Forschungszulage im E-Commerce: Eigenentwicklung vs. Plugin
Jeder Online-Shop-Betreiber baut irgendwann eigene technische Lösungen. Ein Plugin reicht nicht mehr, also schreibst du eigenen Code. Aber wo genau verläuft die Grenze zwischen Konfiguration und Forschung und Entwicklung? Genau an dieser Grenze entscheidet sich, ob du Anspruch auf die Forschungszulage hast.
Die Grenze: Konfiguration vs. FuE
Das BSFZ (Bescheinigungsstelle Forschungszulage) fördert keine Installation und keine Anpassung bestehender Software. Was gefördert wird: die Entwicklung eigener technischer Lösungen, deren Funktionieren vorher nicht sicher war. Der Unterschied lässt sich an konkreten Beispielen am besten zeigen.
Konfiguration (keine Förderung)
- ✕ Shopify-Theme anpassen und Farben ändern
- ✕ WooCommerce-Plugin installieren und konfigurieren
- ✕ Standard-Payment-Gateway (Stripe, PayPal) einbinden
- ✕ Google Ads Kampagne mit Standard-Tracking aufsetzen
- ✕ Versandkostenstaffel nach Gewicht konfigurieren
Forschung und Entwicklung (förderfähig)
- ✓ Eigenen Checkout-Algorithmus mit dynamischer Formularlogik entwickeln
- ✓ KI-basierte Recommendation-Engine auf eigenen Nutzerdaten trainieren
- ✓ Eigenes Inventory-Management mit Demand-Forecasting bauen
- ✓ Dynamische Preisoptimierung mit Nachfrage-Elastizitäts-Modell
- ✓ Eigene A/B-Testing-Engine mit statistischer Signifikanzberechnung
Die Faustregel: Wenn du Code schreibst, der ein Problem löst, für das es keine fertige Lösung gibt, und du vorher nicht sicher warst, ob dein Ansatz funktioniert, bist du im FuE-Bereich.
FuE-Goldminen im E-Commerce
Die meisten E-Commerce-Betreiber unterschätzen, wie viel förderfähige Entwicklungsarbeit sie leisten. Vier Bereiche stechen heraus:
Personalisierung
Eigene Algorithmen für Produktempfehlungen
Du trainierst ein Modell auf deinem Datensatz: Kaufhistorie, Suchverhalten, Warenkorbabbrüche, Sitzungsdauer. Dein Collaborative-Filtering-Ansatz kombiniert implizites Feedback mit saisonalen Mustern. Die technische Unwägbarkeit liegt in der Cold-Start-Problematik bei neuen Nutzern und der Konvergenzfrage bei kleinen Sortimenten.
Logistik
Routenplanung, Lageroptimierung, Demand Forecasting
Dein Warenwirtschaftssystem prognostiziert Nachfrage pro SKU und Woche. Du kombinierst Zeitreihenanalyse mit externen Signalen wie Wetter, Feiertagen und Social-Media-Trends. Die Herausforderung: der "Long Tail", also Produkte mit wenigen Datenpunkten, bei denen klassische Zeitreihenmodelle versagen.
Conversion
Eigene A/B-Testing-Engine und Checkout-Optimierung
Nicht die Nutzung von Optimizely, sondern die Entwicklung einer eigenen Engine mit Multi-Armed-Bandit-Algorithmus, automatisierter Segmentierung und statistischer Signifikanzberechnung. Du baust ein System, das Traffic-Allokation in Echtzeit auf Basis von Bayes'scher Inferenz anpasst.
Produktkonfigurator
3D-Visualisierung, AR-Integration, Parametrik
Du entwickelst einen Produktkonfigurator, der Kundenwünsche in Echtzeit in 3D rendert und technische Machbarkeit prüft. Die Herausforderung liegt in der Integration von WebGL-Rendering, parametrischer Geometrie und regelbasierter Konfigurationslogik in einem performanten Frontend.
5 konkrete Projektbeispiele
1. NLP-Pipeline für Produkttexte
Du entwickelst ein feinabgestimmtes Sprachmodell, das aus strukturierten Produktdaten (Maße, Material, Features) vollständige Beschreibungen generiert. Nicht mit einem generischen API-Call, sondern mit einem Modell, das deinen Marken-Tonfall, SEO-Anforderungen und rechtliche Pflichtangaben berücksichtigt. Die Unwägbarkeit: Erreicht die generierte Qualität das Niveau manueller Texte und hält sie über verschiedene Produktkategorien hinweg?
2. Bilderkennungs-API für Produktkategorisierung
Lieferanten liefern unstrukturierte Produktbilder. Dein System erkennt automatisch Kategorie, Farbe, Material und Stil. Du trainierst ein Convolutional Neural Network auf deinem eigenen Bildkatalog und erweiterst es um Attribute, die in Standard-Modellen nicht enthalten sind (zum Beispiel "Vintage-Stil" oder "skandinavisches Design"). Die Frage: Generalisiert das Modell auf neue Lieferantenbilder mit abweichender Qualität?
3. Dynamisches Pricing-Modell
Dein System beobachtet Nachfragekurven, Wettbewerberpreise und Lagerbestände in Echtzeit. Auf Basis eines eigenen ökonometrischen Modells berechnet es optimale Verkaufspreise pro SKU und Zeitfenster. Die Neuartigkeit: Dein Modell berücksichtigt Cross-Price-Elastizitäten innerhalb deines Sortiments, etwas, das Standard-Repricing-Tools nicht abbilden.
4. Eigenes Fraud-Detection-System
Du entwickelst ein Betrugserkennungssystem, das auf deinem spezifischen Bestellmuster trainiert ist. Standardlösungen erkennen bekannte Muster, aber dein System lernt kontinuierlich aus Chargebacks, verdächtigen Verhaltensmustern und Gerätefingerprints. Die Unwägbarkeit: Erkennt das Modell neuartige Betrugsmuster, ohne zu viele legitime Bestellungen zu blockieren?
5. Headless Commerce Architektur mit Edge-Rendering
Du baust eine eigene Shop-Architektur, die Produktseiten auf Edge-Servern rendert und dabei personalisierte Inhalte in unter 100ms ausliefert. Die technische Herausforderung: Cache-Invalidierung bei 50.000 SKUs, personalisiertes Rendering ohne Latenz und konsistente Warenkorbdaten über mehrere CDN-Knoten hinweg.
Rechenbeispiel: Eigenes Shop-System mit Recommendation-Engine
Ein E-Commerce-Einzelunternehmer aus Stuttgart betreibt einen Nischen-Shop für Outdoor-Ausrüstung. Er entwickelt über 18 Monate eine eigene Recommendation-Engine, ein Demand-Forecasting-System und ein proprietäres Betrugserkennungssystem. Standard-Plugins liefern bei seinem Spezialsortiment keine brauchbaren Ergebnisse. 1.500 Stunden FuE-Arbeit.
Berechnung: 1.500 h x 70 EUR x 35% = 36.750 EUR. Der Förderrechner zeigt dir dein individuelles Potenzial.
Auch auf Shopify, WooCommerce oder Magento
Die Plattform ist irrelevant. Entscheidend ist, was du darauf aufbaust. Ob du auf Shopify eine eigene App entwickelst, in WooCommerce ein Plugin von Grund auf schreibst oder auf Magento eine proprietäre Integration baust: Wenn die Entwicklungsarbeit neuartig ist, technische Risiken birgt und systematisch erfolgt, ist sie förderfähig. Die Basis ist Standard, dein Code ist die Innovation.
Rückwirkend beantragen
Du hast in den letzten Jahren Eigenentwicklungen gemacht, aber nicht an Förderung gedacht? Die Forschungszulage kann bis zu vier Jahre rückwirkend beantragt werden. Git-Commits, Projektmanagement-Einträge, technische Dokumentation und Deployment-Logs bilden zusammen eine schlüssige Nachweiskette. Ich helfe dir, die vorhandenen Belege in einen BSFZ-konformen Antrag zu übersetzen.
Mein Angebot für E-Commerce-Unternehmer
Ich analysiere deine technischen Projekte und identifiziere, was als FuE qualifiziert. Von der Recommendation-Engine bis zur Logistik-Optimierung. Den BSFZ-Antrag formuliere ich so, dass die Gutachter die technische Tiefe erkennen.
Kosten: 0 EUR upfront. 15% der ausgezahlten Forschungszulage als Erfolgshonorar.
Welche deiner Eigenentwicklungen ist FuE?
Erzähl mir, was du technisch in deinem Shop gebaut hast. In 15 Minuten wissen wir, ob und wie viel Förderung drin ist.