Rund 300 Milliarden Dollar Umsatz haben Händler aus dem Non-Food-Bereich laut einer von Coresight durchgeführten Studie so allein im Jahr 2019 verschenkt. Dabei lassen sich Abschriften optimieren und Rabatte sinnvoll einsetzen, um Lagerbestände abzubauen und zugleich die Rendite zu optimieren. Wie das funktioniert, lesen Sie hier.
Rabattierung im Modehandel
Die Modebranche ist volatil und schnelllebig. Dank Rabattschlachten wie Mid-Season Sale oder Shopping Week herrscht beinahe das ganze Jahr über Schlussverkauf. Und die Vielzahl der Produktvarianten führt dazu, dass die Preise ständig optimiert werden müssen. Saisonale Modeartikel haben zudem einen kurzen Lebenszyklus – Mäntel, die den Händlern im Herbst noch aus den Händen gerissen werden, interessieren im Frühjahr kaum jemanden mehr.
Am Ende der Saison hohe Rabatte anzubieten, um Lagerbestände abzubauen und Platz für Neuware zu schaffen, ist allerdings fast immer unrentabel. Dennoch spielt das Thema Abschriftenpreisgestaltung für Händler eine zentrale Rolle, um Margen- und Gewinnverluste zu vermeiden. KI (Künstliche Intelligenz), Dynamic Pricing und Machine-Learning-Algorithmen helfen glücklicherweise, optimale Preise festzulegen und damit Abschriften zu reduzieren. Denn nur wer Höhe und Zeitpunkte seiner Abschriften steuert, kann Risiken minimieren und Gewinne maximieren.
Schon gewusst?
Hohe Rabatte und Abschriften sind für den Textilfachhandel ein immenses Problem. Das zeigt eine repräsentative Umfrage des BTE Bundesverband des Deutschen Textileinzelhandels von 2019. Zunehmende Rabattschlachten bewerteten die Umfrage-Teilnehmer mit 9,2 von 10 Punkten als größtes Problem ihrer Branche. Die Preisabschläge haben sich 2019 bei 43 Prozent der Mode-Unternehmen erhöht und nur bei 26 verringert.
Wie hilft Machine Learning-basierte Dynamic Pricing-Software, Abschriften zu optimieren?
Branchenriesen wie Zalando oder About You machen es vor: Sie haben sämtliche Preisbildungsprozesse durch den Einsatz künstlicher Intelligenz automatisiert. So erzielen sie jederzeit für jedes Produkt in allen Vertriebskanälen den besten Preis. Machine Learning-basierte Pricing-Software nutzt dafür sogenannte Preisfindungsalgorithmen. Sie prognostizieren die Auswirkungen verschiedener Preisnachlässe auf Umsatz und Gewinn. Fortschrittliche Pricing-Software ist dabei in der Lage, unterschiedlichste Kriterien wie Warengruppe oder -kategorie, aktuellen Lagerbestand, Wettbewerbsintensität und Konkurrenzpreise, momentane Nachfrage, aufkommende Trends oder auch das Wetter miteinzubeziehen. Das System kann außerdem individualisierte Rabatte für einzelne Regionen und Artikel bereitstellen.
Basierend auf diesen Prognosen werden die Preise optimiert, um mit dem aktuellen Bestand den höchsten Gewinn zu erzielen und ihn bis zu einem festgelegten Stichtag auszuverkaufen. Je nach Vorhersage passt der Preisfindungsalgorithmus den Preis nach oben oder unten an. So werden Abschriften und Ertrag eines Produkts während seines Lebenszyklus‘ automatisch optimiert. Der Händler bestimmt, wie häufig die Preise aktualisiert werden – von wöchentlich bis mehrmals am Tag ist alles möglich. Auch Omnichannel-Einzelhändler finden so den idealen Preis am jeweiligen Touchpoint, ob im Online-Shop, in der Shopping-App oder im Geschäft vor Ort.
Machine Learning-basierte Dynamic Pricing-Software ist fähig, aus Rabatt-Aktionen zu lernen, sich kontinuierlich anzupassen und zu verbessern. Dabei lernt die Software nicht nur aus historischen Daten über das jeweilige Produkt, sondern auch über Kategorien und Marken hinweg.
Whitepaper
Predictive Pricing
Die nächste Generation der Preisoptimierung für den Handel
Vorteile einer fortschrittlichen Pricing-Software bei der Preisfindung im Modehandel
- Einsparung von Personal und Ressourcen
- Umfassende Bestandskontrolle, geringere Lagerbestände, niedrigere Kosten
- Steigerung von Absatz und Umsatz durch Abverkaufsplanung mit optimalen Preispunkten
- Schnelle Reaktion auf geänderte Rahmenbedingungen wie Einkaufsbedingungen, Wettbewerb, Wetter etc.
- Perfektes Timing von Rabattierungen und Preissenkungen
- Unkompliziertes Omnichannel-Management
- Automatische Berücksichtigung von Lieferverfügbarkeiten
Ideale Preisgestaltung dank Pricing Software
Dynamic Pricing, das auf Machine Learning beruht, ist keine Zukunftsmusik, sondern längst Gegenwart. Jedenfalls bei den großen Marktführern. Zalando geht noch einen Schritt weiter und schafft es, KI-Fortschritte in Kundenerlebnisse umzusetzen. Stacia Carr, Leiterin der technischen Abteilung, betont, wie wichtig es sei, „riesige Datenmengen und Technologien wie Machine Learning zu nutzen, um zu zeigen, dass wir den Kunden besser kennen als jeder andere “.
So bietet der Online-Riese seinen Kunden mit Zalon, einem personalisierten Shopping-Service, auf Wunsch maßgeschneiderte Outfit-Vorschläge. Dank Partnerprogrammen können Drittanbieter den Zalando-Marktplatz als Verkaufskanal nutzen – die Kunden profitieren von einer riesigen Auswahl an Marken und Artikeln. Viele vergünstigte Angebote steigern das Kundenerlebnis zusätzlich. Dynamic Pricing spielt gerade beim letzten Punkt eine zentrale Rolle und wäre ohne KI nicht rentabel.
