dann beginnt der oben beschriebene Workflow. Auch hier fließen keine konkreten Mandanten-Daten in den Engine-Code ein — die Engine wird auf Basis methodischer Überlegungen erweitert, nicht durch ein Lernverfahren auf realen Daten.

Diese Regel — Engine-Erweiterung nur bei mindestens zwei unabhängigen Mandanten — schützt Sie auf zwei Ebenen. Erstens: Ihre Daten landen nicht im Code anderer Auswertungen. Zweitens: Die Engine wird nicht durch einen einzelnen außergewöhnlichen Fall verbogen, sondern reagiert nur auf systematische Muster.

Individuelle Konfiguration auf Ihr Kassensystem und Ihre Station

Eine Tankstelle ist nicht wie die andere. Selbst zwei Stationen derselben Marke im selben Bundesland können sich in Kassensystem, Bonusprogramm, Kategorie-Schnitt im Shop und Waschgeschäfts-Struktur erheblich unterscheiden. Eine starre Methodik, die für jede Station dasselbe Excel-Schema anwendet, übersieht diese Unterschiede systematisch. Unsere Engine wird vor jedem Auftrag auf Ihre Spezifika eingestellt:

Kassensystem-Parser. Heute werten wir produktiv Stationen mit GZ0-Datensicherung aus — das in der Branche am weitesten verbreitete Format. Andere Formate sind architektonisch vorgesehen; die konkrete Adaption erfolgt nach kurzer technischer Vorprüfung Ihrer Datenübergabe. Wenn Sie unsicher sind, welches Format Ihre Sicherung hat, klären wir das vor Auftragsbeginn — kostenfrei und ohne Verpflichtung.

Auswertungs-Kategorien und Module. Sie entscheiden, welche Kategorien ausgewertet werden — nur Kraftstoff, nur Shop, nur Waschgeschäft oder die Kombination. Der Korrekturfaktor nach Schritt 5 (Bezahlverhalten-Korrektur über Bonuskarten) kann pro Kategorie aktiviert oder deaktiviert werden — je nachdem, wie aussagekräftig die Bonuskartendaten Ihrer Station sind.

Stationsspezifische Korrekturen und Plausibilitäts-Korridore. Pächtereigene Waschanlage, eigenes Tankkartenprogramm, eine Phase mit umgestelltem Bonusprogramm — solche Eigenheiten werden in der Konfiguration abgebildet und im Plausibilitätsbericht transparent ausgewiesen. Die Plausibilitätsampel vergleicht Ihre Ergebnisse mit erwarteten Branchen-Korridoren, die auf die Eigenheiten Ihrer Station angepasst werden — eine Stadtstation im Pendlergebiet hat andere realistische Stammkundenanteile als eine Autobahn-Raststätte. Wie das 5-Schritt-Verfahren in den drei Kategorien arbeitet, beschreibt die Pillar-Page Stammkundenanalyse: Methodik und Ablauf.

Daten-Souveränität — Ihre Kassendaten gehen nicht in eine externe KI

Der wichtigste Punkt für viele Tankstellenpächter ist Datenschutz. Sie übergeben uns mehr als ein Jahr Ihrer Kassenbewegungen — und damit unter Umständen sensible Informationen über Ihre Kundenstruktur, Ihre Umsatzhöhe und Ihr Geschäftsmodell. Diese Daten dürfen nicht in eine Cloud-KI wandern.

Bei uns geschieht das auch nicht. Die Engine läuft als Standalone-Software auf einem Rechner in Deutschland. Es gibt keinen Programmierpfad, über den Ihre Auftragsdaten an externe Cloud-KI-Anbieter oder große Sprachmodelle übertragen werden. Auch das Lessons-Register, in dem methodische Beobachtungen festgehalten werden, enthält keine mandantenspezifischen Daten, sondern ausschließlich anonymisierte methodische Hinweise.

Ihre Auftragsdaten werden zu keinem Zeitpunkt zum Training eines KI-Modells verwendet. Sie fließen nicht in die Konfiguration anderer Mandantenauswertungen ein. Nach Abschluss Ihres Auftrags können Sie die Löschung der Rohdaten verlangen — das ist im Auftragsverarbeitungsvertrag nach Art. 28 DSGVO geregelt. Diese Daten-Souveränität ist nicht eine Beilage zu unserer Dienstleistung, sondern ein Kernbestandteil der Marke.

Ergänzend zur Reproduzierbarkeit: Auf Anforderung erhalten Sie und Ihr Anwalt den der Auswertung zugrundeliegenden Stand des Engine-Codes, die für Ihren Auftrag verwendete (anonymisierte) Konfiguration, den Plausibilitätsbericht und das auftragsbezogene Lessons-Resümee. Wenn die Gegenseite im Prozess die Methodik in Frage stellt, kann Ihr Anwalt — gegebenenfalls unter Hinzuziehung eines gerichtlich bestellten Sachverständigen — den Engine-Code prüfen, die Konfiguration nachvollziehen und durch Wieder-Anwendung des Codes auf die ursprünglichen Daten die Ergebnisse verifizieren. Diese Möglichkeit existiert bei manuellen Excel-Auswertungen erfahrungsgemäß nicht in derselben Tiefe.

Was die KI bei uns ausdrücklich nicht tut

Die Klarheit der Trennung ist genauso wichtig wie die KI-Nutzung selbst. Daher hier die explizite Liste dessen, was bei SF Tankstellen Analytics nicht KI-gestützt ist:

• Die konkrete Berechnung Ihrer Stammkundenanteile durchläuft keine probabilistische KI. Sie ist deterministisches Python.
• Die Schlussbewertungen und Endergebnisse in Ihrem Gutachten werden nicht von einer KI getroffen, sondern aus der deterministischen Engine ausgelesen und vom Verfasser verantwortet.
• Es gibt keine „KI-Empfehlung“, welche Höhe Ihr Ausgleichsanspruch haben sollte. Die Höhe ergibt sich aus den Daten Ihrer Station; die rechtliche Einschätzung obliegt Ihrem Anwalt.
• Es gibt kein KI-Training auf den Daten unserer Mandanten. Die Engine lernt nicht aus Ihren Daten.
• Es gibt keinen Lern-Effekt über Mandanten hinweg. Die Daten von Mandant A beeinflussen die Auswertung von Mandant B nicht.

Diese Trennung ist nicht eine Beschränkung, sondern eine bewusste methodische Entscheidung. Sie schützt den Beweiswert Ihres Gutachtens und schützt Ihre Daten.

Häufige Fragen

Stammkundenanalyse anfragen

Wenn Sie wissen möchten, wie die KI-gestützte Engine auf Ihre Station und Ihr Kassensystem angewendet wird, klären wir die Datenstruktur Ihrer Kassensicherung in einem kostenfreien Erstgespräch. Eine inhaltliche Auswertung erfolgt erst nach Auftragserteilung und Unterzeichnung des Auftragsverarbeitungsvertrages.

Weiterführende Seiten

• Stammkundenanalyse: Methodik und Ablauf — wie das 5-Schritt-Verfahren in den drei Kategorien funktioniert.
• Das 5-Schritt-Verfahren — Schritt für Schritt mit Beispieldaten durchgerechnet.
• Handelsvertreterausgleich nach § 89b HGB — die rechtlichen Grundlagen.
• Privatgutachten oder Sachverständiger? — Statusbezeichnung, Beweiswert und Rolle vor Gericht.
• Welche Daten brauche ich für den Ausgleichsanspruch? — der praktische Datenkatalog.

Stand des Beitrags: 5. Juni 2026. Diese Seite beschreibt die Methodik von SF Tankstellen Analytics und ersetzt keine individuelle Rechtsberatung. Die Bewertung Ihres Einzelfalls leistet ein auf Tankstellenrecht spezialisierter Rechtsanwalt.