fbpx

MACHINE LEARNING                     

Preisoptimierung mit Machine Learning: Was jede Handelsunternehmen wissen sollte

Um ihre Gewinne zu maximieren, passen Unternehmen seit jeher ihre Preise abhängig von Nachfrage und Zeitpunkt an. Doch die Methoden der traditionellen Preisoptimierung funktionieren im Netz immer schlechter. Eine neue und bessere Alternative ist Machine-Learning-basiertes Pricing.

Table of Contents

Warum traditionelle Preisoptimierung ausgedient hat

Optimale Preise festlegen, Gewinne maximieren, aber Kunden nicht vom Kauf zurückhalten – das war schon immer eine zentrale Herausforderung für Unternehmen. Bisher nutzen Einzelhändler vor allem traditionelle Methoden zur Preisoptimierung: Mitarbeiter analysieren Kunden- und Marktdaten und berechnen mithilfe einfacher mathematischer Modelle (z.B. lineare Regression), wie sich Preisänderungen auf Kaufbereitschaft und Gewinne auswirken. Anschließend hinterlegen sie in Preisoptimierungstools Regeln, auf deren Basis die Preise automatisch angepasst werden. Damit kein Umsatz “verschenkt” wird, müssen Mitarbeiter die Regeln immer wieder anhand aktueller Marktdaten prüfen. Dies kostet viel Zeit und Geld – und lohnt sich meist nur für große Unternehmen.

Die Digitalisierung hat die Preisoptimierung in den vergangenen Jahren allerdings dramatisch verändert. Sie ist einerseits Hilfe, da sie Unternehmen immer mehr und immer präzisere Daten liefert, auf Basis derer sie entscheiden können. Andererseits wird es aufgrund der schieren Menge an Daten immer herausfordernder, diese richtig und kontinuierlich auszuwerten.

Machine Learning (ML) setzt genau hier an: Die Algorithmen sind in der Lage, deutlich größere Datensets zu analysieren und deutlich mehr Variablen zu berücksichtigen. Während beim traditionellen Pricing Mitarbeiter die Preisregeln in einer manuellen Datenanalyse erarbeiten, wird dem Machine-Learning-Modell ein Umsatzziel vorgegeben. Nach einer kurzen Trainingszeit ermittelt es vollautomatisch die besten Preisen. Wesentlich präziser und zu einem Bruchteil des Aufwands.

Die Marktbedingungen, in denen sich Unternehmen behaupten müssen, werden immer komplexer. Traditionelle Preisoptimierung kann die diversen Datenpunkte nicht mehr angemessen auswerten. Unternehmen haben daher nur zwei Optionen: sich auf eine kostenbasierte Preiskalkulation zurückzuziehen und enormes Umsatzpotenzial zu verschenken oder Machine-Learning-basiertes Pricing einzuführen, um die besten Preise von smarten Algorithmen berechnen zu lassen.

Was ist Machine-Learning-basiertes Pricing?

Machine Learning gehört für Unternehmen zu den Schlüsseltechnologien, wenn sie ihre wachsenden Datenbestände wertschöpfend nutzen wollen. Preisoptimierung ist dabei ein effektiver Anwendungsfall.

Beim ML-basierten Pricing kommen komplexe Algorithmen zum Einsatz, die die Preiselastizität messen, um Nachfrageänderungen bei verschiedenen Preispunkten zu ermitteln. Eine Stärke des Machine-Learning-Ansatzes: Das Modell erkennt Muster in historischen Daten und kann viele Datenquellen eigenständig auswerten, ohne explizit auf bestimmte Mustererkennung programmiert zu werden.

Beispiele für Daten, die in die Auswertung einbezogen werden können:

  • Wettbewerb
  • Wetter
  • Jahreszeit
  • Besondere Ereignisse / Feiertage
  • Makroökonomische Variablen
  • Betriebskosten
  • Informationen zum Warenbestand

Mit Prognose-Algorithmen kombiniert, können die Machine-Learning-Modelle Auswirkungen von Preisanpassungen auf Gewinn und Umsatz vorhersagen. Machine-Learning-basierte Preisoptimierung kann auf Veränderungen in Datenquellen automatisch und wesentlich genauer reagieren als statische Modelle der traditionellen Preisoptimierung.

Welche Prognosen kann Machine Learning-basierte Preisoptimierung treffen?

  • Einstiegspreis
  • Optimale Preis gemäß KPIs
  • Optimaler Rabattpreis
  • Optimaler Aktionspreis

Einsatzszenarien: Machine-Learning-basierte Preisoptimierung im Groß- und Einzelhandel

Im Handel nutzen bisher vor allem E-Commerce-Unternehmen Machine-Learning-basiertes Pricing. Wie verbreitet ML-Pricing aktuell ist, lässt sich nicht mit Sicherheit sagen. Einer Studie von Business Insider zufolge planen jedoch 72 Prozent der Handelsunternehmen 2021 in KI und Machine Learning zu investieren – mutmaßlich auch in der Preisoptimierung.  

Vor allem Konzerne nutzen bereits die Macht von Machine Learning. Dazu gehören bekannte Marken wie der Modehändler Bonprix, das amerikanische Elektronikunternehmen Monoprice oder die britische Supermarktkette Morrisons. Bei einigen internationale Marken ist bekannt, dass sie Machine-Learning-basiertes Pricing einsetzen.

Zara

Das Modeunternehmen ermittelt seine Einstiegspreise KI-gestützt und lässt die Preise automatisiert auf Trends reagieren. Damit muss Zara Ghemawat und Nueno zufolge nur 15 bis 20 Prozent seiner Produkte zu reduzierten Preisen verkaufen – im Gegensatz zu 30 bis 40 Prozent bei anderen europäischen Händlern.

Ralph Lauren

Ralph Lauren – und auch Michael Kors – setzen Machine Learning ein, um weniger Kleidungsstücke über Markdown-Preise verkaufen zu müssen, Lagerbestände effizienter zu managen und den Umsatz zu erhöhen.

Boohoo, Shein u.a.

Fashion Discounters sind dafür bekannt, dass sie Machine Learning verwenden, um trotz niedriger Einstiegspreise ihre Geschäftsziele zu erreichen.

Für konkrete Statistiken und mögliche Erfolge durch Machine-Learning-basiertes Pricing lesen Sie unsere Case Studies.

Wie funktioniert Machine-Learning-basiertes Pricing?

Erst sind es die internationalen Konzerne und innovative Ecommerce Startups, die neue Technologien einführen, dann der Rest der Branche. Machine Learning-basiertes Pricing ist auf dem besten Weg, sich im Einzelhandel zu etablieren. Laut einer IBM-Studie planen 73 Prozent der befragten Unternehmen noch 2021 ihr Pricing und ihre Werbeaktionen durch smarte Automatisierung zu optimieren. Aber wie funktioniert sie nun genau? 

Datensammlung und Datenbereinigung

Um ein Machine-Learning-Modell zu entwickeln, werden unterschiedliche Arten von Daten, strukturierte und unstrukturierte, benötigt. Im Kontext der Preisoptimierung könnte die Datenbasis so aussehen:

  • Transaktionsdaten: Liste von verkauften Produkten zu unterschiedlichen Preisen und Käuferinformationen
  • Produktbeschreibungen: Daten zu jedem katalogisierten Produkt (Kategorie, Marke, Größe, Farbe etc.), Produktfotos und Herstellungs- bzw. Bezugskosten
  • Kundenstimmen: Kundenbewertungen und Kundenmeinungen zu den verkauften Produkten
  • Wettbewerbsdaten: Preise der Wettbewerber für vergleichbare Produkte
  • Bestands- und Lieferdaten: Daten zur Lagerauslastung, zu Bestellungen und Lieferungen

Nicht für jede Branche und jedes Unternehmen sind sämtliche Informationen notwendig oder vorhanden. Wenn ein Händler neu auf dem Markt ist, kann er zum Beispiel auf keine Kundenstimmen zurückgreifen. Zudem sind Unternehmen richtigerweise sehr vorsichtig bei der Nutzung von personenbezogenen Daten. Da das Machine-Learning-Modell immer auf den individuellen Einzelfall angepasst wird, kann es aber auch ohne diese Datenpunkte gute Ergebnisse liefern. Für Preisoptimierungen auf Produktebene sind personenbezogene Daten beispielsweise gar nicht notwendig. 

Die gesammelten Daten müssen im Anschluss von Fehlern bereinigt und für die weitere Verarbeitung aufbereitet werden. Dieser Schritt ist anspruchsvoll, da Daten unterschiedlichen Formats aus unterschiedlichen Quellen zusammengeführt werden müssen. Die Aufgabe sollte daher von erfahrenen Data Scientists ausgeführt werden, die sicherstellen, dass die Daten korrekt und vollständig in einen Algorithmus überführt werden.

Training des Machine-Learning-Modells

Im nächsten Schritt muss das Machine-Learning-Modell trainiert werden. Zunächst analysiert das Modell die Variablen und ermittelt mögliche Auswirkungen von Preisänderungen auf den Absatz. Dabei erkennt das Machine-Learning-Modell eigenständig Zusammenhänge und Muster, die menschliche Analysten leicht übersehen. Diese werden in den Algorithmus zur Kalkulation der optimalen Preise einbezogen und bilden die Basis für die Prognosen zu Umsatz und Gewinn.

Das initiale Modell wird in der Praxis getestet und kann regelmäßig manuell optimiert werden. Mit jeder Korrektur lernt der Algorithmus dazu und verbessert seine Ergebnisse auch eigenständig. Zusätzliche Datensätze können ergänzt werden, um die Treffsicherheit des Algorithmus weiter zu optimieren. Mit der Zeit nimmt der Trainingsaufwand ab, während die Wirksamkeit des Tools kontinuierlich steigt.

Die Entwicklung solcher Machine-Learning-basierter Pricingtools ist allerdings kostspielig. Eine Inhouse-Entwicklung ist für die meisten Unternehmen daher nicht empfehlenswert – zumal es schwierig ist das richtige Personal mit der benötigten Kombination aus Pricing und Data Science Know-How zu finden. . Das Outsourcing der Preisoptimierung führt  in den meisten Fällen zu einem besseren Business Case.

Optimierung auf Basis von Prognosen zur Preiselastizität

Ein Machine-Learning-Modell kann innerhalb weniger Minuten optimale Preise für spezifische Geschäftsziele definieren und die Preiselastizität für tausende von Produkten ermitteln.

Diese Berechnungen können Marketing- und Product-Teams nutzen, um mutiger mit Einstiegspreisen und Discounts zu experimentieren, weil sie die potenziellen Auswirkungen auf Umsatz und Nachfrage besser einschätzen können. Statt sich auf Bauchgefühl und Erfahrung verlassen zu müssen, können sie auf Basis des ML-Algorithmus argumentieren. Dies verschafft ihnen Handlungsspielraum, der sich in der Regel in einem Umsatz- und Gewinnplus niederschlägt.

Welche Probleme lassen sich mit Machine-Learning-basierter Preisoptimierung lösen?

Preisoptimierung ist nicht neu: Viele Unternehmen pflegen traditionelle, statische Modelle, um ihre Marge zu optimieren. Doch das Vorgehen hat Schwächen. Mithilfe von Machine Learning lassen sich diese Ungenauigkeiten und Fehler vermeiden.

Problem 1: Auswertung riesiger und komplexer Datenmengen

Traditionelle Preisoptimierung arbeitet auf Basis von einfachen mathematischen Formeln, die den heutigen komplexen Marktumfeldern nicht mehr gerecht werden. Zudem können die Ergebnisse nur so gut sein, wie von Analysten definierten Preisanpassungsregeln.

Immer wieder übersehen die Mitarbeiter kritische Entwicklungen oder schätzen die Bedeutung von Variablen falsch ein – mit der Folge, dass die Preisoptimierung weit unter ihrem Potenzial zurückbleibt.

Anders mit Machine Learning: ML-Modelle erkennen auch nicht offensichtliche Zusammenhänge, können Daten genauer auswerten und ihre Fehleranfälligkeit ist drastisch geringer als die menschlicher Pricing Manager.

Problem 2: Pricing in diversifizierten Sortimenten

Vor allem im E-Commerce führen Unternehmen meist große Sortimente – mit Produkten unterschiedlicher Kategorien. Traditionelle Preisoptmierungstool können Anpassungen nicht fein genug steuern, sodass automatische Änderungen den Absatz einzelner Produkte negativ beeinflussen oder aber die Preisautomatisierung aufwändige manuelle Nachjustierung auslöst. Machine Learning Tools sind in der Lage, Preise individuell anzusteuern und Änderungen nicht nur sortimentweit oder pro Kategorie, sondern auf Produktebene vorzunehmen.

Problem 3: Preisreduzierungen zu Lasten des Gewinns

Preisreduzierungen sind ein beliebtes Mittel, um den Umsatz zu steigern und die Lager von älteren Produkten zu befreien. Wer allerdings mit pauschalen Markdown-Preisen arbeitet à la „25 Prozent auf das gesamte Sortiment“ reduziert viele Produkte, die sich auch noch zum regulären Preis hätten verkaufen lassen. Verschenkter Gewinn. Traditionelle Preisoptimierung arbeitet nach dem Prinzip Planierwalze, Machine Learning greift dagegen mit chirurgischer Präzision ein.

Problem 4: Umsatzverluste durch traditionelles Pricing

Traditionelles Pricing wertet vorab festgelegte Faktoren nach bestimmten Regeln aus. Wenn bei einzelnen Faktoren Fehler unterlaufen, sie zu stark oder schwach bewertet werden, kann dies ungünstige Kettenreaktionen auslösen. Das Ergebnis: Umsatzverlust.

Konkret kann dies dazu führen, dass ein Ansatz basierend auf Preisregeln bei hoch preissensiblen Produkten nicht aggressiv genug reagiert.  Dieses Potential wird von dem regelbasierten Ansatz auch nicht erkannt, weil von statischen Regeln zur Margensicherung auf einzelnen Produkten nicht abgewichen wird. Ein weiteres Beispiel ist,  dass die traditionelle Anwendung den Preis senkt, weil sie Preissenkungen beim Wettbewerber erkennt. Dies ist folgerichtig, aber nicht alle Produkte reagieren sensibel auf Wettbewerbspreisänderungen. Im Resultat wird hier Umsatzpotential verschenkt.  Machine Learning Tools arbeiten basierend auf Geschäftszielen und „wissen“, wie sich Preisänderungen auf diese auswirken.

Problem 5: Fehlberechnungen bezüglich der Kaufbereitschaft

Die Kaufbereitschaft der Kunden richtig einzuschätzen, ist notwendig für eine wettbewerbsfähige Preisstrategie. Traditionelle Pricing Tools sind nicht in der Lage, darüber verlässliche Prognosen zu treffen.

Machine-Learning-basierte Preisoptimierung kann aus großen Datenmengen Variablen präzise ableiten, wie sich die Preiselastizität entwickelt und so den Gewinn maximieren.

Problem 6: Wichtige Faktoren werden außer Acht gelassen

Die Preiselastizität eines Produkts wird von vielen Faktoren beeinflusst, die nicht statisch sind. Hier liegt eine Schwäche traditioneller Optimierungstools: Datenbasis und Preisregeln müssen regelmäßig manuell angepasst werden, um aktuelle Markt- und Wettbewerbsentwicklungen widerzuspiegeln. Auch Änderungen in der Unternehmensstrategie müssen manuell in die Preisoptimierung eingebracht werden.

Machine-Learning-basiertes Pricing arbeitet deutlich autonomer und aktualisiert die eigenen Regeln basierend auf identifizierten Musteränderungen in der Datenbasis.

Welche Vorteile bietet eine auf Machine Learning basierende Preisoptimierung?

Ja oder Nein? Nach einer PwC-Studie ist für 60 Prozent der Verbraucher der Preis ausschlaggebend bei ihrer Kaufentscheidung. Machine-Learning-basiertes Pricing macht es Einzelhändlern um ein Vielfaches leichter, optimale Preise zu definieren, und bietet darüber hinaus weitere Vorteile.

Sofortiger ROI

Unternehmen, die ihre Preise auf Basis historischer Daten und Auswertungen durch Machine Learning kalkulieren, sehen einen schnellen Return on Invest. Denn die ML-Algorithmen können kurzfristige Marktchancen auf Produktebene erkennen, Preisanpassungen schnell ausführen und Händlern so zu Gewinnsteigerungen verhelfen.

Traditionelle Preisoptimierungstools sind schwerfälliger: Mitarbeiter müssen Marktdaten in regelmäßigen Intervallen manuell prüfen und in Preisregeln überführen. Damit der Aufwand wirtschaftlich bleibt, können hier nur längerfristige und saisonale Entwicklungen berücksichtigt werden. Kurzfristige Marktänderungen für einzelne Produkte zu erkennen, ist im klassischen Vorgehen nicht möglich.

Verlässliche Prognose des Kaufverhaltens

Machine-Learning-basierte Preisoptimierung ermöglicht eine sehr präzise Vorhersage des Preiseffekts auf Gewinn- und Umsatz, sodass Unternehmen ihre Preise entsprechend ihrer Geschäftsziele justieren können – und zwar ohne manuelles Zutun. Eine einmalige Definition der Unternehmensziele reicht aus und der Algorithmus ermittelt anhand historischer Kundendaten, wie die Preise angepasst werden müssen, um in Einklang mit den Geschäftszielen die bestmögliche Marge zu erhalten.

Wenn Unternehmen besondere Aktionen planen oder überlegen, ihre hinterlegten Ziele anzupassen, können sie die Auswirkungen vorab von der ML-basierten Preisoptimierung simulieren lassen: Wie verändert eine Preiserhöhung die Kaufbereitschaft? Wie wirkt sich ein Rabatt von 25 oder 15 Prozent aus? Was passiert, wenn wir die Preise immer auf dem Niveau eines bestimmten Wettbewerbers halten (Price matching)? Die val

Automatisierung manueller Tätigkeiten

Um optimale Preise zu erzielen, müssen Unternehmen Millionen von Daten analysieren und diverse Faktoren berücksichtigen. Die Sortimente sind heute so umfangreich, dass manuelle Auswertungen nicht mehr treffsicher ausfallen können. Gleichzeitig verändern sich die Märkte immer schneller. Analysten können mit diesem Tempo nicht mehr mithalten, was menschlich ist, aber wertvollen Umsatz kostet.

Unternehmen, die Machine Learning in der Preisoptimierung einsetzen, werden ihren Wettbewerbern immer drei Schritte voraus sein, da ihre Analysen präziser und frei von menschlichen Fehlern sind. Der MIT Sloan Management Review weist darauf hin, dass automatisiertes Pricing eine Preisoptimierung für deutlich mehr Produkte erlaubt, als es mit traditionellen Pricingtools möglich ist. Wer Umsätze nicht an die Konkurrenz verlieren will, kommt früher oder später um eine Automatisierung nicht herum.

Schnelle Reaktion auf Marktveränderungen

Wer bietet das Produkt am günstigsten an? Laut einer Forbes-Studie kaufen 60 Prozent der Verbraucher bei Shops mit den besten Preisen. Je nach Trends und Saison unterscheidet sich die Zahlungsbereitschaft allerdings deutlich. Mit einer ML-basierten Preisoptimierung erkennen Unternehmen schnell, wenn sich Änderungen beim Wettbewerb oder in der Nachfrage abzeichnen.

Die Anwendung agiert eigenständig auf Basis der Preisstrategie des Unternehmens und ist damit immer schneller, als es menschliche Marktbeobachtung sein kann. Mit Machine Learning werden Unternehmen nicht mehr von Preissenkungen des Wettbewerbs überrascht, sondern können Marktchancen selbst aktiv nutzen.

Höhere unternehmerische Resilienz

Welche Preise markttauglich sind, ist für Menschen schwer vorherzusehen – und auch statische Modelle scheitern regelmäßig. Wie beim Wetter kann sich die Lage scheinbar aus heiterem Himmel ändern. Machine Learning in der Preisoptimierung sorgt dafür, dass Unternehmen seltener überrascht werden, wenn „das Wetter umschlägt“. Die Anwendung liefert mit ihren Prognosen verlässliche Zukunftsaussichten, sodass Unternehmen die größtmögliche Kontrolle über Preise und Umsatz gewinnen.

Gerade in wirtschaftlichen Krisenzeiten hilft eine ML-basiertes Pricing, Preise nicht in überzogenem Maß anzupassen, sondern so zu justieren, dass der Umsatz trotz widriger Marktbedingungen gehalten oder Absatzchancen genutzt werden können. Auf diese Weise tragen automatisierte Pricingtools in nicht unerheblichem Maß zur Resilienz von Unternehmen bei.

Kontinuierliche Verbesserung des Pricing-Algorithmus

Traditionelle Preisoptimierung arbeitet nach Regeln, die von Mitarbeitern in Abständen geprüft und aktualisiert werden müssen. Ob sie danach besser als vorher greifen, ist allerdings nicht garantiert.

Machine Learning ermittelt Verkaufsentwicklungen und passt Preise in Einklang mit Unternehmenszielen automatisch an. Dabei lernt das Modell aus seinen Aktionen, sodass es mit der Zeit in jedem Fall immer bessere Ergebnisse liefert.

Zielbasierte statt intuitiver Preisoptimierung

Traditionelle Preisoptimierung versucht durch Marktbeobachtungen und simple Ableitungen Preise zu definieren, die auf die Unternehmensziele einzahlen. Intuition und Erfahrung der Pricing Manager spielen eine nicht zu unterschätzende Rolle. Oft sind die Preisregeln aber zu schematisch und ungenau.

Machine-Learning-Modelle nehmen die Intuition aus der Gleichung und ermitteln auf Basis Daten unterschiedlicher Quellen optimale Preise für die wechselnden Marktgegebenheiten. Hierbei berücksichtigen sie die strategischen Ziele. Sollen bestimmte Produkte von Preisnachlässen ausgenommen werden? Sind Preise in einzelnen Kategorien bei bestimmten Grenzwerten zu regulieren? ML-Pricing arbeitet zielbasiert und optimiert für jedes Produkt.

Fazit

Machine Learning ist eine neue Technologie, die sich aber rasant in der Unternehmenswelt etabliert. Preisoptimierung ist ein Anwendungsfall, in dem sich Machine Learning bereits bewährt hat. Nach den Global Playern ziehen nun auch kleinere Einzelhändler nach und führen Machine-Learning-basierte Preisoptimierung ein. Denn in den immer komplexer werdenden und schnellen Marktbedingungen stößt manuelles Pricing an seine Grenzen. Die bisherigen mathematischen Modelle sind zu vereinfachend, das menschliche Eingreifen macht die Vorhersagen fehleranfällig.

Unternehmen, die auf die Unterstützung von Machine Learning in der Preisoptimierung verzichten, werden in absehbarer Zeit Wettbewerbsnachteile spüren. Denn die neue Technologie arbeitet sehr viel verlässlicher und deutlich schneller.

Warum sich die Investition in smarte Preisoptimierungstools lohnt? Die Anwendungen sind ein einfacher Weg, um Umsatz und Gewinn zu erhöhen, ohne grundlegende Pfeiler der Strategie und des Angebots in Frage stellen zu müssen. Sie liefern maximale Ergebnisse bei minimalem Invest. Mittlerweile ist es nicht mehr notwendig, Machine-Learning-Modelle von Grund auf zu entwickeln. Moderne Tools wie die Pricing Lösung von 7Learnings machen den Einstieg in die ML-basierte Pricing für jedes Unternehmen erschwinglich.