Preisoptimierung mit Machine Learning: Was jede Handelsunternehmen wissen sollte

Inhaltsverzeichnis

Traditionelle Preisoptimierung und ihre Grenzen

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. Das kostet viel Zeit und Geld – und lohnt sich meist nur für große Unternehmen.

Die Digitalisierung hat die Preisoptimierung in den vergangenen Jahren 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 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 die Software vollautomatisch die besten Preise – sehr präzise und mit einem Bruchteil des Aufwands. 

Bisher wurden zur Preisoptimierung Preisregeln definiert, die die Preissetzung bestimmen. Diese Preisregeln waren in Preisoptimierungs-Tools gespeichert und dienten als Grundlage, auf der die Preise jeweils automatisch angepasst wurden. Sie mussten regelmäßig überprüft und überwacht werden (z. B. mit AB-Tests), um sicherzustellen, dass sie an die aktuellen Marktbedingungen angepasst waren und optimal funktionierten. Dieser Prozess kostete Unternehmen viel Zeit und Mühe. Noch schlimmer war, dass viele Unternehmen über keinen Überwachungsprozess verfügten.  

Diese traditionellen Preisoptimierungsmethoden sind in den letzten Jahren durch die E-Commerce-Explosion und die Digitalisierung des Marktes weiter beeinträchtigt worden. Der Online-Handel hat zu einem massiven Anstieg von verbraucher- und verkaufsbezogenen Daten geführt, mit denen sich Einzelhändler auseinandersetzen müssen. Die schiere Menge an Daten, die nun verfügbar ist, macht es für Einzelhändler zunehmend schwierig, diese korrekt und kontinuierlich auszuwerten.

Und die Marktbedingungen, in denen sich Unternehmen behaupten müssen, werden auch in Zukunft 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?

Die Technologie des maschinellen Lernens ist im Bereich der Preisoptimierung ein Meilenstein, da sie viele der Herausforderungen lösen kann, mit denen Einzelhändler derzeit konfrontiert sind. Zum einen können Algorithmen, die auf maschinellem Lernen basieren, viel größere Datensätze analysieren und wesentlich mehr Variablen berücksichtigen, als es bei der traditionellen Preisgestaltung möglich ist. Früher mussten Pricing-Manager die Preisregeln manuell festlegen. Machine Learning-Modelle hingegen verwenden Algorithmen, die halbautomatisch und kontinuierlich aus ihren Ergebnissen lernen. Einzelhändler sind dadurch in der Lage, die idealen Preise für ihre Umsatzziele festzulegen – vollautomatisch, hochpräzise und mit einem Bruchteil des bisherigen Aufwands.

Auf maschinellem Lernen basierende Pricing-Tools sind nicht nur lernfähig, sondern werden mit der Zeit auch immer besser darin, die optimalen Preispunkte für Einzelhändler zu finden. Das liegt daran, dass sie den Sweet Spot zwischen „zu billig“ und „zu teuer“ finden. Darüber hinaus können Machine Learning-basierte Pricing-Tools sowohl kritische interne Daten als auch einflussreiche externe Daten in ihren Algorithmen berücksichtigen. Das und die Tatsache, dass sie viel größere und vielfältigere Datensätze als ältere Technologien verarbeiten, ermöglicht es ihnen, Preise sehr genau zu bestimmen. Zu den Faktoren, die diese Algorithmen auswerten, gehören:

  • Historische Verkaufs- und Transaktionsdaten
  • Saisonale Veränderungen
  • Wetterbedingungen
  • Lagerbestände
  • Produktmerkmale
  • Marketing-Kampagnen

Anhand dieser Daten können Machine Learning-basierte Pricing-Tools die Preiselastizität berechnen, d. h. sie messen, wie die Nachfrage infolge von Preisänderungen schwankt. Die Software passt dann die Preise entsprechend an. Die Tools können auch ermitteln, welche Produkte in ihrer Nachfrage relativ stabil sind – und sich daher für eine Margenoptimierung eignen –, und welche Produkte eine kritische Rolle für den Gesamtumsatz spielen und daher nur vorsichtig angepasst werden sollten.

Machine Learning-basiertes Pricing ist heute im Einzelhandel angekommen. Laut einer IBM-Studie planen 73 Prozent der befragten Unternehmen, ihre Preisgestaltung und Promotionen bis Ende 2021 durch intelligente Automatisierung zu optimieren. Um wettbewerbsfähig zu bleiben, ist es für Einzelhändler daher unerlässlich, ihrer Preismethoden auf eine auf maschinellem Lernen basierende Technologie umzustellen.  

Wie funktioniert die auf maschinellem Lernen basierende Preisoptimierung?

Wie genau funktioniert die auf maschinellem Lernen basierende Preisgestaltung? Glücklicherweise sind die Schritte zur Einrichtung einer erfolgreichen auf maschinellem Lernen basierenden Preisoptimierungssoftware ziemlich einfach. Der Prozess sieht wie folgt aus:

Datensammlung und Datenbereinigung

Um ein maschinelles Lernmodell zu entwickeln, werden verschiedene Arten von Daten benötigt. Im Kontext der Preisoptimierung könnte die Datenbasis wie folgt aussehen:

Transaktionsdaten:
  • Liste von Produkten, die zu verschiedenen Preisen verkauft wurden
  • Produktbeschreibungen: Daten zu jedem katalogisierten Produkt (Kategorie, Marke, Größe, Farbe etc.)
Kosten:
  • Beschaffungskosten
  • Kosten für den Versand
  • Kosten für Retouren
  • Marketing-Kosten
Daten der Mitbewerber:
  • Mitbewerberpreise für vergleichbare Produkte
Lagerbestands- und Lieferdaten:
  • Daten zu Lagerbeständen
  • Produktverfügbarkeiten

Preishistorie

Nicht all diese Informationen sind notwendig und werden auch nicht für jede Branche oder jedes Unternehmen verfügbar sein. Viele Einzelhändler haben keine „saubere“ Preishistorie. Die auf maschinellem Lernen basierende Preisgestaltung ist jedoch in der Lage, ein Maximum an Erkenntnissen aus den verfügbaren Daten zu extrahieren. Dies führt in den meisten Fällen zu einer deutlichen Verbesserung des Status quo (z. B. zu höheren Gewinnen). Hinzu kommt, dass Unternehmen zu Recht sehr vorsichtig sind, wenn es um die Verwendung individueller Kundendaten geht. Die gute Nachricht ist, dass für eine Preisoptimierung auf Produktebene keine personenbezogenen Daten verarbeitet werden müssen. 

Die gesammelten Daten werden zunächst von Fehlern bereinigt und für die weitere Verarbeitung vorbereitet. Dieser Schritt ist anspruchsvoll, da Daten unterschiedlicher Formate aus verschiedenen Quellen zusammengeführt werden müssen. Diese Aufgabe sollte daher in den Händen erfahrener Data Scientists liegen, die sicherstellen, dass die Daten korrekt und vollständig in einen Algorithmus überführt werden.

Training des Machine Learning-Modells

Der nächste Schritt ist das Trainieren des Machine Learning-Modells. Zunächst analysiert das Modell alle Variablen und ermittelt die möglichen Auswirkungen von Preisänderungen auf den Umsatz. Dabei erkennt das maschinelle Lernmodell selbstständig Korrelationen und Muster, die menschliche Analysten leicht übersehen. Diese fließen in den Algorithmus zur Berechnung der optimalen Preise ein und bilden die Grundlage für Umsatz- und Gewinnprognosen.

Einmal erstellt, durchläuft das Ausgangsmodell einen Praxistest und kann auch regelmäßig manuell optimiert werden. Mit jeder Korrektur lernt der Algorithmus und verbessert selbstständig seine Ergebnisse. Zusätzliche Datensätze lassen sich hinzufügen, um die Genauigkeit des Algorithmus‘ weiter zu optimieren. Mit der Zeit sinkt der Trainingsaufwand, während die Effektivität der Software kontinuierlich steigt.

Optimierung auf Basis von Preiselastizitätsvorhersagen

Einmal entwickelt, kann ein maschinelles Lernmodell innerhalb von Minuten die optimalen Preise für bestimmte Geschäftsziele definieren und die Preiselastizität für Tausende von Produkten bestimmen.

Interne Marketing- und Produktteams können diese Berechnungen nutzen, um mutiger mit Einstiegspreisen und Rabatten zu experimentieren, da sich die möglichen Auswirkungen auf Umsatz und Nachfrage besser einschätzen lassen. Anstatt sich auf Bauchgefühl und Erfahrung zu stützen, können sie nun auf Basis der Ergebnisse des maschinellen Lernalgorithmus‘ argumentieren. Das eröffnet Handlungsspielraum, was sich in der Regel in höheren Umsätzen und Gewinnen niederschlägt.

 

Welche Probleme können mit Machine Learning-basiertem Pricing gelöst werden?

Einzelhändler setzen zunehmend maschinelles Lernen und KI-gestützte Technologien ein, um sich einen Wettbewerbsvorteil zu verschaffen, und das aus gutem Grund. Insbesondere die Preisgestaltung ist ein Bereich, in dem sich auf maschinellem Lernen basierende Methoden als besonders vorteilhaft und wirkungsvoll erweisen.

Gerade E-Commerce-Unternehmen setzen maschinelles Lernen zur Preisgestaltung ein und profitieren davon. Es ist schwierig, die Akzeptanzrate mit Sicherheit zu quantifizieren. Laut einer Studie von Business Insider planen jedoch 72 Prozent der Einzelhandelsunternehmen, bis 2021 in KI und maschinelles Lernen zu investieren – vermutlich auch in die Preisoptimierung. 

Es gibt viele bekannte Einzelhändler, die sich die Möglichkeiten des maschinellen Lernens bereits zunutze machen. Dazu gehören große Marken wie der Modehändler Bonprix, das US-amerikanische Elektronikunternehmen Monoprice oder die britische Supermarktkette Morrisons.

Einige andere internationale Marken, von denen bekannt ist, dass sie Machine Learning-basiertes Pricing einsetzen, sind:

Zara

Das Modeunternehmen legt seine Einstiegspreise per KI fest und lässt die Preise automatisiert auf Trends reagieren. Dadurch muss Zara laut Ghemawat und Nueno nur noch 15 bis 20 Prozent seiner Produkte zu reduzierten Preisen verkaufen, im Gegensatz zu 30 bis 40 Prozent bei anderen europäischen Einzelhändlern.

Ralph Lauren

Ralph Lauren und Michael Kors nutzen maschinelles Lernen, um weniger Kleidungsstücke über Abschlagspreise zu verkaufen, den Bestand effizienter zu verwalten und den Umsatz zu steigern.

Boohoo, Shein

Fast-Fashion-Händler sind dafür bekannt, dass sie maschinelles Lernen einsetzen, um ihre Geschäftsziele trotz niedriger Einstiegspreise zu erreichen.

Konkrete Statistiken und mögliche Erfolge durch auf maschinellem Lernen basierende Preisgestaltung finden Sie in unseren Case Studies.

Whitepaper

Predictive Pricing

Die nächste Generation der Preisoptimierung für den Handel

Was sind die Vorteile der auf maschinellem Lernen basierenden Preisoptimierung?

Wie bereits beschrieben, ist die traditionelle Preisoptimierung mit Einschränkungen verbunden, die auf ihrem regelbasierten Ansatz gründen. Die Preisregeln sind starr und berücksichtigen nur einen Bruchteil der preisrelevanten Faktoren, was dazu führt, dass Unternehmen systematisch Gewinne verlieren.

Mit maschinellem Lernen können diese zentralen Einschränkungen und Ungenauigkeiten überwunden werden, sodass Einzelhändler das volle Potenzial ihrer Daten ausschöpfen und ihre Gewinne maximieren können. Einige der Vorteile Machine Learning-basierten Pricings sind:

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 die von Analysten definierten Preisanpassungsregeln.

Immer wieder übersehen 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 weniger offensichtliche Zusammenhänge, können Daten genauer auswerten und ihre Fehleranfälligkeit ist drastisch geringer als die menschlicher Pricing Manager.

Pricing in diversifizierten Sortimenten

Vor allem im E-Commerce führen Unternehmen oft große Sortimente – mit Produkten unterschiedlicher Kategorien. Traditionelle Preisoptimierungstools 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 über Sortimente oder pro Kategorie, sondern auf Produktebene vorzunehmen.

Keine 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. Ein verschenkter Gewinn.

Traditionelle Preisoptimierung arbeitet nach dem Prinzip Planierwalze, Machine Learning greift dagegen mit chirurgischer Präzision ein.

Vermeidung von Umsatzverlusten durch traditionelles Pricing

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

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

Verbesserte Prognose 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 präzise ableiten, wie sich die Preiselastizität entwickelt, und so den Gewinn maximieren helfen.

Berücksichtigung aller wichtigen Faktoren

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.

Die neueste Generation des Machine Learning-basierten Pricings: Predictive Pricing

7Learnings geht mit seiner auf maschinellem Lernen basierenden Preisoptimierungslösung noch einen Schritt weiter. Wir verwenden Preiselastizitäts- und Prognosealgorithmen, um die Auswirkungen von Preisänderungen auf die vom Unternehmen definierten KPIs vorherzusagen. Manager können so die Preise für das gesamte Sortiment auf Basis von Zielvorgaben steuern. Wir nennen diesen Ansatz Predictive Pricing.

Wie bei der auf maschinellem Lernen basierenden Preisgestaltung kann die Preisoptimierung mit Predictive Pricing bis auf die Produktebene hinunter differenziert werden. Selbst wenig nachgefragte Produkte im Long Tail oder im Niedrigpreissegment lassen sich preislich optimieren, da kein manueller Aufwand für die Überwachung erforderlich ist. Der Vorteil von Predictive Pricing ist, dass die Preise bereits im Vorfeld optimiert werden.

Geht beispielsweise ein Produkt zur Neige, registriert die Anwendung das frühzeitig und kann den Preis anheben, bevor es zu einem Lieferengpass kommt. Müssen Produktbestände reduziert werden, weil bald neue Ware eintrifft, greift die Predictive-Pricing-Software ebenfalls korrigierend ein, damit die definierten KPIs weiterhin erreicht werden.

Neben den übergeordneten Zielen können Unternehmen auch Ziele für einzelne Kategorien oder Produkte wählen. Soll zum Beispiel ein Produkt eine bestimmte Durchverkaufsrate erreichen? Die KI-Anwendung erkennt Abweichungen von den gesetzten Verkaufszielen früher als herkömmliche Machine Learning-Anwendungen und steuert die Preise so, dass das Produkt sein volles Gewinnpotenzial ausschöpft.

Mit Predictive Pricing profitieren Online-Händler von allen Vorteilen des maschinellen Lernens, ergänzt um die Vorteile genauer Prognosen. Denn die Anwendungen werten nicht nur aktuelle Daten aus, sondern antizipieren deren Entwicklung, sodass Preisanpassungen früher als bei anderen verfügbaren Methoden vorgenommen werden. Mussten solche Zukunftsszenarien und deren Auswirkungen bisher manuell simuliert werden, reduziert sich nun der Verwaltungsaufwand, während die Qualität der Preisoptimierung steigt.

Der Anwender muss sich aber nicht blind auf die Preisempfehlungen des Algorithmus‘ verlassen, denn er behält jederzeit die Kontrolle. Manager können ihre hinterlegten Unternehmensziele variieren und simulieren, wie sich daraus resultierende Preisanpassungen auf alle relevanten KPIs auswirken. Auch komplett manuelle Preisoptimierungen bleiben möglich.

Die Ergebnisse von Predictive Pricing sprechen für sich. Mit Gewinnsteigerungen von mehr als 10 Prozent ist das KI-basierte Pricing auf dem besten Weg, sich als Goldstandard im E-Commerce und Omnichannel-Handel zu etablieren.

Wie der Predictive Pricing-Ansatz von 7Learnings Ihnen bei der Preisoptimierung helfen kann

Predictive Pricing verschafft Einzelhändlern einen enormen Vorteil gegenüber Konkurrenten, die sich bei der Preisoptimierung auf traditionelle Technologien verlassen. Diese Methode ist nicht nur den traditionellen regelbasierten Pricing-Tools überlegen, sondern auch einfachen Machine Learning-Anwendungen.

KI-basierte Anwendungen werden schon bald der neue Standard in der Preisgestaltungstechnologie sein. Je früher sich Unternehmen damit vertraut machen, desto besser. Für viele weckt „künstliche Intelligenz“ die Assoziation, teuer und nur für große Marktteilnehmer erschwinglich zu sein. Das ist jedoch ein Irrglaube. Die Eigenentwicklung von KI-basierter Preisgestaltungstechnologie kann zwar kostspielig sein, ist aber nicht notwendig, um die Vorteile zu nutzen.

7Learnings bietet Unternehmen eine einfache und intelligente Möglichkeit, ihre Preise zu optimieren. Mit unserer Predictive Pricing-Software haben wir einigen der führenden Händler in Europa geholfen, ihre Pricing-Prozesse durch maschinelles Lernen zu verbessern. Mithilfe der neuesten Deep-Learning-Technologie sagt unsere Anwendung die Nachfrage, den Umsatz und die Preiselastizität für jedes Produkt voraus. Und mit nur einem Klick können unsere Kunden marktgerechte Preise generieren, die den Gewinn maximieren und gleichzeitig limitierende Faktoren wie den aktuellen Lagerbestand berücksichtigen.

Mit unseren innovativen Preisoptimierungs-Tools erhalten Teams Einblicke, die sie benötigen, um bessere und wirkungsvollere Geschäftsentscheidungen zu treffen. Unsere Software ist einfach zu bedienen und lässt sich nahtlos in Ihr Backend-System integrieren. So können Sie Ihre Abläufe automatisieren und gleichzeitig direkte Auswirkungen auf Ihr Geschäft erzielen.

Predictive Pricing birgt ein riesiges Potenzial für Einzelhändler, denn es ermöglicht ihnen, die Preisstrategie zu verbessern, die Preise einfach zu optimieren und das Gewinnpotenzial zu maximieren. Wir bei 7Learnings haben mehr als 10 Jahre Erfahrung mit auf maschinellem Lernen basierender Pricing-Technologie, und führende europäische Einzelhändler nutzen unsere Technologie bereits zur Optimierung ihrer Preise. Unsere Ergebnisse sprechen für sich. Wenn Sie mehr über das Potenzial von Predictive Pricing der nächsten Generation für Ihr Unternehmen erfahren möchten, kontaktieren Sie uns gerne, um eine Produktdemo zu vereinbaren.

Demo anfordern

Finden Sie heraus, wie die Predictive Pricing-Technologie von 7Learning Sie im Einzelhandel unterstützt.

Book a free product demo.