Höhere Margen trotz wachsender Konkurrenz: Dynamic Pricing erobert aktuell den E-Commerce. Hierbei werden die Preise nicht fixiert, sondern regelmäßig an die aktuellen Marktbedingungen angepasst. Ein Aufwand, der sich lohnt. Im Durchschnitt erzielen Unternehmen so ein Umsatzplus von 25 Prozent. Wir erklären, worauf Sie bei der Einführung einer Dynamic Pricing Strategie achten sollte und zeigen erfolgreiche Use Cases.
Wie entwickelt man eine Strategie für Dynamic Pricing?
Es gibt so viele Strategien für Dynamic Pricing wie Unternehmen am Markt. Damit eine Strategie erfolgreich ist, muss sie auf das jeweilige Unternehmen zugeschnitten sein. Ein Algorithmus, der die Preise in festen Intervallen anpasst, hat geringen wirtschaftlichen Mehrwert. Nicht einmal branchenspezifische Empfehlungen lassen sich definieren: Dynamische Pricing-Modelle, die in der Reisebranche den Umsatz heben, können in der Fashion-Industrie kontraproduktiv wirken.
Trotz aller Individualität lassen sich einige grundlegende Anforderungen formulieren, die eine wirksame Dynamic Pricing Strategie im E-Commerce und darüber hinaus erfüllen sollte.
Übereinstimmung mit den Unternehmenszielen
Händler sollten ihren Algorithmus so programmieren, dass die Preisanpassungen immer in Einklang mit ihren Unternehmenszielen und ihrer Brand Identity stehen. Firmen, die für niedrige Preise bekannt sind, sollten daher Maximalpreise in ihrem Algorithmus definieren, die unter dem Marktdurchschnitt liegen.
Umgekehrt sollten Firmen, die Luxusartikel verkaufen, bestimmte Mindestpreise nicht unterschreiten, da dies ihrem Image zuwiderlaufen würde.
Ein Beispiel: Ein Online-Shop für reduzierte Markenkleidung könnte womöglich aufgrund saisonaler Nachfragespitzen die Preise für ein bestimmtes Wintermantelmodell deutlich anheben. Das würde Kunden jedoch irritieren und nicht zum Markenimage passen. Haben sie einem Maximalpreis in ihre Pricing-Anwendung programmiert, hebt der Algorithmus die Preise auch bei Steigerungspotenzial nur auf ein Niveau, das mit der Markenidentität vereinbar ist und gleichzeitig die hinterlegten Unternehmensziele bestmöglich unterstützt.
Berücksichtigung relevanter Faktoren der Preiselastizität
Um das Potenzial von Dynamic Pricing im E-Commerce auszuschöpfen, sollten Unternehmen sämtliche Faktoren in den Algorithmus ihrer Pricing-Anwendung einbeziehen, die Auswirkungen auf ihr Business haben. In welchem Maß senken oder erhöhen welche Faktoren die Nachfrage? Je genauer die Analyse, desto präziser kann der Algorithmus wirken.
Einige wichtige Faktoren, die zu berücksichtigen sind:
- Preise der Wettbewerber
- Saisonalität
- Marketingbudget
- Wetter
- Trends
- Lagerbestand
Wettbewerbsanalysen können aufzeigen, welche Produkte sie trotz vergleichsweise hoher Preise sehr gut verkaufen. Diese oder ähnliche Produkte sollte selbst ebenfalls zu Premium-Preisen angeboten werden. Oft unterscheidet sich die Nachfrage nach Produkten in unterschiedlichen Designs oder Farben deutlich. Hier kann eine Markt- und Wettbewerbsanalyse Chancen aufzeigen, welche Produktvarianten sich für höhere Preise eignen.
Anforderungen an Analytics und Usability
Unternehmen verbinden mit dem Wunsch nach einer Dynamic Pricing Strategie in der Regel mehr als nur das Ziel, ihre Preise für höheren einen Gewinn zu optimieren. Verantwortliche sollten klären, welche weiteren Erwartungen sie an die Umsetzung der Strategie knüpfen.
Welche Funktionen sollte eine Anwendung für Dynamic Pricing abbilden?
- Profitabilitätsanalysen
- Automatisierung des Preismanagements
- Prognosen zu Preisentwicklungen
- Analysen für personalisierte Preisgestaltung
- Markt- und Wettbewerbsanalysen
- u.a.
Erst wenn Sie einen detaillierten Anforderungskatalog erstellt haben, können Sie die für Ihre Ziele richtigen Tools auswählen.
Wie führt man ein regelbasiertes Dynamic Pricing ein?
Wenn im E-Commerce von Dynamic Pricing die Rede ist, meinen Online-Händler meist regelbasiertes dynamisches Pricing. Es ist der bisherige Standard im E-Commerce.
Unternehmen definieren in einer Software ausgehend von den eigenen Businesszielen Wenn-Dann-Regeln zur Preisanpassung. Wie sie die Regeln gestalten, legen sie anhand ihrer eigenen Inhouse-Expertise fest. Die so konfigurierte Anwendung „beobachtet“ anschließend den Markt. Entdeckt sie eine auslösende Variable (Wenn), führt sie mithilfe einer Inferenzmaschine eine zuvor hinterlegte Preisanpassung durch (Dann).
Beispiel: Wenn ein Wettbewerber die Preise für Produkt A um 10% senkt, reduziere den Preis für das eigene Produkt C um 5%.
Das System stützt sich ausschließlich auf seine interne Wissensdatenbank zur Interpretation der Marktbedingungen. Einmal definierte Regeln werden so lange ausgeführt, bis sie manuell geändert werden.
Wollen Sie in Ihrem Unternehmen ein regelbasiertes dynamisches Pricing einführen, können Sie Ihren Prozess an folgenden vier Schritten orientieren:
- Formulierung der Unternehmensziele
- Ableitung einer Preisstrategie
- Definition von Preisregeln
- Implementierung und Testen
Formulierung der Unternehmensziele
Bevor Sie Ihre Produkte bepreisen, setzen Sie sich mit Ihren Unternehmenszielen und Ihren Werten auseinander: Welches Image wollen Sie Ihrem Unternehmen geben? Wie unterscheidet es sich von Wettbewerbern? Gibt es Gewinn und Umsatzziele die erreicht werden sollen? Welche anderen KPIs (z.B. Abverkaufsraten) spielen eine Rolle?
Diese grundlegenden Fragen zu Beginn zu klären, ist wichtig, um den Pricing-Algorithmus später so zu programmieren, so dass er in Ihrem Sinn agiert und weder Kunden noch Stakeholder mit unpopulären Maßnahmen irritiert.
Ableitung einer Preisstrategie
Die individuellen Dynamic Pricing-Strategien im E-Commerce lassen sich im Wesentlichen vier Kategorien zuordnen.
- Segmentiertes Pricing: Preise werden nach Produkttyp, Marktsegment oder Verkaufsregion angepasst.
- Peak Pricing: Preise werden in Abhängigkeit von der Nachfrage für ein Produkt oder eine Produktkategorie angepasst.
- Zeitbasiertes Pricing: Die Preissetzung hängt von der Dauer ab, die bestimmte Produkte bereits im Sortiment sind. Online-Shops, die Mode verkaufen, setzen wegen der wechselnden Trends häufig auf zeitbasiertes Pricing.
- Penetration Pricing: Die Preise werden leicht niedriger angesetzt als bei vergleichbaren Produkten des Wettbewerbs. Die Strategie kommt oft bei Produktneuheiten zum Einsatz, die schnell eine hohe Marktdurchdringung erreichen wollen.
Definition von Preisregeln
Ist die grundsätzliche Strategie definiert, legen Pricing Manager die konkreten Regeln der Preisanpassung fest. Diese können für einzelne Produkte, Produktkategorien oder das gesamte Sortiment gelten. Meist nehmen die Preisregeln Bezug auf Kosten, Wettbewerber oder Nachfrage.
- Kosten: Preise werden dynamisch angepasst, um trotz schwankender Unternehmenskosten eine gleichbleibende Marge zu gewährleisten.
- Wettbewerb: Preise werden in einem bestimmten Verhältnis zum Wettbewerb gehalten.
- Nachfrage: Preise werden bei steigender Nachfrage erhöht und bei sinkender reduziert.
Die Regeln werden in Wenn-Dann-Struktur formuliert und in der Pricing-Anwendung hinterlegt.
„Wenn Wettbewerber X eine Marketingkampagne für Produkt A fährt, erhöhe den Preis des eigenen Produkts B um 15%.“
„Wenn die Nachfrage für Produkt C um mehr als 10% in einem Monat steigt, erhöhe den Preis um 5%.“
„Wenn ein Produkt der Kategorie FOOD zuzuordnen ist, lass seinen Preis auf 99 enden.“
Die meisten Unternehmen kombinieren verschiedene Regeln, sodass sich auf das gesamte Sortiment bezogen eine komplexes Regelsystem entsteht.
Implementierung und Testen
Haben Sie die Regeln aufgestellt, hinterlegen Sie sie in Ihrer Pricing-Anwendung. Prüfen Sie, ob die Anwendung auf Marktveränderungen korrekt und gemäß Ihren Vorgaben reagiert, bevor Sie mit dem Pricing-System live gehen.
Sie sollten den Markt kontinuierlich monitoren, damit Sie Ihre Pricing-Regeln bei Veränderungen schnell anpassen und keinen Umsatz verschenken. Einige Regeln sind möglicherweise nicht ganzjährig oder nur in einer bestimmten Wachstumsphase des Unternehmens sinnvoll.
Nachteile des regelbasierten Pricings
Regelbasiertes Pricing kann den Umsatz optimieren, seiner Effektivität sind jedoch Grenzen gesetzt.
Betrachten wir ein Beispiel:
Ein Online-Händler bietet in seinem Shop 1000 Produkte an, viele davon sind Eigenmarken. Ziel des Unternehmens ist es, über Niedrigpreise Kunden anzuziehen und sich so einen Wettbewerbsvorteil zu verschaffen. Die Private-Label-Produkte sind bereits günstig. Jetzt sollen zusätzlich die Preise für andere Produkte optimiert werden. Das Unternehmen entscheidet sich dafür, die Preise regelbasiert über eine Orientierung am Wettbewerb zu senken. Es identifiziert fünf relevante Wettbewerber und stellt Regeln für verschiedene Produktkategorien auf: „Wenn ein Produkt in die Kategorie Yoga eingruppiert wird, wende Regel X an.“ Regel X besagt, dass der Preis immer 10% unter dem des Wettbewerbers liegen soll. Die Preisbewegungen der anderen Marktteilnehmer überwacht das Unternehmen mithilfe einer Tracking-Software.
Die Nachteile des regelbasierten Pricings
Je größer das Sortiment, desto aufwändiger ist dieses Vorgehen. Es müssen immer mehr Preisregeln formuliert werden und die Formulierungen werden immer komplexer. Um die Regeln überschaubar zu halten, beziehen sie sich auf Teilsortimente oder Kategorien. Dadurch bleiben Besonderheiten einzelner Produkte unberücksichtigt und die Preisoptimierung hinter ihren Möglichkeiten zurück.
Auf unvorhersehbare Veränderungen am Markt wie Trendänderungen oder Wetterwechsel reagiert das System nicht. Pricing Manager müssen den Markt beobachten. Oft gelingen manuelle Anpassungen nicht schnell genug, sodass kurzzeitige Umsatzchancen ungenutzt bleiben.
Werden neue Produkte hinzugefügt, muss die Anwendbarkeit der Regeln manuell geprüft werden. Gegebenenfalls müssen Pricing Manager neue Regeln ergänzen oder alte Regeln überarbeiten. Mit der Zeit wird dieser Prozess immer zeitraubender und es wird schwieriger zu überblicken, ob wirklich alle Regeln noch den Unternehmenszielen entsprechen.
Das regelbasierte Pricing ist in Summe ineffektiv: Es erfordert ein hohes Maß an manueller Pflege und liefert nur unzureichende Ergebnisse.
Besondere Nachteile des wettbewerbsorientierten Pricings
Im Beispiel koppelt das Unternehmen seine Preise an einen Wettbewerber. Das sorgt für einfache Regeln, eine eigenständige Dynamic Pricing Strategie ist dies aber nicht. Man befeuert die preisliche Abwärtsspirale, bei der alle Anbieter nur verlieren. In einigen Fällen kann es sinnvoll sein, sich an den Preisen des Wettbewerbs zu orientieren. Das betrifft vor allem Produkte, die einer hohen Preiselastizität unterliegen.
Unternehmen, die sich jedoch die Mühe machen, den Markt genauer zu analysieren, erkennen, dass es viele Produkte gibt, für die Kunden bereit sind, Premium-Preise zu zahlen – und zwar unabhängig von der Preispolitik des Wettbewerbs. Sie zahlen höhere Preise, weil sie die Qualität des Produkts, den Service des Unternehmens oder die Brand schätzen. Vielleicht fürchten sie auch, dass das Produkt bald nicht mehr lieferbar ist oder sie finden kein vergleichbares Angebot am Markt.
Für Private-Labeling-Produkte gilt besondere Vorsicht: Hier manuell vergleichbare Produkte des Wettbewerbs zu identifizieren, ist zeitintensiv und schwierig. Der konfigurierte Algorithmus ist fehleranfällig. Womöglich gelingt es Unternehmen auf diese Weise höheren Umsatz zu erzielen, die Profitabilität kann aufgrund des erhöhten Aufwands aber sinken.
Online-Händler Vitafy hat mithilfe von 7Learnings eine Dynamic Pricing Strategie umgesetzt. Vitafy bietet eine Vielzahl von Produkten für Fitness und Abnehmen an, auch unter den Marken Bodylab und GymQueen. Das Ergebnis der Preisoptimierung: eine Gewinnsteigerung von mehr als 10%. Erfahren Sie mehr in der Vitafy-Fallstudie: https://7learnings.com/case-study-vitafy/
Whitepaper
Predictive Pricing
Die nächste Generation der Preisoptimierung für den Handel
Wie kann man Machine-Learning-basiertes Pricing implementieren?
Machine-Learning-Anwendungen unterscheiden sich grundlegend von traditioneller Software: Sie entwickeln eigenständig Lösungen, statt nur zuvor programmierte Regeln auszuführen.
Machine-Learning-Algorithmen werten dazu Datenbanken aus: Sie erkennen Muster, leiten Schlussfolgerungen ab und finden schließlich Lösungen für zuvor definierte Probleme. Explizite Anweisungen zur Problemlösung benötigen sie nicht. Je umfassender die Datenbasis, desto mehr Lernmaterial steht dem Algorithmus zur Verfügung und desto besser sind seine Ergebnisse. Erst seit dem Einzug von Machine Learning (ML) ist es Analysten möglich, im Rahmen einer Dynamic Pricing Strategie solche riesigen Datenmengen in kurzer Zeit auszuwerten. Bisher dauerten diese umfangreichen Auswertungen zu lange, um wirtschaftlich verwendet zu werden.
Pricing-Anwendungen, die auf Machine Learning basieren, sind in der Lage diverse Faktoren bei der Berechnung des idealen Preises zu berücksichtigen.
Interne Faktoren: Herstellungskosten, Produkteigenschaften, Preishistorie u.a.
Externe Faktoren: Saison, Wettbewerb, Region u.a.
Unternehmen müssen keine komplexen Regelsysteme erstellen, sondern können mit simplen Anweisungen arbeiten, um Preise auf bestimmte KPI zu optimieren. Streben sie eine bestimmte Marge oder einen Lagerbestand an, passt die Pricing-Anwendung die einzelne Produktpreise automatisch so an, dass diese Ziele erreicht werden. Die ML-basierte Pricing-Anwendung beobachtet den Markt und optimiert verschiedene Preise kontinuierlich, ohne dass Pricing Manager manuell eingreifen müssen.
Die Preiselastizität ist ein Schlüsselfaktor in der Preisoptimierung. Denn sie gibt an, wie sich die Nachfrage in Abhängigkeit von Preisveränderungen entwickeln wird. Machine-Learning-Algorithmen können die relevanten Faktoren der Preiselastizität ausgehend von vorhandenen Daten sehr viel genauer erfassen als bisherige regelbasierte Anwendungen. Diese berücksichtigen nur einige offensichtliche Faktoren wie Preise der Wettbewerber und lassen viel Umsatzpotenzial ungenutzt.
Wer eine ML-basierte Pricing-Anwendung in seinem Unternehmen einführen möchte, sollte in vier Schritten vorgehen. Die Schritte geben eine gute Orientierung, welche wirtschaftlichen Effekte erwartbar sind und welche Investition notwendig sein wird und welcher Zeitaufwand bis zum Launch einzuplanen ist.
Je nachdem, wie die Bewertung ausfällt, sollten Unternehmen sich für eine Drittanbieter-Lösung oder eine Eigenentwicklung für die Pricing-Optimierung entscheiden.
Daten sammeln und aufbereiten
Der erste Schritt, um eine Dynamic Pricing Strategie zu implementieren, ist die Schaffung einer soliden Datenbasis. Je mehr aussagekräftige Daten Unternehmen sammeln, desto besser kann der Machine-Learning-Algorithmus später arbeiten.
Ein Praxisbeispiel: Ein Online-Händler für Sportbekleidung und Fitnessernährung will mit seinem Online-Shop in weitere Länder expandieren. Für eine ML-basierte Preisoptimierung sind diverse Faktoren zu berücksichtigen: Die Preise sollen sich in Zukunft zum Beispiel je nach Trend und Lagerbestand anpassen. Abhängig von der Nachfrage wird es für einige Produkte Rabatte geben, die sich aber auf unterschiedliche Produktkategorien beziehen können. Diese Anforderungen müssen genauso in die Datenbank aufgenommen werden wie tausende Datensätze zu Verkäufen und Beständen der einzelnen Produkte und die Millionen von Daten zum Verhalten der Wettbewerber.
Pricing Manager müssen ihr Unternehmen und ihren Markt gut kennen, um relevanten Daten zu identifizieren und zusammenzutragen. Keine leichte Aufgabe, da die Daten in vielen unterschiedlichen Formaten und Quellen gespeichert sind, von Fehlern bereinigt und auswertbar gemacht werden müssen. Benötigt werden transaktionale Daten, Produktattribute, Informationen zu Lagerbeständen, Wettbewerbern, historischen Preisen u.a.
Herausforderungen in der Datenaufbereitung
Datenvolumen: Die Menge an Daten ist ein Schlüssel für die spätere Ergebnisqualität. Unternehmen sollten darauf achten, dass die Pricing-Anwendung ausreichend große Datenmengen verarbeiten kann.
Datenqualität: Der beste Machine-Learning-Algorithmus ist nur so gut wie seine Datenbasis. Bevor Daten verwendet werden, sollten die Datenbanken auf Relevanz und Fehler geprüft werden.
Datenanalyse: Die verschiedenen Daten manuell zu analysieren und zu bewerten, erfordert viel Zeit. Es gibt zwar hierfür Software, oft sind die Anwendungen allerdings fehleranfällig, sodass im Einzelfall eine manuelle Prüfung vorzuziehen ist.
Datenmanagement: Die Aufbereitung der Daten für den Machine-Learning-Algorithmus der Pricing-Anwendung kann mehrere Wochen bis Monate in Anspruch nehmen, wenn sie nicht von erfahrenen Data Scientists durchgeführt wird.
Nach der Datensammlung und -aufbereitung muss der ML-Algorithmus trainiert werden. Wie ein solches Training ablaufen kann, lesen Sie in unserem ausführlichen Blogpost „So funktioniert dynamische Preisgestaltung: Wie Big Data die Preisoptimierung vorantreibt“.
Auswahl des Machine-Learning-Modells
Ein dynamisches Pricing-System erkennt selbstständig Muster in Daten, sodass es Faktoren der Preiselastizität in das Pricing-Modell aufnehmen kann, die ein Pricing Manager überhaupt nicht als relevant erkannt hätte.
Je akkurater die Faktoren der Preiselastizität vom Pricing-Modell erfasst werden, desto treffender sind später die Prognosen, wie sich Preisanpassungen auf Nachfrage und Umsatz auswirken werden.
Qualitativ hochwertige Pricing-Modelle zeichnen sich durch zwei Charakteristika aus:
– Performanz: Die Anwendung ist in der Lage, Daten schnell zu erfassen, auszuwerten und zu übermitteln.
– Präzision: Die Anwendung liefert treffende Prognosen zu den Auswirkungen von Preisveränderungen für jedes Produkt.
Ist das Modell einmal trainiert, können die prognostizierten Preise auf ihre Treffsicherheit getestet und der Algorithmus kann manuell nachjustiert werden. Solche Optimierungen sollten Online-Händler oder Software-Anbieter regelmäßig durchführen. Damit ist das ML-basierte Pricing nicht nur von Beginn an genauer, seine Leistung verbessert sich auch mit regelmäßigem Training über die Zeit.
Damit die Lernkurve von einem soliden Niveau beginnt, ist die initiale Programmierung des Algorithmus entscheidend. Eigenentwicklungen erfordern hier häufig ein intensiveres Testen als kommerzielle, spezialisierte Pricing-Software, die von Experten entwickelt wurde und deren Effizienz sich schnell nachweisen lässt.
7Learnings bietet seinen Kunden A/B-Tests an, um die höhere Effektivität ihrer Software im Vergleich zu Inhouse-Anwendungen oder Konkurrenz-Anwendungen nachzuweisen.
Training des Teams
Die Auswahl einer leistungsstarken ML-basierten Pricing-Anwendung für den Erfolg von Dynamic Pricing im E-Commerce essenziell. Genauso entscheidend ist jedoch die Kompetenz der Mitarbeitenden, die die Anwendung programmieren und trainieren. Unternehmen brauchen erfahrene Data Scientists, Engineers und Pricing-Experten, wenn sich die Investition in die Dynamic Pricing Strategie auszahlen soll.
Ausbildungshintergrund und Jobtitel der Mitarbeitenden sind weniger wichtig, solange sie fundiertes Knowhow in Data Engineering und Machine Learning mitbringen.
Data Engineering
Im Idealfall verfügen Unternehmen über ein Team aus Data Engineers. Deren Arbeit liefert die Grundlage für die Effektivität des ML-Pricings. Zu den Aufgaben eines Data-Engineering-Teams gehören:
Datenauswahl: Data Engineers identifizieren alle Daten, die für die Umsetzung der Dynamic Pricing Strategie relevant sind. Sie sammeln Daten aus verschiedenen Quellen, sind in der Lage unterschiedliche Datenformate und Daten jeder Größe zu verarbeiten.
Datenaufbereitung: Data Engineers müssen die gesammelten Daten so aufbereiten, dass sie in einem zentralen Datenpool oder einem anderen Speicher verfügbar sind und vom ML-Algorithmus genutzt werden können. Die Daten müssen so integriert werden, dass sie sich in regelmäßigen Abständen automatisch aktualisieren.
Aufbau einer Datenplattform: Die meisten Unternehmen speichern historische Betriebsdaten in einem Data Warehouse. Ist ein solches noch nicht vorhanden, ist es Aufgabe der Data Engineers diese Strukturen zu schaffen. Sie stellen außerdem sicher, dass diese betriebsinternen Daten problemlos in den zentralen Datenpool einfließen, auf den das Pricing-System zugreift.
Pflege des Daten-Ökosystems: Die Datenstrukturen eines Unternehmens müssen gemonitort werden, damit sichergestellt ist, dass Schnittstellen funktionieren, Datenaktualisierungen stattfinden und Anwendungen mit den korrekten Daten arbeiten.
Machine Learning
Wenn Unternehmen einen eigene Machine-Learning-basierte Pricing-Anwendung entwickeln wollen, müssen sie Experten beschäftigen, die den Umgang mit der Technologie beherrschen.
Entwicklung und Validierung eines ML-Modells: Es gilt einen Algorithmus zu bilden, der Prognosen für verschiedene Ereignisse und Trends treffen kann, zum Beispiel Abwanderungsraten, Kundenverhalten auf Marketingkampagnen, Kaufwahrscheinlichkeiten und bestimmten Voraussetzungen. Der Algorithmus kann mithilfe der von den Data Engineers aufbereiteten Daten arbeiten. ML-Experten müssen ihn in Testszenarien validieren und Fehler mithilfe von Training oder Datenkorrekturen minimieren.
Deployment: Wurde der Algorithmus ausreichend trainiert, kann er im laufenden Betrieb eingesetzt werden. Regelmäßiges Training optimiert die Ergebnisse und sorgt dafür, dass der ML-Algorithmus stets die Unternehmensziele widerspiegelt.
Vor allem die Entwicklung des Algorithmus und sein Training kann bei einer Eigenentwicklung viele Monate in Anspruch nehmen. Unternehmen, die Zeit und Kosten sparen wollen, können auf Drittanbieter-Anwendungen zurückgreifen – und sich die Einarbeitung in die Hintergründe von Machine-Learning-Knowhow sparen.
Regelmäßige Optimierung und Governance
Spätestens wenn die Pricing-Anwendung im Einsatz ist, wird es Zeit, die Pricing und Category Manager zu schulen. Denn der unternehmerische Mehrwert der Anwendung hängt maßgeblich davon ab, wie gut es den Verantwortlichen gelingt, mit den Systemen zu arbeiten.
Manager müssen verstehen, wie der Algorithmus funktioniert, damit sie ihm vertrauen, auch wenn sie nicht jede seiner Entscheidungen nachvollziehen können. Denn in den allermeisten Fällen sind die Empfehlungen und Vorhersagen von Dynamic Pricing-Systemen treffender als menschliche Einschätzungen. Gleichzeitig sollten Manager eine gesunde Skepsis beibehalten: Statt dem Algorithmus blind zu folgen, ist es möglich, ihm Grenzen zu setzen und Vorschläge zu testen, ehe man sie im realen Betrieb ausführt. Die Erfahrung zeigt: Die besten Ergebnisse erzielen Unternehmen, die Erfahrung ihrer Manager mit der Verlässlichkeit des Pricing-Algorithmus kombinieren.
In welchen Branchen wird Dynamic Pricing verwendet?
Dynamic Pricing lässt sich im E-Commerce in vielen Branchen wertschöpfend einsetzen. In einigen ist die ML-basierte Preisoptimierung bereits weit verbreitet.
Airlines
Fluggesellschaften gehörten zu den Vorreitern des Dynamic Pricings. Flugtickets kosten in ihren Online-Buchungsportalen für ein und dieselbe Strecke zu unterschiedlichen Zeitpunkten für unterschiedliche Kunden unterschiedlich viel. Da Nutzer bereits aus Reisebüros gewohnt waren, dass Ticketpreise je nach Buchungszeitpunkt variieren, war es für Airlines einfach, eine Dynamic Pricing Strategie von Beginn an in ihren Online-Auftritte zu integrieren. Nutzer akzeptieren die schwankenden Preise und sehen darin sogar Sparpotenzial.
E-commerce
Dynamic Pricing Strategies werden im E-Commerce zunehmend eingesetzt. Bei großen Online-Händlern wie Amazon oder Ebay sind sie seit Langem gang und gäbe. Ihr Pricing-Algorithmus erkennt die Kauffrequenz eines Kunden. Stammkunden werden höhere Preise angezeigt als Neukunden, die sie mit niedrigen Preisen an die Plattform binden wollen.
Für Mode-Versandhändler, die ihren Profit maximieren wollen, ist eine Dynamic Pricing Strategie heutzutage alternativlos. Die Algorithmen berechnen die Kaufbereitschaft der Kunden und setzen Rabatte und Preiserhöhungen strategisch ein. Kunden wollen heute regelmäßig Schnäppchen finden. Händler verschenken Umsatz, wenn sie aktuelle Mode nur zum Ende der Saison mit großzügigen Rabatten versehen, um die Lager zu leeren.
Hier kommen ML-Algorithmen zum Einsatz: Sie kalkulieren eigenständig günstige Zeitpunkte im Jahresverlauf, um Badekleidung, Wintermäntel und Co. mit niedrigen Rabatten bestmöglich zu verkaufen. Damit verbessert sich der Umsatz des Unternehmens und gleichzeitig wird das Bedürfnis der Kunden nach regelmäßigen Rabattaktionen befriedigt.
Hotellerie
In der Hotellerie ist es seit jeher üblich, dass Preise nach Saison schwanken. Die Zahlungsbereitschaft der Kunden richtig einzuschätzen ist, kritisch für den Erfolg der Unternehmen. Mithilfe einer Dynamic Pricing Strategie und Machine Learning können Hotels eigene historische Daten auswerten, die Konkurrenz im Blick behalten und auch externe Faktoren wie Wetter und gesellschaftliche Ereignisse oder Veranstaltungen in der Region in ihrer Preisfindung berücksichtigen. Mit Machine Learning gelingt die Integration dieser Vielzahl von Daten wesentlich besser als bei regelbasierten Preisoptimierungssystemen.
Airbnb verfolgt beispielsweise eine solche Dynamic Pricing Strategie: Gastgeber können ein ML-basiertes Tool nutzen, das ihnen Vorschläge für Übernachtungspreise auf Basis von Variablen wie Saison, Wochentag, Zustand des Vermietungsobjekts und Hotelpreisen in der Umgebung unterbreitet.
Personenverkehr
Preise im Personenverkehr variieren seit jeher, abhängig davon, zu welcher Tageszeit und an welchem Monat ein Kunde eine Fahrt bucht. Nicht anders ist es bei Taxi-Alternativen Uber und Lyft. Auch hier sind Fahrten kurz nach Mitternacht am 31. Dezember deutlich teurer als Fahrten zur Mittagszeit an einem ereignislosen Wochentag des Jahres. Mithilfe einer Dynamic Pricing Strategie können die Anbieter ihre Preise weiter optimieren, ohne die Nachfrage zu gefährden.
Uber nutzt beispielsweise Machine Learning, um sich Prognosen anzeigen zu lassen, wie die Nachfrage an bestimmten Orten zu bestimmten Zeiten sein wird. Je klarer die Nachfrage die Zahl der verfügbaren Fahrer in einer Gegend übersteigt, desto teurer werden die Fahrpreise. Ob und welcher Aufschlag einem Fahrer gezahlt wird, ermittelt der Pricing-Algorithmus voll automatisch. Er monitort die relevanten Faktoren und aktualisiert die Preise in Echtzeit.
Fazit
Preisoptimierungen werden seit Langem im E-Commerce eingesetzt. Doch bisherige regelbasierte Pricing-Anwendungen sind teuer, da sie ein hohes Maß an manuellem Aufwand erfordern – für die Auswahl der Daten und die Pflege der Pricing-Regeln. Die Regeln sind trotz aller Mühe ungenau. Die Folge: Die Umsatz- und Gewinnsteigerungen bleiben weit hinter dem zurück, was mithilfe aktueller Technologie möglich ist.
Der neue Goldstandard in der Preisoptimierung ist Dynamic Pricing auf Basis von Machine Learning. Mit ihrer Hilfe können Online-Händler den Konfigurations- und Monitoring-Aufwand der Anwendungen signifikant reduzieren, deutlich mehr Faktoren in die Berechnung der optimalen Preise einfließen lassen und valide Prognosen für eine Vielzahl von Ereignissen ermitteln. In einigen Branchen haben Unternehmen, die diese Technologie nicht einsetzen, bereits heute Wettbewerbsnachteile. Auf andere Branchen wird sich dieser Trend ausweiten.
Viele Unternehmen haben Bedenken: Sie meinen, dass sich die smarten Anwendungen nur Konzerne mit eigenen Experten für Künstliche Intelligenz und Machine Learning leisten können. Doch die Vorbehalte sind unbegründet. Mittlerweile gibt es ML-Anwendungen für Dynamic Pricing-Strategien, die Unternehmen für ihren individuellen Anwendungsfall konfigurieren können, ganz ohne KI-Knowhow.
7Learnings bietet eine solche Lösung für Dynamic Pricing im E-Commerce an und verspricht Kunden eine Reihe von Vorteilen.
Warum lohnt sich 7Learnings?
– Einfache Integration: Unsere Anwendung ist mit jedem Backend-System kompatibel, sodass im Vorfeld keine teuren technischen Anpassungen nötig sind.
– Neueste Technologie: Die KI-basierte Anwendung verschafft Ihnen einen Wettbewerbsvorteil und ist eine investitionssichere Lösung.
– ca. 10% Umsatz und Gewinn: Sie sehen den Effekt innerhalb weniger Wochen. Umsatz- und Gewinnsteigerungen von bis zu 10% sind realistisch.
– Unterstützung in der Implementierung durch erfahrene Data Scientists: Wir sorgen für eine stressfreie Einführung und betreuen Sie bis zum Go-Live und darüber hinaus.
– Präzise Preisoptimierung und Prognosen: Richtig trainiert, schlägt der KI-Algorithmus jede menschliche Einschätzung und erspart Ihnen teure Fehlentscheidungen.
– Automatische Optimierung auf Unternehmensziele: Sie definieren Ihre Ziele, der KI-Algorithmus erledigt den Rest. Er optimiert Ihre Preise vollautomatisch und für die schnellstmögliche Zielerreichung.
