Case Study · SAVA Amsterdam B.V.
Wie wir bei SAVA Amsterdam Ads, Pricing, Forecasting und Retouren in eine einzige Engine gelegt haben.
Drei Kennzahlen: +15 % ROAS seit Launch, bis +40 % Marge auf einzelnen Produkten, ein ganzes Wachstumsteam ersetzt.
+15 %
ROAS · seit Launch · ~4 Monate · gleiches Konto
bis +40 %
Marge auf einzelnen SKUs · via Dynamic Pricing
4–5× → 0
Founder-Checks pro Tag · ein Wachstumsteam ersetzt
Über SAVA Amsterdam
D2C-Schmuckmarke für Männer. Made to last. Verkauft direkt aus Amsterdam.
SAVA Amsterdam ist eine D2C-Schmuckmarke für Männer — Armbänder, Ketten, Ringe, gebaut auf das Versprechen „made to last". Verkauft wird direkt, weltweiter Versand aus Amsterdam, eine Community von rund 25.000 Followern auf Instagram. Das Geschäftsmodell lebt von bezahltem Wachstum: Ein siebenstelliges Jahresbudget fließt in Ads, und aus diesem Budget muss verlässlich profitabler Umsatz werden.
Der Engpass war nie das Produkt. Er saß in der Maschinerie dahinter. Wachstum, Marge und Bestand wurden von drei getrennten Stellen gesteuert, mit Tools, die nicht miteinander sprachen — und am Ende der Kette standen zwei Gründer, die jeden Tag mehrfach selbst nachsehen mussten, ob etwas aus dem Ruder läuft.
Die Ausgangslage
Viele Hände, viele Tools, keine gemeinsame Sicht.
So sah der Alltag vor elvys konkret aus:
- 01Eine externe Agentur fuhr die Ads.
- 02Ein CFO prüfte laufend die Zahlen.
- 03Ein sechsköpfiges Creative-Team produzierte Content, ergänzt durch zugekauften UGC.
- 04Verschiedene, nicht verbundene Tools für Ads, Shop, Lager und Reporting.
- 05Die Gründer schauten 4–5× am Tag manuell in die Systeme — aus der berechtigten Sorge, dass bei einem siebenstelligen Budget über Nacht etwas wegläuft.
Das ist der teuerste Zustand im E-Commerce: viele Hände, viele Tools, keine gemeinsame Sicht. Entscheidungen hingen an der Aufmerksamkeit einzelner Menschen — und an deren Verfügbarkeit an einem Sonntagabend.
Was wir gebaut haben
Eine Engine statt eines Teams.
elvys hat diese verteilte Maschinerie durch ein System ersetzt. Eine Engine, die täglich läuft, die Daten aus Ads, Shop und Lager zusammenführt und an fünf Stellen selbst entscheidet. Kein Dashboard zum Anschauen — ein Apparat, der handelt. Modular aufgebaut, jederzeit um weitere Hebel erweiterbar.
Die fünf Module
Fünf Entscheidungspunkte, ein geschlossener Loop.
01
Ad-Screening & Skalierung
Jeden Tag werden alle aktiven Ads gescreent. Was liefert, bekommt mehr Budget; was nicht liefert, wird heruntergefahren. Die Entscheidung, für die vorher eine Agentur plus mehrfache Founder-Checks nötig waren, fällt automatisch — auf Tagesbasis, nicht im Wochenrückblick.
02
Demand Forecasting
Saisonale und kausale Modelle — unter anderem Wetter und Zeitpunkt — prognostizieren Bestellmengen und setzen Reorder-Points. Der Klassiker-Albtraum jedes E-Com-Gründers — Nachfrage da, Ware nicht — wird damit unwahrscheinlich.
03
Dynamic Pricing
Preise werden dort angehoben, wo der Markt es trägt, ohne dass im Shop ein spürbarer Volumen- oder Conversion-Verlust sichtbar wird.
04
Retourenprädiktion auf SKU-Ebene
Aus der Historie wird die Rücksende-Wahrscheinlichkeit pro Produkt, Größe und Kunde berechnet. Das schärft den Liquiditätsforecast — und macht Ausreißer sichtbar, die vorher schlicht niemand betrachtet hat.
05
Creative- & Content-Engine
Statt UGC zuzukaufen, erzeugt das System Creatives und SEO-Setups selbst und steuert über echte Performance plus niedrige Retourenquote, welche Produkte nach vorn gespielt werden.
Der eigentliche Hebel
Der geschlossene Loop.
Die Stärke liegt nicht in den fünf Modulen einzeln, sondern darin, dass sie sich gegenseitig füttern. Die Retouren-Daten aus Modul 4 und die Ad-Performance aus Modul 1 entscheiden mit, was die Creative-Engine in Modul 5 produziert und wie das Pricing in Modul 3 reagiert. Ein Produkt mit starker Performance und niedriger Rücksendequote wird gleichzeitig kreativ stärker bespielt, im Budget hochgezogen und im Preis getestet. Das ist keine Sammlung von Tools. Es ist ein System, das aus den eigenen Ergebnissen lernt.
Vorher / Nachher
Vom verteilten Team mit fünf Kostenstellen zur einen Engine.
Vorher
- 01Externe Agentur fährt die Ads
- 02CFO prüft laufend die Zahlen
- 036er-Creative-Team + UGC-Zukauf
- 04Getrennte Tools: Ads · Shop · Lager
- 05Gründer: 4–5× täglich manuell prüfen
Dauer-Anspannung · viele Kostenstellen · eine Sicht fehlt
Nachher
- 01Eine Engine, läuft jeden Tag
- 02Ads: Winner hoch, Loser runter
- 03Forecasting setzt Reorder-Points
- 04Pricing testet Marge automatisch
- 05Retouren-Score bereinigt Sortiment
✓ +15 % ROAS · bis +40 % Marge · Wachstumsteam ersetzt
Das Ergebnis
Vier Ergebnisse, ehrlich ausgewiesen.
ROAS seit Launch um 15 % gestiegen.
Über knapp vier Monate, gemessen auf demselben Ad-Konto — und das nicht durch ein höheres Budget erkauft, sondern durch die tägliche Reallokation. Wichtig zur Einordnung: Parallel sind die Agenturkosten und die manuellen Founder-Checks entfallen. Der Anstieg ist also ein konservativ ausgewiesener Netto-Effekt, kein Nebeneinander geschönter Kampagnenwechsel.
Auf einzelnen Produkten bis zu 40 % mehr Marge.
Erreicht über das Dynamic Pricing, ohne dass im Shop ein spürbarer Volumenverlust entstand. Bewusst als „einzelne Produkte" ausgewiesen, nicht als Durchschnitt über das ganze Sortiment — die Zahl gilt dort, wo der Markt den höheren Preis getragen hat.
Ein ganzes Wachstumsteam ersetzt.
Agentur, CFO-Review und ein sechsköpfiges Creative-Team werden für den laufenden Betrieb nicht mehr gebraucht. Die manuellen Kontrollblicke der Gründer sind von 4–5× am Tag auf praktisch null gefallen.
Forecasting und Retouren — qualitativ, ehrlich ausgewiesen.
Beim Demand Forecasting behaupten wir keine isolierte Prozentzahl: Der Punkt ist, dass das Risiko, das jeden E-Com-Gründer nachts wachhält, planbar geworden ist. Bei der Retourenprädiktion war der konkrete Effekt, dass mehrere Ausreißer-SKUs sichtbar wurden und aus dem Sortiment geflogen sind — Produkte, deren Rücksendequote den Deckungsbeitrag aufgefressen hat.
„Vorher haben wir vier-, fünfmal am Tag selbst in die Ads geschaut, dazu eine Agentur und ein CFO, der ständig die Zahlen prüfte — und trotzdem die Angst, dass nachts etwas wegläuft. Heute übernimmt das eine Engine, und allein das Creative-Team aus sechs Leuten brauchen wir dafür nicht mehr. Es ist ein anderes Unternehmen geworden."
Was wir daraus methodisch mitnehmen
Dieser Case hat ein Muster, das sich auf andere Firmen übertragen lässt.
Prinzip 1
AI ist die Hälfte, Prozessdesign ist die andere.
Die Ad-Engine ist nicht deshalb stark, weil ein Modell Anzeigen bewertet. Sie ist stark, weil die Reallokations-Logik sauber definiert ist — Winner hoch, Loser runter, jeden Tag — und weil alle fünf Module auf denselben Daten arbeiten. Die Modellqualität war der kleinere Teil der Arbeit. Der größere war die Frage, welche Entscheidung auf welcher Datenbasis automatisch fallen darf.
Prinzip 2
AI dort, wo Operatoren Frust haben.
Das vier- bis fünfmal tägliche Nachsehen war die unsexyeste, nervigste Aufgabe der Gründer — und genau deshalb der höchste ROI-Hebel. Nicht die spektakulärste Funktion bewegt die Geschäftszahlen, sondern die, die montagmorgens den Stress aus dem Alltag nimmt. AI in Demos sieht oft beeindruckend aus — die AI, die Geschäftszahlen bewegt, ist die, die jemandem den Sonntagabend zurückgibt.
Wo wir typischerweise ansetzen
Der Case bei SAVA ist kein Einzelfall.
Er ist Ausdruck der Bereiche, in denen wir mit Kunden arbeiten:
- 01Lead-to-Demo & Sales-Acceleration — personalisierte Outreach-Flows, Lead-Anreicherung, Speed-to-Lead
- 02Dokumenten- & Belegverarbeitung — Lieferscheine, Eingangsrechnungen, Compliance-Unterlagen
- 03Customer Onboarding & Trial-Conversion — automatisierte Setup-Flows, die Frust aus den ersten Stunden nehmen
- 04Operations-Audits & Workflow-Cleanups — Tool-zu-Tool-Pipelines, Klassifikationssysteme, Routing-Logiken
- 05Reporting & operative Dashboards — Daten aus Tool-Silos in eine Sicht zusammenführen
- 06Growth-, Inventory- & Margin-Operations (E-Com) — Ad-Reallokation, Demand-Forecasting, Dynamic Pricing, Retourenprädiktion — wie bei SAVA
Wer wir sind
Aufgebaut von Operatoren, nicht von Beratern.
elvys ist aufgebaut von Operatoren, nicht von Beratern. Wir betreiben eigene Firmen — SaaS, E-Commerce, Beteiligungen — und bauen die AI-Prozesse, die wir auch dort einsetzen, für unsere Kunden.
Daraus folgt eine Disziplin: Wir messen jeden Prozess, den wir bauen, an einer einzigen Frage. Hat er einen messbaren Hebel innerhalb eines Quartals erzeugt? Wenn nicht, sagen wir das offen — bevor du das nächste Quartal investierst.
45 Minuten · Kostenlos
Wir bauen einen Ihrer Prozesse nach und zeigen Ihnen, wo AI ihn 3–10× schneller macht.
Sie nennen uns einen Prozess, der bei Ihnen Zeit, Geld oder Kunden kostet. Wir zerlegen ihn live, identifizieren die Hebel und zeigen Ihnen, wie der gleiche Prozess mit AI aussehen würde — inklusive konkreter Schätzung, was sich in 90 Tagen messen ließe.
Zum StrategiegesprächDie Engine ist seit Anfang 2026 produktiv im Einsatz. Alle genannten Kennzahlen beziehen sich auf den Beobachtungszeitraum seit Launch (rund vier Monate); ROAS gemessen auf dem laufenden Ad-Konto, Marge auf Ebene einzelner Produkte.