Die Bedeutung von Daten bei der dynamischen Preisgestaltung

Angesichts des anhaltenden Booms beim Online-Shopping war die Einführung einer dynamischen Preisgestaltung noch nie so wichtig wie heute. Die Preise müssen in einem zunehmend wettbewerbsorientierten Umfeld sinnvoll sein, und das Preismodell Ihres Unternehmens muss sich an Schwankungen der Kundennachfrage und des Kaufverhaltens anpassen können. Die Fähigkeit, bei der Preisgestaltung schnell und sachkundig zu handeln, wirkt sich massiv auf die Gesamtgewinnspanne aus.

Traditionell wurde die Preisgestaltung im Einzelhandel auf der Grundlage statischer Preisregeln festgelegt, die eine begrenzte Anzahl von Dateninputs (z. B. Kostenbasis, Umrechnungskurse usw.) nutzten. Bei diesem Ansatz wurden riesige Mengen wichtiger Daten – sowohl Transaktionsdaten als auch Nicht-Kaufdaten – nicht genutzt. Daten, die zu intelligenteren, flexibleren Preisentscheidungen führen könnten!

In der heutigen hyperschnellen, hart umkämpften Einzelhandelslandschaft machen sich datengestützte dynamische Preisstrategien die Macht dieser Verbraucherdaten zunutze und nutzen sie als Grundlage für Preisentscheidungen. Das explosionsartige Wachstum von Big Data und das darin enthaltene Potenzial für die Entwicklung von KI- und maschinellen Lernansätzen für Preisstrategien hat neue Möglichkeiten für intelligente Preislösungen eröffnet. Die Technologie des maschinellen Lernens hebt die dynamische Preisgestaltung auf die nächste Stufe, da sie viel größere Datensätze verarbeiten und verschiedene Einflussfaktoren berücksichtigen kann, um die Auswirkungen von Preisänderungen vorherzusagen.

Für Unternehmen, die im Online-Handel tätig sind, sollten das Verbraucherverhalten und die daraus gewonnenen Daten einen wichtigen Schwerpunkt bilden. Indem sie das Verbraucherverhalten bei der Preisgestaltung berücksichtigen, setzen die Unternehmen ihre Preise weiterhin auf den Wert, den ein Kunde einem bestimmten Produkt zuschreibt, und arbeiten auch daran, diese Wertwahrnehmung zu manipulieren, zu messen und zu steigern. Dieser neue Ansatz für die Preisgestaltung basiert auf den Daten, die durch das Verhalten der Käufer generiert werden, sowie auf der größeren Wettbewerbslandschaft.

Dank künstlicher Intelligenz und maschinellem Lernen können sich Einzelhändler heute leichter einen Überblick darüber verschaffen, was sowohl Wettbewerber als auch Kunden zu einem bestimmten Zeitpunkt tun, und ein besseres Gefühl für die Einflüsse und Gründe ihres Kaufverhaltens entwickeln. Der Reichtum und die schiere Menge an Daten, die Online-Konsumenten generieren, ermöglichen neue, besser informierte Strategien zur Steigerung der Kundenzufriedenheit und der Rentabilität des Unternehmens.

Big Data im Einzelhandel

Mit dem rasanten Wachstum des Online-, Mobil- und Social-Media-Einkaufs hat sich die Datenmenge explosionsartig erhöht, so dass jetzt „Big Data“ verfügbar ist. Und wenn es um die Preisgestaltung geht, ändern sich die Preise sofort und mehrmals täglich für Millionen von Produkten im gesamten Online-Ökosystem – das bedeutet, dass jeden Tag weltweit mehrere zehn Millionen Preisentscheidungen getroffen werden. Dies entspricht Dutzenden, wenn nicht Hunderten von Millionen zusammenhängender Datenpunkte!

Es ist wahrscheinlich, dass dieses Datenwachstum weiter zunehmen wird. Vor allem im Einzelhandel hinterlassen die Kunden bei jedem Online-Einkauf eine Datenspur. Darüber hinaus gibt es weitere Datenquellen wie Preise von Wettbewerbern, Wetterdaten und unternehmensinterne Daten, z. B. die Daten, die über die Marketingaktivitäten des Unternehmens gesammelt wurden. Für Einzelhändler lassen sich Big Data in der Regel in zwei Hauptkategorien einteilen:

Strukturierte Daten: Zu dieser Art von Daten gehören Namen, Adressen, Transaktionshistorie, Kundenbindungsprogramme und größtenteils alle anderen Daten, die eine Art von „Menge“ beinhalten.

Unstrukturierte Daten: Zu dieser Art von Daten gehören Produktbewertungen, Bilder, Likes und Erwähnungen in sozialen Netzwerken sowie alle anderen Daten aus sozialen Medien.

Fortschrittliche Tools zur dynamischen Preisgestaltung ermöglichen es, diese enorme Menge an strukturierten und unstrukturierten Daten zu sammeln und sie für die Umsetzung einer umfassenden Strategie zu nutzen. Und Big Data ist die Ressource, mit der eine dynamische Preisstrategie funktionieren kann. Bei dieser Technologie geht es um die Optimierung der Datenverarbeitung (mit allem, was dazugehört). Es geht nicht nur darum, eine große Menge an Daten zu sammeln, sondern die gesammelten Daten zu nutzen, um Ihre Preisgestaltung zu optimieren. Immer mehr Einzelhändler gehen dazu über, diese Fülle an Daten zu nutzen, um bessere Preisentscheidungen zu treffen und sich einen Wettbewerbsvorteil zu sichern. Die riesigen Datenmengen, die zur Verfügung stehen, sind daher auch eine wichtige Triebkraft für eine dynamische Preisgestaltung.

Jeder Einzelhändler oder jede Marke, die eine dynamische Preisgestaltung einsetzt, ist von den Daten abhängig, die als Entscheidungsgrundlage verwendet werden. In dieser Hinsicht ist die Qualität der Daten sehr wichtig, da sie in einen Algorithmus einfließen, der zur Entwicklung und Information von Nachfrageprognosen und automatischen Preisentscheidungen verwendet wird.

Daten und Algorithmen zur dynamischen Preisgestaltung

Durch die Analyse der riesigen Datenmengen, die ihnen zur Verfügung stehen, in Kombination mit dem aktuellen Marktgeschehen und anderen externen Datenquellen können Einzelhändler mit Hilfe von Algorithmen ihre Preise für die Kunden optimieren. Wir können zwischen zwei Arten von Algorithmen unterscheiden, die bei der Preisgestaltung eingesetzt werden:

  • Traditionelle, regelbasierte Algorithmen: Die Logik dieser Algorithmen wurde explizit programmiert. Sie bestehen häufig aus einer Reihe von „Wenn-dann“-Regeln, die die Preise auf der Grundlage einer Reihe von Einflussfaktoren bestimmen.
  • Auf maschinellem Lernen basierende Algorithmen: Diese Algorithmen lernen auf der Grundlage einer Reihe von Trainingsdaten, um Vorhersagen über die Auswirkungen des Preises auf Verkäufe, Einnahmen und Gewinn zu treffen. Auf der Grundlage dieser Prognose können Optimierungen vorgenommen werden, um die Geschäftsziele zu erreichen. Dieser Algorithmus und seine Logik der Vorhersage sind nicht explizit programmiert. Der Algorithmus lernt ständig aus neuen Daten.

Eine Einschränkung herkömmlicher Algorithmen besteht darin, dass sie nur eine begrenzte Anzahl von Einflussfaktoren berücksichtigen können, oft weniger als drei. Die Verwaltung und Überwachung dieses regelbasierten Ansatzes ist ebenfalls sehr zeit- und arbeitsaufwändig. Durch die Nutzung von Big Data in Verbindung mit einem auf maschinellem Lernen basierenden Ansatz sind Einzelhändler jetzt besser in der Lage, die für ihr Geschäft am besten geeignete Preisstrategie zu definieren.

Mit dieser fortschrittlichen Technologie ist es möglich, Prozesse mit Datenmengen durchzuführen, die ein einzelner Pricing Manager nicht bewältigen könnte. Ein auf maschinellem Lernen basierender Ansatz kann die Nachfrage für einzelne Artikel im Sortiment eines Unternehmens berechnen – was bei Tausenden von SKUs eine gewaltige Aufgabe ist – und kann automatisch eine Reihe von Einflussfaktoren berücksichtigen, sowohl interne (z. B. Lagerbestände, Zielverkaufsdaten) als auch externe (z. B. Wettbewerbsdaten, zeitliche und wetterbedingte Faktoren). Erfahren Sie hiermehr über Anwendungen des maschinellen Lernens im Einzelhandel .

Die Arten von Daten, die für die dynamische Preisoptimierung verwendet werden

Ein wichtiger Grund, warum Einzelhändler, insbesondere Online-Händler, auf KI und maschinelles Lernen basierende dynamische Preisgestaltung einsetzen, ist die riesige Menge an Daten und externen Faktoren, die bei der Preisbestimmung berücksichtigt werden müssen: Verkaufsdaten, Lagerbestände, Wettbewerbsdaten, Werbedaten, Transaktionsdaten, saisonale Trends, Wetterdaten – und mehr! All diese Daten sind riesig und für sich genommen etwas unhandlich, aber im Zeitalter der KI ist es zunehmend möglich, sie zu nutzen, um diese Datenmenge zu verarbeiten und verwertbare Erkenntnisse zu gewinnen.

Zusätzlich zu den oben erwähnten „strukturierten“ und „unstrukturierten“ Datentypen ist es wichtig, bei der Entwicklung einer auf maschinellem Lernen basierenden Preisoptimierung sowohl Daten auf Mikro- als auch auf Makroebene zu verwenden. Dazu gehören:

Daten auf Mikroebene: interne Daten, einschließlich Verkaufs- und Transaktionsdaten, Produktstammdaten, Kostendaten, historische Preise, Marketingdaten und Geschäftsstrategien.
Daten auf der Makroebene: Hierbei handelt es sich um externe Marktdaten und Einflussfaktoren, zu denen Daten von Mitbewerbern, zeitbezogene Daten (z. B. Wochentag, Jahreszeit) und standortspezifische Daten (z. B. regionale Daten, Wetterdaten) gehören.

Interne Daten

Produktattribute: Dazu gehören wichtige Informationen wie Kosten, Margenobergrenze, Grundpreis und MAP-Preis. Produktattribute (oder Produktstammdaten) sind die digitale Darstellung des Sortiments eines Einzelhändlers und ein wichtiges Instrument für die dynamische Preisoptimierung. Zu diesen Datenpunkten gehören häufig die Produkt-ID, die Zuordnung der Stammvariante, der aktuelle Preis, die UVP, die untere und obere Preisgrenze, die saisonale Kennzeichnung, die Marke, die Farbe, die Größe, der Lagerbestand, das Verfallsdatum oder das Zielverkaufsdatum und vieles mehr. Die Gruppierung dieser Attribute in Kategorien ist eine wichtige Möglichkeit, diese Art von Daten zu nutzen. Für die Modelle ist es oft schwierig, nur aus den Daten einzelner Produkte zu lernen, daher ist es wichtig, die Daten auf Kategorieebene zu nutzen und daraus zu lernen.

Vorratsbestände: Hierbei handelt es sich um wichtige Daten zu den aktuellen Lagerbeständen und dem Gesamtangebot. Das vorhandene Angebot wird (über die Bestandsverfolgung) mit der vorhandenen Nachfrage kombiniert, was eine wesentliche Determinante dafür ist, wie eine Software für dynamische Preisgestaltung optimale, marktgerechte Preise berechnet.

Transaktionsdaten: Dazu gehören alle Transaktionen, verkaufte Einheiten, Preisentwicklung und Umsätze. Dazu gehören auch Informationen über den Käufer und die Herstellungs- oder Beschaffungskosten. Jede auf maschinellem Lernen basierende Software für dynamische Preisgestaltung benötigt die Verkaufs- und Transaktionsdaten eines Unternehmens, um die Nachfrage für jedes Produkt in Ihrem Sortiment zu berechnen. Dies bildet die Grundlage für jede Preisentscheidung der KI. Zumindest werden alle Verkaufsinformationen benötigt, z. B. welche Artikel zu welchem Preis verkauft wurden.

Zusätzliche Transaktionsinformationen verbessern die Prognosequalität der KI und steigern die Ergebnisse nochmals. Dazu gehören beispielsweise Artikel, die der Kunde angesehen hat, Artikel, die er in den Warenkorb gelegt hat, Artikel, die er aus dem Warenkorb gelöscht oder storniert hat, Artikel, die er gespeichert oder auf eine Wunschliste gesetzt hat, und Artikel, nach denen er gesucht hat. Produkte angesehen, Warenkörbe angelegt, Warenkörbe gelöscht, Merklisten gespeichert oder Suchbegriffe eingegeben, um nur einige Beispiele zu nennen.

Externe Daten

Daten der Mitbewerber

Die Daten der Mitbewerber können weitreichend sein und Elemente wie Listenpreis, Versandpreis, Buy-Box-Preis, FBA, vergriffene Bestände, geografische Lage sowie Produktbewertungen und -rezensionen umfassen. Diese Daten können durch Crawling-Software (auch „Scraping“ genannt) gesammelt werden, die Informationen aus öffentlich zugänglichen Quellen sammelt. Die Unternehmen werden immer raffinierter, wenn es darum geht, die Möglichkeiten ihrer Konkurrenten, diese Daten zu sammeln, einzuschränken.

Tage der Woche

Die Wochentage haben einen Einfluss auf die Verbrauchernachfrage. Je nach Geschäftsmodell eines Unternehmens wird der Umsatz je nach Tag steigen oder fallen. Vielleicht sind sie eher ein Wochentags- oder ein Wochenend-Geschäft.

Eine dynamische Preisstrategie kann diese Daten nutzen und die Preise am Wochenende entsprechend der Nachfrage an diesen Tagen erhöhen oder senken. Preisoptimierungslösungen, die es Unternehmen ermöglichen, benutzerdefinierte Zeitrahmen für die genaue Umsetzung von einmaligen, laufenden oder zeitlich begrenzten Preisänderungen zu erstellen.

Feiertage

Die bevorstehenden Feiertage werden die Nachfrage nach bestimmten Artikeln erhöhen, z. B. Geschenkpapier vor Weihnachten oder Blumen zum Muttertag. Durch die Verwendung historischer Transaktionsdaten, die mit den Feiertagen verglichen werden, können Einzelhändler genau feststellen, welche Artikel in ihrem Sortiment zu welchem Zeitpunkt eine erhöhte Nachfrage aufweisen. Diese Daten helfen einem dynamischen Preisfindungsalgorithmus bei der Vorhersage der Nachfrage und der Festlegung eines optimalen Preises für die jeweiligen Artikel.

Regionale Trends

Der auf E-Commerce basierende Einzelhandel hat den Vorteil, dass er über onlinebasierte Plattformen und Marketing ein viel größeres Publikum erreichen kann. Allerdings können lokale Faktoren und Bedingungen die Nachfrage verschiedener regionaler oder geografischer Segmente beeinflussen, je nachdem, was in ihrem Gebiet geschieht. So kann es beispielsweise sein, dass in einer Region ein Fest oder ein Ereignis gefeiert wird, das die Nachfrage nach bestimmten Produkten in die Höhe treibt. Die Möglichkeit, diese regionalen Unterschiede anhand von Daten zu messen, kann bei der Entwicklung von Preisstrategien und Unterscheidungen bis hinunter zur regionalen Ebene helfen, falls dies gewünscht wird.

Wetter und saisonale Daten

Das Wetter kann sich auf den Absatz auswirken, und zwar sowohl im Allgemeinen als auch bei bestimmten Produkten. Zum Beispiel ist gutes Wetter schlecht für den Online-Handel, während die Menschen bei schlechtem Wetter zu Hause bleiben und online einkaufen. Aus der Produktperspektive betrachtet, werden die Verbraucher bei steigenden Temperaturen nach Standventilatoren suchen und diese mit höherer Wahrscheinlichkeit kaufen (z. B. höhere Konversionswahrscheinlichkeit). Ein weiterer Fall, in dem Wetterdaten wertvoll sein könnten, ist der nahende Winter. Wenn die Temperaturen sinken, steigt das Suchvolumen nach Skiern. Temperaturdaten und Wettervorhersagedaten können daher helfen, die Nachfrage vorherzusagen und die Preise entsprechend zu optimieren.

Wie beeinflussen die Daten den Algorithmus für die dynamische Preisgestaltung?

Menge der Daten

Nicht alle Datenpunkte sind für jedes Unternehmen zugänglich oder sogar anwendbar. Wenn ein Einzelhändler beispielsweise neu auf dem Markt ist, hat er möglicherweise keinen Zugang zu Erfahrungsberichten von Kunden. Außerdem sind die Unternehmen zu Recht sehr vorsichtig bei der Verwendung personenbezogener Verbraucherdaten. Da das maschinelle Lernmodell jedoch immer an den Einzelfall angepasst wird, kann es so gestaltet werden, dass es auch ohne diese Datenpunkte gute Ergebnisse liefert. Für Preisoptimierungen auf Produktebene sind personenbezogene Daten zum Beispiel gar nicht nötig.

Wie bereits erwähnt, sind Ansätze des maschinellen Lernens zur dynamischen Preisgestaltung jedoch besonders auf das Lernen aus großen Datensätzen zugeschnitten. Je größer die verfügbare Datenmenge ist, desto besser kann das maschinelle Lernmodell trainiert werden, um genaue Prognosen zu erstellen. Ein maschineller Lernalgorithmus lernt aus vergangenen Preisänderungen und deren Auswirkungen auf den Umsatz. Daher ist es sinnvoll, Daten von 2-3 Preisänderungen pro Produkt mit einer beträchtlichen Anzahl von damit verbundenen Verkäufen zu haben. Intelligente Algorithmen, wie die, die wir bei 7Learnings entwickeln, benötigen nicht notwendigerweise Daten von jedem einzelnen Produkt – sie können aus der Datenmenge von Produkten mit hohem Umsatz lernen und die Preise auch für Produkte mit hohem Umsatz und niedrigem Umsatz optimieren. Erfahren Sie hier mehr über Long Tail Pricing mit maschinellem Lernen .

Qualität der Daten

Die Qualität der gesammelten Daten wirkt sich direkt auf das maschinelle Lernmodell für die dynamische Preisgestaltung aus. Je höher die Qualität der Daten ist, desto leichter ist es, sie zu nutzen und Funktionen zur Steuerung des Systems zu entwickeln. Gute Datenqualität ist, wenn:

  • Die Daten sind vollständig. Im besten Fall umfasst dies alle angeforderten Variablen ohne oder mit nur minimalen fehlenden Beobachtungen und mit Datentabellen, die so aufeinander abgestimmt sind, dass es einfach ist, Datenpunkte abzugleichen, z. B. beim Abgleich von Produktattributen mit Transaktionsdaten.
  • Die Daten sind sauber. Das bedeutet, dass sich Fehler wie fehlende Umsatzverfolgung, falsche Produktdaten oder schlecht eingegebene Zahlenwerte nicht negativ auf den gesamten Datensatz auswirken.
  • Die Daten sind konsistent. Bei der Betrachtung verschiedener Datenpunkte gibt es eine Korrelation – z. B. lässt sich der Gewinn eindeutig aus den Einnahmen und Kosten berechnen.

Daten von schlechter Qualität können eine Reihe von Problemen verursachen, darunter:

  • Daten, die nicht sauber sind, können die Leistung von Modellen für maschinelles Lernen beeinträchtigen, da diese darauf ausgelegt sind, mit den ihnen zugeführten Daten zu lernen.
  • Wenn die Daten nicht konsistent sind, wird es schwierig, die gewünschten KPIs zu berechnen, insbesondere in Bezug auf Umsatz und Gewinn.
  • Unvollständige Daten können es schwierig machen, überhaupt ein Modell für maschinelles Lernen zu erstellen. Je mehr Daten zur Verfügung stehen, desto besser kann ein maschinelles Lernverfahren für die dynamische Preisgestaltung trainiert werden.

Verwaltung großer und komplexer Datensätze bei der dynamischen Preisgestaltung Datenerhebung

Wenn es darum geht, eine maßgeschneiderte, auf maschinellem Lernen basierende Lösung für die dynamische Preisgestaltung zu entwickeln, werden die gezielten internen Daten täglich von den Kunden gesammelt und übermittelt. Sie bereiten die Daten auf ihrer Seite vor, indem sie sie aus ihrem Data Warehouse extrahieren und sicherstellen, dass alle richtigen Variablen enthalten sind. Es gibt auch automatisierte Programme, die dabei helfen, diese Daten hochzuladen und in den Cloud-Speicher zu verschieben.

Externe Daten werden auf der Grundlage der Unternehmensstrategie und des Bedarfs erhoben. Wenn ein Unternehmen beispielsweise Sonnenbrillen verkauft, ist es von besonderer Bedeutung, dass es die Wettervorhersagedaten regelmäßig verfolgt. Für diese Arten von Daten werden offene APIs verwendet, um diese Informationen täglich zu sammeln.

Mitbewerberdaten werden auf unterschiedliche Weise gesammelt, in der Regel durch einen Web-Crawling-Dienst oder eine Software, die die gewünschten Datenpunkte aus offenen Quellen sammelt. Dies wird immer schwieriger, da die Unternehmen ihre Daten immer besser schützen.

Datenverarbeitung

Die Verwaltung großer und komplexer Datensätze kann eine Herausforderung sein. Bei 7Learnings verwenden wir ein Cloud-basiertes Data Warehouse, das eine skalierbare Lösung zur schnellen und effizienten Verwaltung von Millionen von Beobachtungen bietet. Nach der Datenerfassung müssen die Daten 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 wird daher von erfahrenen Datenwissenschaftlern übernommen, die sicherstellen, dass die Daten korrekt und vollständig in einen Algorithmus umgewandelt werden.

Nachdem die Daten gesammelt und einem ersten Bereinigungsprozess unterzogen wurden, werden sie in einzelnen Tabellen gespeichert, die dann Schritt für Schritt kombiniert werden, um die Daten für die Eingabe in den Algorithmus weiter aufzubereiten. Jede Art von Unternehmen mit seinen einzigartigen KPIs und Marktszenarien stellt ein eigenes Datenmodell dar, das unterschiedliche Datenaufbereitungen erfordert. Diese Vorbereitungen werden in der Regel ebenfalls über das cloudbasierte Data Warehouse verwaltet.

Dateneingabe

Aus den aufbereiteten Daten erstellen die Datenwissenschaftler dann Merkmale – Eingabevariablen für die Modelle des maschinellen Lernens -, die auf bestimmte Unternehmen zugeschnitten sind und deren einzigartige strategische Bedürfnisse berücksichtigen. Je nach den besonderen Bedürfnissen eines Unternehmens können verschiedene Merkmale mehr oder weniger geeignet sein, ein Ergebnis zu erklären, und auch die Art des maschinellen Lernmodells und die verwendeten Parameter können sich von Fall zu Fall stark unterscheiden.

So kann es beispielsweise vorkommen, dass Unternehmen gelegentlich wichtige Produkte nicht mehr auf Lager haben. Bei wichtigen Produkten kann der Vorrat von Zeit zu Zeit zur Neige gehen. Deshalb ist es wichtig, dem maschinellen Lernmodell mitzuteilen, ob diese Produkte verfügbar sind oder nicht. Bei diesen Produkten ist es also sehr hilfreich, dem ML mitzuteilen, ob die Produkte verfügbar sind (oder es in der Vergangenheit waren).

Ein weiteres Beispiel: Eine Reihe von Produkten kann sich im Modell ähnlich verhalten, wenn sich ihr Preis ändert, wird aber im Backend nicht nach vorhandenen Informationen, wie etwa der Produktkategorie, gruppiert. Das maschinelle Lernmodell kann jedoch erkennen, dass sie oft zusammen gekauft werden oder von der gleichen Art von Kunden gekauft werden. Das können zum Beispiel Zutaten für ein Rezept sein, die für ein aktuelles Rezept benötigt werden. In diesem Fall ist es möglich, ein Merkmal zu erstellen, das darauf hinweist, dass diese Produkte zusammen betrachtet werden können.

Lassen Sie Ihre Daten für Sie arbeiten

Bei der dynamischen Preisgestaltung kommt es darauf an, die Fülle der Daten, die einem Unternehmen zur Verfügung stehen, umfassend zu analysieren und zu verstehen. Qualitativ hochwertige Daten, aber vor allem gute Analysen können Unternehmen dabei helfen, Faktoren zu erkennen, die oft übersehen werden – wie die allgemeine makroökonomische Situation, das Kaufverhalten der Verbraucher und externe Einflüsse – und aufzeigen, was die optimalen Preise für jedes Kundensegment und Produkt bestimmt.

Bei riesigen Sortimenten und all den damit verbundenen Datenpunkten ist es für Unternehmen heute zu teuer und zeitaufwändig, Tausende von Produkten manuell zu analysieren. Durch den Einsatz von auf maschinellem Lernen basierender dynamischer Preisoptimierung können diese Systeme enge Segmente identifizieren, bestimmen, was den Wert für jedes einzelne ausmacht, und dies mit historischen Transaktionsdaten abgleichen. So können Unternehmen auf der Grundlage von Daten optimale Preise für Produktgruppen und Segmente festlegen. Die Automatisierung macht es auch viel einfacher, Analysen zu wiederholen und zu optimieren, so dass man nicht jedes Mal bei Null anfangen muss, da der Preisfindungsalgorithmus im Laufe der Zeit lernt und sich an die Daten anpasst.