Einführung
Die dynamische Preisgestaltung erobert derzeit den elektronischen Handel und verhilft den Einzelhändlern zu höheren Gewinnspannen trotz des wachsenden Wettbewerbs. Bei der dynamischen Preisgestaltung sind die Preise nicht festgelegt, sondern werden regelmäßig an die aktuellen Marktbedingungen angepasst. Das ist eine Strategie, die sich auszahlt. Im Durchschnitt erzielen Unternehmen eine Umsatzsteigerung von 25 Prozent, wenn sie dynamische Preisgestaltung einsetzen. In diesem Artikel erfahren Sie, worauf Sie bei der Implementierung einer dynamischen Preisstrategie achten sollten, und wir stellen Ihnen erfolgreiche Anwendungsbeispiele vor.
Wie entwickelt man eine dynamische Preisstrategie?
Es gibt so viele Strategien der dynamischen Preisgestaltung wie es Unternehmen auf dem Markt gibt. Damit eine Strategie erfolgreich sein kann, muss sie auf das jeweilige Unternehmen zugeschnitten sein. Ein Algorithmus, der die Preise in festen Abständen anpasst, hat nur einen geringen wirtschaftlichen Mehrwert. Nicht einmal branchenspezifische Empfehlungen lassen sich definieren: Dynamische Preismodelle, die beispielsweise in der Reisebranche den Umsatz steigern, können in der Modebranche kontraproduktiv sein.
Trotz der für eine effektive Nutzung erforderlichen Anpassungen gibt es einige Grundvoraussetzungen für effektive dynamische Preisstrategien im E-Commerce und darüber hinaus.
Ausrichtung auf Unternehmensziele
Einzelhändler sollten ihre Algorithmen so gestalten, dass Preisanpassungen stets mit ihren Unternehmenszielen und ihrer Markenidentität übereinstimmen. Unternehmen, die für ihre niedrigen Preise bekannt sind, sollten daher in ihrem Algorithmus Höchstpreise festlegen, die unter dem Marktdurchschnitt liegen.
Umgekehrt sollten Unternehmen, die Luxusartikel verkaufen, bestimmte Mindestpreise nicht unterschreiten, da dies ihrem Image zuwiderlaufen würde.
Ein Beispiel: Ein Online-Shop für preisreduzierte Markenkleidung könnte die Preise für ein bestimmtes Wintermantelmodell aufgrund von saisonalen Nachfragespitzen deutlich anheben. Dies würde jedoch die Kunden irritieren und nicht zum Markenimage passen. Wenn sie einen Höchstpreis in ihre Preisgestaltungsanwendung programmiert haben, wird der Algorithmus die Preise nur auf ein Niveau anheben, das mit der Markenidentität vereinbar ist und gleichzeitig die zugrundeliegenden Unternehmensziele am besten unterstützt, selbst wenn es ein Potenzial für eine Erhöhung gibt.
Berücksichtigung der relevanten Faktoren der Preiselastizität
Um das Potenzial der dynamischen Preisgestaltung im E-Commerce zu nutzen, sollten Unternehmen alle Faktoren in den Algorithmus ihrer Preisanwendung einbeziehen, die sich auf ihr Geschäft auswirken. Inwieweit führen bestimmte Faktoren zu einer Verringerung oder Erhöhung der Nachfrage? Je genauer die Analyse ist, desto präziser kann der Algorithmus sein.
Einige wichtige Faktoren sind dabei zu berücksichtigen:
- Preise der Mitbewerber
- Saisonalität
- Marketing-Budget
- Wetter
- Verbrauchertrends
- Bestandsaufnahme
Mitbewerberanalysen können aufzeigen, welche Produkte sie trotz vergleichsweise hoher Preise sehr gut verkaufen. Diese oder ähnliche Produkte sollten auch selbst zu Premiumpreisen angeboten werden. Die Nachfrage nach Produkten in verschiedenen Designs oder Farben ist oft sehr unterschiedlich. Hier kann eine Markt- und Wettbewerbsanalyse Möglichkeiten aufzeigen, welche Produktvarianten für höhere Preise geeignet sind.
Anforderungen an Analytik und Benutzerfreundlichkeit
Unternehmen verbinden mit dem Wunsch nach einer dynamischen Preisstrategie in der Regel mehr als nur das Ziel, ihre Preise zu optimieren, um höhere Gewinne zu erzielen. Die Verantwortlichen sollten klären, welche weiteren Erwartungen sie an die Umsetzung der Strategie haben.
Welche Funktionen sollte eine Anwendung zur dynamischen Preisgestaltung abbilden?
- Analyse der Rentabilität
- Automatisierung der Preisverwaltung
- Vorhersagen zur Preisentwicklung
- Analysen für personalisierte Preise
- Markt- und Wettbewerbsanalysen
- usw.
Erst wenn Sie einen detaillierten Anforderungskatalog erstellt haben, können Sie die richtigen Werkzeuge für Ihre Ziele auswählen.
Wie setzen Sie die regelbasierte dynamische Preisgestaltung um?
Wenn im Bereich des elektronischen Handels von dynamischer Preisgestaltung die Rede ist, meinen Online-Händler in der Regel die regelbasierte dynamische Preisgestaltung. Dies ist der derzeitige Standard in der E-Commerce-Branche.
Bei der regelbasierten Preisgestaltung verwenden Unternehmen Software, um Wenn-dann-Regeln für Preisanpassungen auf der Grundlage ihrer eigenen Geschäftsziele zu definieren. Wie sie die Regeln gestalten, hängt von ihrem eigenen internen Fachwissen ab. Die auf diese Weise konfigurierte Anwendung „beobachtet“ dann den Markt. Wenn es eine auslösende Variable erkennt (If), verwendet es eine Inferenzmaschine, um eine zuvor gespeicherte Preisanpassung durchzuführen (Then).
Beispiel: Wenn ein Wettbewerber den Preis für das Produkt A um 10 % senkt, senkt der Einzelhändler den Preis für sein eigenes Produkt C um 5 %.
Das System stützt sich bei der Interpretation der Marktbedingungen ausschließlich auf seine interne Wissensbasis. Einmal definierte Regeln werden ausgeführt, bis sie manuell geändert werden.
Wenn Sie in Ihrem Unternehmen eine regelbasierte dynamische Preisgestaltung einführen wollen, können Sie Ihren Prozess auf die folgenden vier Schritte stützen:
- Formulierung von Unternehmenszielen
- Ableitung einer Preisstrategie
- Definition der Preisbildungsregeln
- Durchführung und Prüfung
Formulierung der Unternehmensziele
Bevor Sie Ihre Produkte bepreisen, sollten Sie sich über Ihre Unternehmensziele und -werte Gedanken machen: Welches Image wollen Sie Ihrem Unternehmen geben? Wie unterscheidet sie sich von ihren Konkurrenten? Gibt es Gewinn- und Umsatzziele, die erreicht werden sollen? Welche anderen KPIs (z. B. Verkaufsraten) spielen eine Rolle?
Es ist wichtig, diese grundsätzlichen Fragen zu Beginn zu klären, um den Preisalgorithmus später so zu programmieren, dass er zu Ihren Gunsten wirkt und Kunden oder Stakeholder nicht mit unpopulären Maßnahmen irritiert.
Ableitung einer Preisstrategie
Die einzelnen Dynamic-Pricing-Strategien im E-Commerce lassen sich im Wesentlichen vier Kategorien zuordnen.
- Segmentierte Preisgestaltung: Die Preise werden je nach Produkttyp, Marktsegment oder Verkaufsregion angepasst.
- Peak Pricing: Die Preise werden entsprechend der Nachfrage nach einem Produkt oder einer Produktkategorie angepasst.
- Zeitabhängige Preisgestaltung: Die Preisgestaltung hängt davon ab, wie lange bestimmte Produkte bereits im Sortiment sind. Online-Shops, die Mode verkaufen, verwenden wegen der wechselnden Trends häufig zeitabhängige Preise.
- Penetrationspreise: Die Preise werden etwas niedriger angesetzt als bei vergleichbaren Konkurrenzprodukten. Diese Strategie wird häufig bei neuen Produkten angewandt, die schnell eine hohe Marktdurchdringung erreichen sollen.
Definition der Preisbildungsregeln
Sobald die grundlegende Strategie festgelegt ist, definieren die Preisverantwortlichen die spezifischen Regeln für die Preisanpassung. Diese können sich auf einzelne Produkte, Produktkategorien oder die gesamte Produktpalette beziehen. In den meisten Fällen beziehen sich die Preisbildungsregeln auf Kosten, Wettbewerber oder Nachfrage.
– Kosten: Die Preise werden dynamisch angepasst, um trotz schwankender Unternehmenskosten eine konstante Marge zu gewährleisten.
– Wettbewerb: Die Preise werden in einem bestimmten Verhältnis zum Wettbewerb gehalten.
– Nachfrage: Die Preise werden erhöht, wenn die Nachfrage steigt, und gesenkt, wenn die Nachfrage sinkt.
Die Regeln werden in einer Wenn-Dann-Struktur formuliert und in der Preisfindungsanwendung gespeichert.
„Wenn Konkurrent X eine Marketingkampagne für Produkt A durchführt, erhöhen Sie den Preis des eigenen Produkts B um 15 %.“
„Wenn die Nachfrage nach Produkt C in einem Monat um mehr als 10 % steigt, erhöhen Sie den Preis um 5 %.“
„Wenn ein Produkt in die Kategorie FOOD fällt, sollte sein Preis bei 99 enden.
Die meisten Unternehmen kombinieren verschiedene Regeln, was zu einem komplexen Regelsystem führt, das sich auf die gesamte Produktpalette bezieht.
Durchführung und Prüfung
Sobald Sie die Regeln festgelegt haben, speichern Sie sie in Ihrer Anwendung zur Preisgestaltung. Prüfen Sie, ob die Anwendung korrekt auf Marktveränderungen und entsprechend Ihren Vorgaben reagiert, bevor Sie das Preissystem in Betrieb nehmen.
Sie sollten den Markt ständig beobachten, damit Sie Ihre Preisregeln bei Veränderungen schnell anpassen können und keine Einnahmen verschenken. Einige Regeln sind möglicherweise nicht das ganze Jahr über oder nur während einer bestimmten Wachstumsphase des Unternehmens sinnvoll.
Nachteile der regelbasierten Preisgestaltung
Die regelbasierte Preisgestaltung kann den Umsatz optimieren, doch sind ihrer Wirksamkeit Grenzen gesetzt.
Nehmen Sie ein Beispiel:
Ein Online-Händler bietet in seinem Geschäft 1000 Produkte an, von denen viele Eigenmarken sind. Ziel des Unternehmens ist es, durch niedrige Preise Kunden anzuziehen und so einen Wettbewerbsvorteil zu erlangen. Die Eigenmarkenprodukte sind bereits preisgünstig. Jetzt will das Unternehmen die Preise auch für andere Produkte optimieren. Das Unternehmen beschließt, die Preise regelbasiert zu senken, indem es sich an der Konkurrenz orientiert. Es werden fünf relevante Wettbewerber ermittelt und Regeln für verschiedene Produktkategorien aufgestellt: „Wenn ein Produkt in die Kategorie Yoga fällt, wende Regel X an.“ Regel X besagt, dass der Preis immer 10 % niedriger sein sollte als der des Wettbewerbers. Das Unternehmen überwacht die Preisbewegungen anderer Marktteilnehmer mit Hilfe einer Tracking-Software.
Die Nachteile der regelbasierten Preisgestaltung
Je größer das Sortiment ist, desto komplexer ist dieser Ansatz. Es müssen immer mehr Preisbildungsregeln formuliert werden, und die Formulierungen werden immer komplexer. Um die Regeln überschaubar zu halten, beziehen sie sich auf Teilbereiche oder Kategorien. Dadurch bleiben die Besonderheiten der einzelnen Produkte unberücksichtigt und die Preisoptimierung bleibt hinter ihren Möglichkeiten zurück.
Das System reagiert nicht auf unvorhersehbare Marktveränderungen, wie z. B. Trend- oder Wetteränderungen. Die Verantwortlichen für die Preisgestaltung müssen den Markt beobachten. Oft gelingt die manuelle Anpassung nicht schnell genug, so dass kurzfristige Absatzchancen ungenutzt bleiben.
Wenn neue Produkte hinzugefügt werden, muss die Anwendbarkeit der Regeln manuell überprüft werden. Erforderlichenfalls müssen die Preisverwalter neue Regeln hinzufügen oder alte Regeln überarbeiten. Mit der Zeit wird dieser Prozess immer zeitaufwändiger und es wird immer schwieriger, den Überblick darüber zu behalten, ob alle Regeln wirklich noch den Zielen des Unternehmens entsprechen.
Die regelbasierte Preisgestaltung ist insgesamt ineffektiv: Sie erfordert ein hohes Maß an manueller Pflege und liefert unzureichende Ergebnisse.
Besondere Nachteile der wettbewerbsorientierten Preisgestaltung
In diesem Beispiel bindet das Unternehmen seine Preise an die eines Wettbewerbers. Dies sorgt für einfache Regeln, ist aber keine eigenständige Strategie für eine dynamische Preisgestaltung. Sie schüren eine Preisspirale nach unten, bei der alle Anbieter nur verlieren. In manchen Fällen kann es sinnvoll sein, die Preise an die der Konkurrenz anzugleichen. Dies gilt vor allem für Produkte, die einer hohen Preiselastizität unterliegen.
Unternehmen, die sich die Mühe machen, den Markt genauer zu analysieren, erkennen jedoch, dass es viele Produkte gibt, für die die Kunden bereit sind, Premiumpreise zu zahlen – unabhängig von der Preispolitik der Konkurrenz. Sie zahlen höhere Preise, weil sie die Qualität des Produkts, den Service des Unternehmens oder die Marke schätzen. Möglicherweise befürchten sie auch, dass das Produkt bald nicht mehr erhältlich ist oder dass sie kein vergleichbares Angebot auf dem Markt finden werden.
Besondere Vorsicht gilt für Private Labeling-Produkte: Hier ist die manuelle Ermittlung vergleichbarer Produkte der Konkurrenz zeitaufwändig und schwierig. Der konfigurierte Algorithmus ist anfällig für Fehler. Die Unternehmen können auf diese Weise zwar höhere Umsätze erzielen, aber die Rentabilität kann aufgrund des erhöhten Aufwands sinken.
Der Online-Händler Vitafy hat mit Hilfe von 7Learnings eine dynamische Preisstrategie eingeführt. Vitafy bietet eine Vielzahl von Fitness- und Abnehmprodukten an, unter anderem unter den Marken Bodylab und GymQueen. Das Ergebnis der Preisoptimierung: eine Gewinnsteigerung von mehr als 10 %.
Erfahren Sie mehr in der Vitafy-Fallstudie hier: https://7learnings.com/case-study-vitafy/
Wie kann eine auf maschinellem Lernen basierende Preisgestaltung umgesetzt werden?
Anwendungen des maschinellen Lernens unterscheiden sich grundlegend von herkömmlicher Software: Sie entwickeln eigenständig Lösungen, anstatt nur zuvor programmierte Regeln auszuführen.
Zu diesem Zweck werten Algorithmen des maschinellen Lernens Datenbanken aus: Sie erkennen Muster, leiten Schlussfolgerungen ab und finden schließlich Lösungen für zuvor definierte Probleme. Sie brauchen keine ausdrücklichen Anweisungen, um das Problem zu lösen. Je umfangreicher die Datenbank ist, desto mehr Lernmaterial steht dem Algorithmus zur Verfügung und desto besser sind seine Ergebnisse. Erst seit dem Aufkommen des maschinellen Lernens (ML) ist es für Analysten möglich, solche riesigen Datenmengen in kurzer Zeit im Rahmen einer dynamischen Preisstrategie auszuwerten. Bisher dauerten diese umfangreichen Bewertungen zu lange, um wirtschaftlich genutzt werden zu können.
Preisgestaltungsanwendungen, die auf maschinellem Lernen basieren, sind in der Lage, verschiedene Faktoren bei der Berechnung des idealen Preises zu berücksichtigen.
Interne Faktoren: Herstellungskosten, Produkteigenschaften, Preisentwicklung und andere.
Externe Faktoren: Saison, Wettbewerb, Region und andere.
Die Unternehmen müssen keine komplexen Regelsysteme erstellen, sondern können mit einfachen Anweisungen arbeiten, um die Preise nach bestimmten KPIs zu optimieren. Wenn sie eine bestimmte Gewinnspanne oder einen bestimmten Lagerbestand anstreben, passt die Preisgestaltungsanwendung die Preise der einzelnen Produkte automatisch an, um diese Ziele zu erreichen. Die ML-basierte Preisgestaltungsanwendung beobachtet den Markt und optimiert kontinuierlich verschiedene Preise, ohne dass ein manuelles Eingreifen der Preisgestaltungsmanager erforderlich ist.
Die Preiselastizität ist ein Schlüsselfaktor bei der Preisoptimierung. Dies liegt daran, dass er anzeigt, wie sich die Nachfrage als Reaktion auf Preisänderungen entwickeln wird. Algorithmen des maschinellen Lernens können die relevanten Faktoren der Preiselastizität viel genauer erfassen als bisherige regelbasierte Anwendungen, ausgehend von vorhandenen Daten. Diese berücksichtigen nur einige offensichtliche Faktoren wie die Preise der Mitbewerber und lassen ein großes Umsatzpotenzial ungenutzt.
Wenn Sie in Ihrem Unternehmen eine ML-basierte Preisfindungsanwendung einführen wollen, sollten Sie in vier Schritten vorgehen. Die Schritte geben eine gute Orientierung, welche wirtschaftlichen Auswirkungen zu erwarten sind, welche Investitionen notwendig sind und welche Zeit bis zum Start eingeplant werden sollte.
Je nachdem, wie die Evaluierung ausfällt, sollten sich Unternehmen für eine Drittanbieterlösung oder eine Eigenentwicklung zur Preisoptimierung entscheiden.
Daten sammeln und aufbereiten
Der erste Schritt zur Umsetzung einer dynamischen Preisstrategie besteht darin, eine solide Datenbasis zu schaffen. Je mehr aussagekräftige Daten Unternehmen sammeln, desto besser kann der Algorithmus für maschinelles Lernen später arbeiten.
Ein praktisches Beispiel: Ein Online-Händler für Sportbekleidung und Fitnessnahrung möchte seinen Online-Shop auf andere Länder ausweiten. Bei der ML-basierten Preisoptimierung müssen verschiedene Faktoren berücksichtigt werden: Zum Beispiel sollten die Preise in der Zukunft in Abhängigkeit von Trends und Lagerbeständen angepasst werden. Je nach Nachfrage werden für einige Produkte Preisnachlässe gewährt, die jedoch für verschiedene Produktkategorien gelten können. Diese Anforderungen müssen ebenso in die Datenbank einfließen wie Tausende von Datensätzen über Verkäufe und Bestände einzelner Produkte und die Millionen von Daten über das Verhalten der Wettbewerber.
Pricing Manager müssen ihr Unternehmen und ihren Markt gut kennen, um relevante Daten ermitteln und zusammenstellen zu können. Das ist keine leichte Aufgabe, denn die Daten sind in vielen verschiedenen Formaten und Quellen gespeichert, müssen von Fehlern bereinigt und auswertbar gemacht werden. Benötigt werden Transaktionsdaten, Produktattribute, Informationen über Bestände, Wettbewerber, historische Preise und vieles mehr.
Herausforderungen bei der Datenaufbereitung
- Datenmenge: Die Menge der Daten ist entscheidend für die spätere Qualität der Ergebnisse. Die Unternehmen sollten darauf achten, dass die Anwendung zur Preisgestaltung ausreichend große Datenmengen verarbeiten kann.
- Datenqualität: Der beste Algorithmus für maschinelles Lernen ist nur so gut wie seine Datenbank. Bevor die Daten verwendet werden, sollten die Datenbanken auf Relevanz und Fehler überprüft werden.
- Datenanalyse: Das manuelle Analysieren und Auswerten der verschiedenen Daten ist sehr zeitaufwändig. Zwar gibt es dafür Software, doch sind die Anwendungen oft fehleranfällig, so dass im Einzelfall eine manuelle Prüfung vorzuziehen ist.
- Datenverwaltung: Die Aufbereitung der Daten für den maschinellen Lernalgorithmus der Preisgestaltungsanwendung kann mehrere Wochen bis Monate dauern, wenn sie nicht von erfahrenen Datenwissenschaftlern durchgeführt wird.
Nach der Datenerfassung und -aufbereitung muss der ML-Algorithmus trainiert werden. Wie eine solche Schulung ablaufen kann, lesen Sie in unserem ausführlichen Blogbeitrag „Wie Dynamic Pricing funktioniert“.
Auswahl des maschinellen Lernmodells
Ein dynamisches Preissystem erkennt selbstständig Muster in den Daten, so dass es Preiselastizitätsfaktoren in das Preismodell einbeziehen kann, die ein Preismanager gar nicht als relevant erkannt hätte.
Je genauer die Preiselastizitätsfaktoren durch das Preismodell erfasst werden, desto genauer sind die späteren Prognosen darüber, wie sich Preisanpassungen auf die Nachfrage und den Absatz auswirken werden.
Hochwertige Preismodelle zeichnen sich durch zwei Merkmale aus:
- Leistung: Die Anwendung ist in der Lage, Daten schnell zu erfassen, zu analysieren und zu übermitteln.
- Präzision: Die Anwendung liefert genaue Prognosen über die Auswirkungen von Preisänderungen für jedes Produkt.
Sobald das Modell trainiert ist, können die vorhergesagten Preise auf ihre Genauigkeit getestet und der Algorithmus manuell nachjustiert werden. Solche Optimierungen sollten regelmäßig von Online-Händlern oder Softwareanbietern durchgeführt werden. Somit ist die ML-basierte Preisfindung nicht nur von Anfang an genauer, sondern ihre Leistung verbessert sich auch mit regelmäßigem Training im Laufe der Zeit.
Um die Lernkurve von einem soliden Niveau aus zu starten, ist die anfängliche Programmierung des Algorithmus entscheidend. Eigenentwicklungen bedürfen hier oft intensiverer Tests als eine spezialisierte Preissoftware, die von Experten entwickelt wurde und deren Leistungsfähigkeit schnell nachgewiesen werden kann.
7Learnings bietet seinen Kunden A/B-Tests an, um die höhere Effektivität ihrer Software im Vergleich zu firmeneigenen oder konkurrierenden Anwendungen zu beweisen.
Ausbildung des Teams
Die Auswahl einer leistungsstarken ML-basierten Preisgestaltungsanwendung ist für den Erfolg der dynamischen Preisgestaltung im E-Commerce entscheidend. Genauso wichtig ist aber auch das Fachwissen der Mitarbeiter, die die Anwendung programmieren und schulen. Unternehmen brauchen erfahrene Data Scientists, Ingenieure und Pricing-Experten, wenn sich die Investition in eine Dynamic Pricing-Strategie auszahlen soll.
Der Ausbildungshintergrund und die Berufsbezeichnung der Mitarbeiter sind weniger wichtig, solange sie fundiertes Know-how in den Bereichen Datentechnik und maschinelles Lernen mitbringen.
Datentechnik
Idealerweise sollten Unternehmen über ein Team von Datenwissenschaftlern verfügen. Ihre Arbeit bildet die Grundlage für die Wirksamkeit von ML-Preisen. Zu den Aufgaben eines Data-Science-Teams gehören:
- Auswahl der Daten: Datenwissenschaftler identifizieren alle Daten, die für die Umsetzung der dynamischen Preisstrategie relevant sind. Sie sammeln Daten aus verschiedenen Quellen, können unterschiedliche Datenformate und Daten beliebiger Größe verarbeiten.
- Datenaufbereitung: Datenwissenschaftler müssen die gesammelten Daten so aufbereiten, dass sie in einem zentralen Datenpool oder einem anderen Repository verfügbar sind und vom ML-Algorithmus verwendet werden können. Die Daten müssen so integriert werden, dass sie in regelmäßigen Abständen automatisch aktualisiert werden.
- Aufbau einer Datenplattform: Die meisten Unternehmen speichern historische Betriebsdaten in einem Data Warehouse. Ist eine solche noch nicht vorhanden, sind die Datenwissenschaftler für die Schaffung dieser Strukturen verantwortlich. Sie sorgen auch dafür, dass diese internen Daten reibungslos in den zentralen Datenpool einfließen, auf den das Preissystem zugreift.
- Pflege des Datenökosystems: Die Datenstrukturen eines Unternehmens müssen überwacht werden, um sicherzustellen, dass Schnittstellen funktionieren, Daten aktualisiert werden und Anwendungen mit den richtigen Daten arbeiten.
Maschinelles Lernen
Wenn Unternehmen ihre eigene, auf maschinellem Lernen basierende Preisgestaltungsanwendung entwickeln wollen, müssen sie Experten beschäftigen, die wissen, wie man die Technologie einsetzt.
- Entwicklung und Validierung eines Modells für maschinelles Lernen: Die Aufgabe besteht darin, einen Algorithmus zu entwickeln, der Vorhersagen für verschiedene Ereignisse und Trends machen kann, z. B. Abwanderungsraten, Kundenverhalten bei Marketingkampagnen, Kaufwahrscheinlichkeiten und bestimmte Bedingungen. Der Algorithmus kann mit Hilfe von Daten arbeiten, die von Dateningenieuren vorbereitet wurden. ML-Experten müssen sie in Testszenarien validieren und Fehler mit Hilfe von Training oder Datenkorrekturen minimieren.
- Einsatz: Wenn der Algorithmus ausreichend trainiert wurde, kann er im Echtbetrieb eingesetzt werden. Durch regelmäßiges Training werden die Ergebnisse optimiert und sichergestellt, dass der ML-Algorithmus stets die Ziele des Unternehmens widerspiegelt.
Vor allem die Entwicklung des Algorithmus und sein Training können im Falle einer Eigenentwicklung viele Monate dauern. Unternehmen, die Zeit und Geld sparen wollen, können auf Anwendungen von Drittanbietern zurückgreifen – und sich die Mühe ersparen, sich in das Know-how des maschinellen Lernens einzuarbeiten.
Regelmäßige Optimierung und Steuerung
Wenn die Preisgestaltungsanwendung endlich in Betrieb ist, ist es an der Zeit, die Preisgestaltungs- und Kategoriemanager zu schulen. Schließlich hängt der geschäftliche Mehrwert der Anwendung zu einem großen Teil davon ab, wie gut diese Manager mit den Systemen arbeiten können.
Die Manager müssen verstehen, wie der Algorithmus funktioniert, damit sie ihm vertrauen können, auch wenn sie nicht jede Entscheidung verstehen können, die er trifft. Denn in den allermeisten Fällen sind die Empfehlungen und Vorhersagen der dynamischen Preissysteme genauer als die menschlichen Einschätzungen. Gleichzeitig sollten die Manager eine gesunde Skepsis bewahren. Anstatt dem Algorithmus blind zu folgen, ist es möglich, ihm Grenzen zu setzen und Vorschläge zu testen, bevor sie im realen Betrieb ausgeführt werden. Die Erfahrung zeigt, dass Unternehmen, die die Erfahrung ihrer Manager mit der Zuverlässigkeit des Preisbildungsalgorithmus kombinieren, die besten Ergebnisse erzielen.
In welchen Branchen wird die dynamische Preisgestaltung eingesetzt?
Die dynamische Preisgestaltung kann in vielen Branchen zur Wertschöpfung im elektronischen Handel eingesetzt werden. In einigen Ländern ist die ML-basierte Preisoptimierung bereits weit verbreitet.
Fluggesellschaften
Die Fluggesellschaften gehörten zu den Pionieren der dynamischen Preisgestaltung. Flugtickets kosten in den Online-Buchungsportalen der Fluggesellschaften für dieselbe Strecke zu verschiedenen Zeiten für verschiedene Kunden unterschiedlich viel. Da die Nutzer von Reisebüros bereits gewohnt waren, dass die Ticketpreise je nach Buchungszeitpunkt variieren, war es für die Fluggesellschaften ein Leichtes, von Anfang an eine Strategie der dynamischen Preisgestaltung in ihre Online-Präsenzen zu integrieren. Die Nutzer akzeptieren die schwankenden Preise und sehen darin sogar ein Sparpotenzial.
Elektronischer Geschäftsverkehr
Dynamische Preisstrategien werden im elektronischen Handel immer häufiger eingesetzt. Bei großen Online-Händlern wie Amazon oder Ebay sind sie längst gang und gäbe. Ihr Preisalgorithmus erkennt die Kaufhäufigkeit eines Kunden. Stammkunden werden mit höheren Preisen bedacht als Neukunden, die man mit niedrigen Preisen an sich binden will.
Für Modeversandhändler, die ihren Gewinn maximieren wollen, ist eine dynamische Preisstrategie heutzutage alternativlos. Algorithmen berechnen die Kaufbereitschaft der Kunden und setzen Rabatte und Preiserhöhungen strategisch ein. Die Kunden wollen heute regelmäßig Schnäppchen machen. Einzelhändler verschenken Umsatz, wenn sie erst am Ende der Saison großzügige Rabatte auf aktuelle Mode anbieten, um ihre Lager zu leeren.
Hier kommen ML-Algorithmen ins Spiel: Sie berechnen selbstständig günstige Zeiten im Jahr, um Bademode, Wintermäntel und Ähnliches mit niedrigen Rabatten bestmöglich zu verkaufen. Dies steigert den Umsatz des Unternehmens und befriedigt gleichzeitig das Bedürfnis der Kunden nach regelmäßigen Rabattaktionen.
Gastgewerbe
In der Hotelbranche ist es seit jeher üblich, dass die Preise je nach Saison schwanken. Die richtige Einschätzung der Zahlungsbereitschaft der Kunden ist entscheidend für den Erfolg des Unternehmens. Mit Hilfe einer dynamischen Preisstrategie und maschinellem Lernen können Hotels ihre eigenen historischen Daten auswerten, die Konkurrenz im Auge behalten und auch externe Faktoren wie Wetter und gesellschaftliche Ereignisse oder Veranstaltungen in der Region in ihre Preisgestaltung einbeziehen. Das maschinelle Lernen kann diese Vielzahl von Daten viel besser integrieren als regelbasierte Preisoptimierungssysteme.
AirBNB beispielsweise verfolgt eine solche dynamische Preisstrategie: Gastgeber können ein ML-basiertes Tool nutzen, das ihnen Vorschläge für Unterkunftspreise auf der Grundlage von Variablen wie Saison, Wochentag, Zustand des Mietobjekts und Hotelpreise in der Umgebung macht.
Personenbeförderung
Die Preise für die Personenbeförderung waren schon immer unterschiedlich, je nachdem, zu welcher Tageszeit und in welchem Monat ein Kunde eine Fahrt bucht. Bei den Taxi-Alternativen Uber und Lyft ist das nicht anders. Auch hier sind Fahrten kurz nach Mitternacht am 31. Dezember deutlich teurer als Fahrten zur Mittagszeit an einem ereignislosen Wochentag des Jahres. Mit einer dynamischen Preisstrategie können die Anbieter ihre Preise weiter optimieren, ohne die Nachfrage zu beeinträchtigen.
So nutzt Uber beispielsweise maschinelles Lernen, um Prognosen über die Nachfrage an bestimmten Orten und zu bestimmten Zeiten zu erstellen. Je deutlicher die Nachfrage die Zahl der verfügbaren Fahrer in einem Gebiet übersteigt, desto teurer werden die Tarife. Der Preisfindungsalgorithmus bestimmt vollautomatisch, ob und wie hoch die Prämie für einen Reiter ausfällt. Es überwacht die relevanten Faktoren und aktualisiert die Preise in Echtzeit.
Schlussfolgerung
Die Preisoptimierung wird im elektronischen Handel schon seit langem eingesetzt. Bisherige regelbasierte Preisgestaltungsanwendungen sind jedoch teuer, weil sie einen hohen manuellen Aufwand erfordern – für die Auswahl der Daten und die Pflege der Preisgestaltungsregeln. Trotz aller Bemühungen sind die Vorschriften ungenau. Infolgedessen bleiben Umsatz- und Gewinnsteigerungen weit hinter dem zurück, was mit der derzeitigen Technologie möglich ist.
Der neue Goldstandard in der Preisoptimierung ist die dynamische Preisgestaltung auf der Grundlage von maschinellem Lernen. Mit seiner Hilfe können Online-Händler den Aufwand für die Anwendungskonfiguration und -überwachung deutlich reduzieren, wesentlich mehr Faktoren in die Berechnung optimaler Preise einbeziehen und valide Prognosen für eine Vielzahl von Ereignissen ermitteln. In einigen Branchen haben Unternehmen, die diese Technologie nicht nutzen, bereits einen Wettbewerbsnachteil. Dieser Trend wird auch auf andere Branchen übergreifen.
Viele Unternehmen haben Vorbehalte: Sie denken, dass sich nur Unternehmen mit eigenen Experten für künstliche Intelligenz und maschinelles Lernen die intelligenten Anwendungen leisten können. Doch diese Vorbehalte sind unbegründet. Inzwischen gibt es ML-Anwendungen für dynamische Preisstrategien, die Unternehmen für ihren individuellen Anwendungsfall konfigurieren können, ganz ohne KI-Know-how.
7Learnings bietet eine solche Lösung für dynamische Preisgestaltung im E-Commerce und verspricht den Kunden eine Reihe von Vorteilen.
Wie kann 7Learnings Ihrem Unternehmen nützen?
- Einfache Integration: Unsere Anwendung ist mit jedem Backend-System kompatibel, so dass im Vorfeld keine teuren technischen Anpassungen erforderlich sind.
- Neueste Technologie: Die KI-basierte Anwendung verschafft Ihnen einen Wettbewerbsvorteil und ist eine investitionssichere Lösung.
- Ungefähr. 10 % Umsatz und Gewinn: Sie werden den Effekt innerhalb weniger Wochen sehen. Umsatz- und Gewinnsteigerungen von bis zu 10 % sind realistisch.
- Implementierungsunterstützung durch erfahrene Data Scientists: Wir sorgen für eine stressfreie Einführung und unterstützen Sie bis zum Go-Live und darüber hinaus.
- Genaue Preisoptimierung und -prognose: Richtig trainiert übertrifft der KI-Algorithmus jede menschliche Schätzung und bewahrt Sie vor kostspieligen Fehlentscheidungen.
- Automatische Optimierung nach Unternehmenszielen: Sie definieren Ihre Ziele, der KI-Algorithmus erledigt den Rest. Es optimiert Ihre Preise vollautomatisch und für die schnellstmögliche Zielerreichung.