Regelbasiertes vs. Machine-Learning-basiertes Pricing

Führende Online-Händler wie Zalando oder ABOUT YOU nutzen als Preisstrategie längst die neueste Generation des Pricings: Machine Learning-basierte Pricing Software. Im Gegensatz zu konventioneller, regelbasierter Preisfindung fußt diese auf zeitgemäßer KI, also auf Künstlicher Intelligenz. Was die Grundlage cleverer Pricing Lösungen ist und wie sich Gewinne durch kontinuierliche Optimierung der Artikelpreise im Wettbewerbsumfeld optimieren lassen, lesen Sie hier.

Regelbasierte Preisgestaltung ist die konventionelle Art des Pricings im Online-Handel. Dabei werden statische Preisregeln nach bestimmten Formeln festgelegt, um Preise an die Bewegungen von Wettbewerbspreisen zu koppeln. Die meisten Online-Einzelhändler passen ihre Preise nach dieser Methode an. Typisch dafür sind sogenannte Repricing Robots. Sie versuchen eine hohe Listung auf Markplätzen wie Amazon zu sichern, damit ein Artikel ganz oben in der Buy-Box, also dem Einkaufswagen-Feld, erscheint. Um das zu erreichen, wird der Preis vom Repricing Robot laufend überprüft und immer wieder angepasst – meist nach unten, da sich auf großen Plattformen viele Händler gegenseitig zu unterbieten versuchen. Letztlich nutzt das nur dem Marktplatz und den Käufern, nicht aber den Händlern selbst, deren Margen zunehmend kleiner werden.

Einfache Repricing Tools

Für unterschiedliche Einsatzgebiete werden im Handel verschiedene Tools angeboten: Einige beschäftigen sich mit dem Pricing auf großen Online-Plattformen wie Amazon oder Ebay, andere sind auf Preisvergleichsanbieter ausgerichtet, wieder andere auf die Google-Suche. Zudem gibt es spezielle Repricing Tools für den eigenen Webshop.

Die regelbasierte Preisfindung kann auch dynamisch ausgerichtet sein, sodass der Preis beispielsweise immer dem drittbilligsten Konkurrenzpreis entspricht. Dann können sich die Preise eines Produkts täglich oder sogar mehrmals pro Stunde ändern. 

Bei der regelbasierten Preisgestaltung gibt es zwei wesentliche Mängel:

  • Die Verwaltung der Preisformeln erfordert einen hohen manuellen Aufwand.
  • Preisregeln basieren oft auf Parametern, die leicht zu messen sind, aber nur begrenzte Informationen über das Kundenverhalten enthalten.

Das führt dazu, dass Händler, die regelbasiertes Pricing nutzen, Gewinnpotenzial liegen lassen und die Preisgestaltung nicht auf die Zahlungsbereitschaft ihrer Kunden abstimmen.

Schon gewusst?

10 Prozent durchschnittliche Gewinnsteigerung gegenüber regelbasiertem Pricing ist mit Machine Learning-basierter Pricing Software möglich – das konnte 7Learnings in A/B-Tests bei Kunden in verschiedenen Handelsegmenten nachweisen. 

Zeitgemäßes Dynamic Pricing nutzt Machine Learning Technologie

Im Gegensatz zu Regel-basiertem Pricing können fortgeschrittene Algorithmen des Machine Learnings die Zahlungsbereitschaft von Kunden messen. Grundlage hierfür ist die Messung der Preiselastizität  – sie macht eine Aussage darüber, wie sich die Nachfrage ändert, sobald sich der Preis ändert. Damit ist sie der Schlüssel zur Bestimmung von optimalen Preisen. Ein Dynamic-Pricing-Algorithmus kann die Preisnachfragekurve jedes Produktes bestimmen.

Der Wettbewerbspreis spielt dabei eine Rolle, ist jedoch anders als beim Repricing nicht allein ausschlaggebender Faktor, sondern wird im Kontext gesehen und bezieht viele weitere Preisbildungsfaktoren wie die Markenstärke des Händlers (seinen Service, sein Kundenvertrauen), Tageszeit, Wetter oder auch momentanen Bestand eines Artikels mit ein.

So können Händler ihre Preise in Richtung der Unternehmensziele steuern und auf ihre KPIs optimieren. Ein fortschrittlicher Algorithmus lässt sich beispielsweise auf Umsatzmaximierung oder Bestandsoptimierung konfigurieren. Die Preisgestaltung reagiert dynamisch und automatisch auf eine Änderung des Kundenverhaltens, Rabatte werden differenzierter und intelligenter gesetzt. Dynamic Pricing mit Hilfe von Machine Learning Algorithmen ist damit die zeitgemäße Form der Preisfindung im Handel.

Expertenmeinug

„Interessant ist, dass die Akzeptanz für dynamische Preisgestaltung bei den 18- bis 40-Jährigen besonders ausgeprägt ist. Über 70 Prozent der Kunden aus dieser Altersgruppe sind bereit, schwankende Preise anzuerkennen, sofern sich diese nicht stündlich ändern. Die eigenen Erfahrungen mit Onlineshopping spielen dabei offenbar eine wichtige Rolle.“ Prof. Dr. Nikolas Beutin, Leiter der Customer Practice für PwC Europe 

Repricing Lösungen:
einfache KI versus fortgeschrittene KI

Zeitgemäße Pricing Software beruht auf KI und Machine Learning. Das sind Schlagworte, die momentan inflationär verwendet werden. Dabei ist zwischen einfacher und fortgeschrittener KI zu unterscheiden:

  • Ein einfaches KI-System analysiert vorhandene Daten und deckt verborgene Muster auf. Auf dieser Grundlage kann es Vorhersagen treffen oder sogar Aktionen vorschreiben.
  • Ein fortgeschrittener Algorithmus verwendet Deep Learning und Reinforcement Learning-Methoden. Im Vergleich zu einfachen KI-Methoden können so zusätzliche Erkenntnisse aus den vorhandenen Daten gewonnen werden. Fortgeschrittene Algorithmen sind auch in der Lage, größere Mengen von Datenquellen zu verarbeiten. Am wichtigsten ist jedoch, dass diese Form der KI kontinuierlich lernt und ihre Ergebnisse dadurch laufend anpasst und verbessert.

 

Um ein bestmögliches Pricing-Ergebnis zu erzielen, ist gerade bei einem großen Sortiment mit starker Online-Konkurrenz und harten Preiskämpfen inzwischen eine fortschrittliche Pricing Software unerlässlich.  

Mehr zum Thema Preiselastizität lesen Sie hier.

Bei 7Learnings haben wir mehr als 10 Jahre Erfahrung mit der Technologie des maschinellen Lernens. Führende europäische Onlinehändler nutzen unsere Technologie zur Optimierung ihrer Preise. Im Durchschnitt konnten wir die Gewinne unserer Kunden um mehr als 10% steigern und dies in A/B Tests nachweisen. Wenn Sie mehr über das Potenzial des Dynamic Pricing der nächsten Generation erfahren wollen, wenden Sie sich gerne an uns und buchen Sie eine Produktdemo.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn