Preisoptimierung mit maschinellem Lernen: Was jeder Einzelhändler wissen sollte

Aktualisiert Januar 2024

Traditionelle Preisoptimierung und ihre Grenzen

Die Optimierung der Preise auf eine Art und Weise, die sowohl den Gewinn maximiert als auch die Kunden nicht vom Kauf abhält, war für den Einzelhandel schon immer eine Herausforderung. Um die Preisoptimierung zu bewerkstelligen, haben Einzelhändler in der Regel traditionelle, regelbasierte Methoden verwendet. Diese Methoden beinhalten die manuelle Analyse von Kunden- und Marktdaten, wobei die für die Preisgestaltung Verantwortlichen dann einfache mathematische Modelle (z. B. lineare Regression) verwenden, um zu berechnen, wie sich Preisänderungen sowohl auf die Gewinnspannen als auch auf die Zahlungsbereitschaft der Kunden auswirken werden.

Auf der Grundlage dieser Analyse legen sie Preisregeln fest, die die Logik der Preisgestaltung bestimmen. Diese Preisregeln werden dann in Preisoptimierungstools gespeichert und dienen als Grundlage für die automatische Preisanpassung. Sie müssen regelmäßig überprüft und überwacht werden (z. B. durch AB-Tests), um sicherzustellen, dass sie an die aktuellen Marktbedingungen angepasst sind und optimal funktionieren. Dieser Prozess kostet die Unternehmen viel Zeit und Mühe, um ihn effektiv zu verwalten. Noch schlimmer ist, dass viele Unternehmen nicht über ein gutes Überwachungsverfahren verfügen.

Diese traditionellen Methoden der Preisoptimierung wurden in den letzten Jahren durch die explosionsartige Zunahme des elektronischen Handels und die allgemeine Digitalisierung des Marktes weiter beeinträchtigt. Dies hat zu einem massiven Anstieg der Menge an verbraucher- und verkaufsbezogenen Daten geführt, mit denen sich der Einzelhandel auseinandersetzen muss. Die schiere Menge an Daten, die heute zur Verfügung steht, macht es für Einzelhändler immer schwieriger, diese korrekt und kontinuierlich auszuwerten.

Insgesamt werden die Marktbedingungen, unter denen die Unternehmen derzeit konkurrieren, immer komplexer. Infolgedessen können herkömmliche Preisoptimierungsmethoden den Einzelhändlern bei der Preisgestaltung nicht mehr angemessen helfen. Es gibt jedoch neue Fortschritte in der Preisoptimierungstechnologie, die es den Einzelhändlern ermöglichen, das volle Potenzial ihrer Daten zu nutzen und gleichzeitig einfach und effektiv Preise festzulegen, die ihre Gewinne maximieren. Der Schlüssel zu dieser Technologie ist das maschinelle Lernen.

Was ist eine auf maschinellem Lernen basierende Preisgestaltung?

Die Technologie des maschinellen Lernens erweist sich als wichtiger Wegbereiter im Bereich der Preisoptimierung, da sie in der Lage ist, viele der Herausforderungen zu bewältigen, 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 dies bei der herkömmlichen Preisgestaltung möglich ist. Früher mussten die Verantwortlichen für die Preisgestaltung die Preisregeln manuell festlegen. Im Gegensatz dazu verwenden maschinelle Lernmodelle Algorithmen, die auf halbautomatische Weise kontinuierlich aus ihren Ergebnissen lernen. Einzelhändler können so mit Hilfe von Modellen des maschinellen Lernens Preise anhand verschiedener Ziele wie Gewinn, Umsatz oder Absatz festlegen. Sie sind in der Lage, dies vollautomatisch, viel präziser und mit einem Bruchteil des Aufwands zu tun.

Auf maschinellem Lernen basierende Preisfindungstools sind nicht nur lernfähig, sondern werden mit der Zeit immer besser darin, die optimalen Preispunkte für Einzelhändler zu finden, da sie in der Lage sind, den Sweet Spot zwischen „zu billig“ und „zu teuer“ zu entdecken. Darüber hinaus können diese auf maschinellem Lernen basierenden Preisfindungsinstrumente sowohl kritische interne Daten als auch einflussreiche externe Daten in ihren Algorithmen berücksichtigen. In Verbindung mit der Tatsache, dass sie viel größere und vielfältigere Datensätze verarbeiten können als ältere Technologien, führt dies zu einem hohen Maß an Präzision bei der Preisfestsetzung in Bezug auf diese einflussreichen Datenpunkte. Zu den Faktoren, die diese Algorithmen bewerten, gehören:

• Historische Verkaufs- und Transaktionsdaten
• Preise der Mitbewerber
• Jahreszeitliche Veränderungen
• Wetterbedingungen
• Vorratsbestände
• Produktmerkmale
• Marketing-Kampagnen

Anhand dieser Daten können auf maschinellem Lernen basierende Preisgestaltungsanwendungen die Preiselastizität berechnen, d. h. sie messen, wie sich die Nachfrage infolge veränderter Bedingungen verändert. Die Software passt dann die Preise entsprechend an. Mit diesen Instrumenten lässt sich auch feststellen, welche Produkte in ihrer Nachfrage relativ stabil sind – und sich daher für eine Margenoptimierung eignen – oder welche Produkte eine kritische Rolle für den Gesamtumsatz spielen und daher nur vorsichtig angepasst werden sollten.

Die auf maschinellem Lernen basierende Preisgestaltung setzt sich im Einzelhandel immer mehr durch. Laut einer IBM-Studie planen 73 Prozent der befragten Unternehmen, ihre Preisgestaltung und Verkaufsförderung bis Ende 2021 durch intelligente Automatisierung zu optimieren. Um wettbewerbsfähig zu bleiben, müssen Einzelhändler unbedingt die Umstellung ihrer Preisgestaltungsmethoden auf eine auf maschinellem Lernen basierende Technologie in Betracht ziehen.

Wie funktioniert die Preisgestaltung durch maschinelles Lernen?

Wie genau funktioniert die auf maschinellem Lernen basierende Preisgestaltung? Auch wenn es manchen obskur erscheinen mag, sind die Schritte zur Einrichtung einer erfolgreichen, auf maschinellem Lernen basierenden Preisoptimierungssoftware in Wirklichkeit recht einfach. Das Verfahren ist wie folgt:

Datenerhebung und Datenbereinigung

Für die Entwicklung eines maschinellen Lernmodells werden verschiedene Arten von Daten benötigt. Im Zusammenhang mit der Preisoptimierung könnte die Datenbank wie folgt aussehen:

Transaktionsbezogene Daten:

• Liste der zu unterschiedlichen Preisen verkauften Produkte
• Produktbeschreibungen: Daten zu jedem katalogisierten Produkt (Kategorie, Marke, Größe, Farbe usw.)

Kostenangaben:

• Kosten der Beschaffung
• Kosten für den Versand
• Kosten für Rücksendungen
• Marketing-Kosten

Daten der Wettbewerber:

• Preise der Wettbewerber für vergleichbare Produkte.

Inventar- und Lieferdaten:

• Daten zu den Lagerbeständen
• Produktverfügbarkeiten

Preisentwicklung

Nicht alle diese Informationen sind notwendig, und sie werden auch nicht für jede Branche oder jedes Unternehmen verfügbar sein. Zum Beispiel haben viele Einzelhändler keine „saubere“ Preishistorie. Eine auf maschinellem Lernen basierende Preisgestaltung ist jedoch in der Lage, ein Maximum an Erkenntnissen aus den verfügbaren Daten zu gewinnen. Dies führt in den meisten Fällen zu einer deutlichen Verbesserung des Status quo (z.B. höherer Gewinn). Darüber hinaus sind die Unternehmen zu Recht sehr vorsichtig im Umgang mit personenbezogenen Daten. Die gute Nachricht ist, dass für eine Preisoptimierung auf Produktebene keine personenbezogenen Daten verarbeitet werden müssen.

Die gesammelten Daten müssen dann von Fehlern bereinigt und für die weitere Verarbeitung vorbereitet werden. Dieser Schritt ist eine Herausforderung, da Daten unterschiedlicher Formate aus verschiedenen Quellen zusammengeführt werden müssen. Die Aufgabe sollte daher von erfahrenen Datenwissenschaftlern übernommen werden, die sicherstellen, dass die Daten korrekt und vollständig in einen Algorithmus umgewandelt werden.

Training des maschinellen Lernmodells

Der nächste Schritt besteht darin, das maschinelle Lernmodell zu trainieren. Zunächst analysiert das Modell alle Variablen und ermittelt die möglichen Auswirkungen von Preisänderungen auf den Absatz. 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 die Umsatz- und Gewinnprognosen.

Nach der Erstellung wird das Ausgangsmodell einem Praxistest unterzogen und kann auch regelmäßig manuell optimiert werden. Mit jeder Korrektur lernt der Algorithmus dazu und verbessert seine Ergebnisse selbstständig. Zusätzliche Datensätze können hinzugefügt werden, um die Genauigkeit des Algorithmus weiter zu optimieren. Mit der Zeit sinkt der Schulungsaufwand, während die Effektivität der Software kontinuierlich steigt.

Optimierung auf der Grundlage von Preiselastizitätsvorhersagen

Ein einmal entwickeltes maschinelles Lernmodell kann innerhalb von Minuten die optimalen Preise für bestimmte Unternehmensziele festlegen 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 sie die potenziellen Auswirkungen auf Umsatz und Nachfrage besser einschätzen können. Anstatt sich auf ihr Bauchgefühl und ihre Erfahrung zu verlassen, können sie nun auf der Grundlage der Ergebnisse des Algorithmus für maschinelles Lernen entscheiden. Dies verschafft ihnen Handlungsspielraum, was sich in der Regel in höheren Umsätzen und Gewinnen niederschlägt.

Welche Probleme können mit maschinellem Lernen und Preisoptimierung gelöst werden?

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

Vor allem E-Commerce-Unternehmen haben die auf maschinellem Lernen basierende Preisgestaltung übernommen und davon profitiert, obwohl es schwierig ist, die Übernahmequote mit Sicherheit zu quantifizieren. Laut einer Studie von Lucidworks planen jedoch 92 % der Einzelhandelsunternehmen, ihre Investitionen in generative KI zu erhöhen – vermutlich auch zur Preisoptimierung.

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

Einige andere internationale Marken, von denen bekannt ist, dass sie auf maschinellem Lernen basierende Preise verwenden, sind:

• Zara: Das Modeunternehmen legt seine Einstiegspreise über KI fest und lässt die Preise automatisch auf Trends reagieren. Infolgedessen muss Zara laut Ghemawat und Nueno nur 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 – setzen maschinelles Lernen ein, um weniger Kleidungsstücke über Preisnachlässe zu verkaufen, den Bestand effizienter zu verwalten und den Umsatz zu steigern.
• Boohoo, Shein: Fast Fashion-Einzelhändler sind dafür bekannt, dass sie maschinelles Lernen einsetzen, um ihre Geschäftsziele trotz niedriger Einstiegspreise zu erreichen.

Konkrete Statistiken und Erfolgsgeschichten über die auf maschinellem Lernen basierende Preisgestaltung finden Sie in unseren Fallstudien.

Was sind die Vorteile der auf maschinellem Lernen basierenden Preisoptimierung?

Wie oben beschrieben, unterliegt die herkömmliche Preisoptimierung aufgrund des regelbasierten Ansatzes, nach dem sie funktioniert, gewissen Einschränkungen. Diese Preisbildungsregeln sind starr und berücksichtigen nur einen Bruchteil der preisrelevanten Faktoren, was dazu führt, dass die Unternehmen systematisch Gewinne verlieren.

Mit maschinellem Lernen können diese zentralen Einschränkungen und Ungenauigkeiten überwunden werden, so dass Einzelhändler das volle Potenzial ihrer Daten ausschöpfen und ihre Gewinne maximieren können. Einige der Bereiche, in denen Methoden des maschinellen Lernens von Vorteil sind, sind:

Analyse großer und komplexer Datensätze

Die herkömmliche Preisoptimierung funktioniert auf der Grundlage einfacher mathematischer Formeln, die den heutigen komplexen Marktumgebungen und den riesigen Datenmengen, die von den Verbrauchern erzeugt werden, nicht mehr gerecht werden. Die Ergebnisse solcher Methoden hängen auch von der Qualität der Preisanpassungsregeln und dem für sie zuständigen Preisverwalter ab.

Bei der herkömmlichen Preisoptimierung kann es durch menschliches Versagen dazu kommen, dass kritische Entwicklungen übersehen oder wichtige Variablen falsch eingeschätzt werden. Dies alles führt zu Preisoptimierungen, die hinter ihrem Potenzial zurückbleiben.

Bei der auf maschinellem Lernen basierenden Preisgestaltung werden jedoch Modelle des maschinellen Lernens darauf trainiert, auch nicht offensichtliche Korrelationen zu erkennen. Sie sind auch in der Lage, die riesigen Mengen interner und externer Daten zu verwalten, die Einfluss auf Preisentscheidungen haben können, und zwar weit über das hinaus, was ein Mensch überhaupt bewältigen könnte.

Verbesserte Preisgestaltung in diversifizierten Sortimenten

Einzelhändler verwalten in der Regel große Sortimente mit Produkten aus verschiedenen Kategorien. Herkömmliche Preisoptimierungstools können Preisanpassungen nicht fein genug steuern, so dass sich automatische Änderungen auf der Grundlage von Preisregeln negativ auf den Absatz einzelner Produkte auswirken können. Das oder die Preisautomatisierung erfordert kostspielige manuelle Anpassungen zur Überprüfung und Pflege auf Produkt- oder Kategorieebene.

Im Gegensatz dazu sind auf maschinellem Lernen basierende Preisoptimierungstools in der Lage, die Preise bis auf die Ebene des einzelnen Produkts zu steuern und Änderungen anzustoßen, die nicht nur sortiments- oder kategorieübergreifend sind.

Keine Preissenkungen mehr auf Kosten des Gewinns

Preissenkungen, wie Rabatte oder Gutscheine, sind ein Mittel, mit dem Einzelhändler ihren Umsatz steigern und ihre Lager von älteren Produkten befreien können. Wird jedoch ein Pauschalrabatt angewandt, z. B. ein Rabatt von 30 % auf das gesamte Sortiment, verkauft ein Einzelhändler möglicherweise viele Produkte, die mit einem deutlich niedrigeren Rabatt hätten verkauft werden können – und verschenkt damit Gewinn.

Herkömmliche Preisfindungsmethoden funktionieren auf diese Weise, während die auf maschinellem Lernen basierende Preisfindung sehr viel präziser und damit vorteilhafter für die Einzelhändler sein kann.

Vermeidung von Einnahmeverlusten durch die traditionelle Preisgestaltung

Die herkömmliche Preisgestaltung ist in der Regel nicht sensibel genug, um den Einfluss verschiedener Faktoren, die sich auf den Umsatz auswirken können, genau zu bewerten – darunter Dinge wie Saison, Wetter und andere Faktoren, die das Verbraucherverhalten beeinflussen. Werden beim traditionellen Ansatz Fehler bei der Festlegung von Preisbildungsregeln gemacht – z. B. wenn bestimmte Faktoren zu stark oder zu schwach bewertet werden -, kann dies zu einer unangemessenen Preisbildung und letztlich zu Umsatzeinbußen führen.

Aus diesem Grund wirken Preisregeln bei sehr preisempfindlichen Produkten oft nicht aggressiv genug. Da die Preisregeln statisch sind, können sie auch nicht angepasst werden, um die Gewinnspannen für bestimmte Produkte zu schützen. Auf maschinellem Lernen basierende Preisfindungsmethoden hingegen arbeiten auf der Grundlage von Geschäftszielen. Durch Training und Lernen auf der Grundlage früherer und aktueller Daten sind sie in der Lage zu „wissen“, wie sich Preisänderungen auf wichtige Geschäftskennzahlen auswirken werden, und können sich entsprechend anpassen.

Verbesserte Berechnung der Kaufbereitschaft

Die Kaufbereitschaft der Verbraucher richtig einschätzen zu können, ist entscheidend für eine gute Preisstrategie. Herkömmliche Preisfindungsinstrumente sind nicht in der Lage, hierfür zuverlässige Vorhersagen zu machen. Die auf maschinellem Lernen basierende Preisoptimierung kann aus Big-Data-Variablen genau ableiten, wie sich die Preiselastizität entwickeln wird, und arbeitet so an der Gewinnmaximierung.

Berücksichtigung einer breiteren Palette von Einflussfaktoren

Die Preiselastizität eines Produkts wird von vielen Faktoren beeinflusst, die nicht statisch sind. Dies ist eine Schwäche herkömmlicher Optimierungsinstrumente: Die Datenbank und die Preisbildungsregeln müssen regelmäßig manuell angepasst werden, um aktuelle Markt- und Wettbewerbsentwicklungen zu berücksichtigen. Auch Änderungen in der Unternehmensstrategie müssen manuell in die Preisoptimierung einbezogen werden. Die auf maschinellem Lernen basierende Preisgestaltung arbeitet viel autonomer und lernt kontinuierlich aus neuen Daten.

Die neueste Generation der auf maschinellem Lernen basierenden Preisoptimierung: 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 die Preise für das gesamte Sortiment intuitiv und zielorientiert steuern. Wir nennen diesen Ansatz prädiktive Preisgestaltung.

Wie bei der auf maschinellem Lernen basierenden Preisgestaltung kann die Preisoptimierung mit Predictive Pricing bis auf die Produktebene hinunter differenziert werden. Auch wenig nachgefragte Produkte im Long Tail oder im Niedrigpreissegment können optimiert werden, da kein manueller Aufwand für die Überwachung erforderlich ist. Der Vorteil der vorausschauenden Preisgestaltung ist, dass die Preise im Voraus optimiert werden.

Wenn beispielsweise ein Produkt nicht mehr vorrätig ist, registriert die Anwendung dies frühzeitig und kann den Preis erhöhen, bevor es zu einem Lieferengpass kommt. Müssen Produktbestände abgebaut werden, weil bald neue Ware geliefert wird, greift die Predictive Pricing Software ebenfalls korrigierend ein, damit die definierten KPIs weiterhin erreicht werden.

Zusätzlich zu den übergeordneten Zielen können Unternehmen auch Ziele für einzelne Kategorien oder Produkte auswählen. Sollte ein Produkt beispielsweise 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 auch deren Entwicklung, so dass Preisanpassungen früher als bei anderen verfügbaren Methoden vorgenommen werden. Mussten solche Zukunftsszenarien und deren Auswirkungen bisher manuell simuliert werden, reduziert sich nun der Managementaufwand dafür, während die Qualität der Preisoptimierung steigt.

Die Nutzer müssen sich jedoch nicht blind auf die Preisempfehlungen des Algorithmus verlassen, da sie jederzeit die Kontrolle behalten. Manager können ihre gespeicherten Unternehmensziele variieren und simulieren, wie sich die daraus resultierenden Preisanpassungen auf alle relevanten KPIs auswirken werden. Auch vollständig manuelle Preisoptimierungen bleiben möglich. Die Ergebnisse der vorausschauenden Preisgestaltung sprechen für sich selbst. Mit Gewinnsteigerungen von mehr als 10 Prozent ist die KI-basierte Preisgestaltung auf dem besten Weg, sich als Goldstandard im E-Commerce und Omnichannel-Handel zu etablieren.

Wie der Predictive Pricing-Ansatz von 7Learnings Ihnen helfen kann, Ihre Preise zu optimieren

Maschinelles Lernen ist eine neue Technologie, die sich jedoch in der Unternehmenswelt schnell durchsetzt. Die Preisoptimierung ist ein Anwendungsfall, bei dem sich das maschinelle Lernen bereits bewährt hat. Nach den Global Playern ziehen nun auch kleinere Einzelhändler nach und führen eine auf maschinellem Lernen basierende Preisoptimierung ein. Denn unter den immer komplexeren und schnelllebigeren Marktbedingungen stößt die manuelle Preisgestaltung an ihre Grenzen. Bisherige mathematische Modelle sind zu vereinfacht, und menschliche Eingriffe machen Vorhersagen fehleranfällig.

Unternehmen, die bei der Preisoptimierung auf die Unterstützung durch maschinelles Lernen verzichten, werden in absehbarer Zeit Wettbewerbsnachteile spüren. Das liegt daran, dass die neue Technik viel zuverlässiger und deutlich schneller arbeitet.

Warum lohnt es sich, in intelligente Preisoptimierungstools zu investieren? Die Anwendungen sind eine einfache Möglichkeit, den Umsatz und den Gewinn zu steigern, ohne die Grundpfeiler der Strategie und des Angebots in Frage stellen zu müssen. Sie liefern maximale Ergebnisse bei minimalen Investitionen. Inzwischen ist es nicht mehr notwendig, Modelle für maschinelles Lernen von Grund auf zu entwickeln. Moderne Tools wie die Preisgestaltungslösung von 7Learnings machen den Einstieg in die auf maschinellem Lernen basierende Preisgestaltung für jedes Unternehmen erschwinglich.