Repricing im Online-Handel: ein Überblick

Repricing ist eine regelbasierte Methode für automatisierte Preisanpassungen. Sie wird im Online-Handel genutzt, um flexibel auf veränderte Preise im Marktumfeld zu reagieren. Dieser Artikel bietet einen Überblick zum Repricing in der Praxis und zeigt, welche Rolle Machine-Learning-Technologien spielen.

Die Dynamik der Preisgestaltung im E-Commerce

Wie überzeuge ich meine Kunden durch den richtigen Preis zum Kaufabschluss? Diese Frage beschäftigt Online-Händler weltweit. Sie stehen vor der Herausforderung, bei der Preisfindung schnell und flexibel auf Veränderungen am Markt zu reagieren. Dabei gilt es, die Nachfrage und Wettbewerbssituation sowie die Kosten im Blick zu behalten. Wie gelingt es inmitten dieser Dynamik mit dem richtigen Angebot zur richtigen Zeit zu überzeugen?

Repricing: So werden wettbewerbsfähige Preise berechnet

Der beste Preis kann im entscheidenden Moment zum Verkaufsargument für potenzielle Kunden werden. Daher gilt Repricing, die strategische Optimierung von Produktpreisen, als wichtiges Instrument der Umsatzsteigerung. 

Bei der Kalkulation der Preise greift bereits jeder 5. auf Methoden der Automatisierung zurück (PwC, Sales Radar: Dynamic Pricing, 2019). Online-Händler nutzen die Möglichkeiten der Automatisierung beim Repricing, um den manuellen Aufwand der Marktbeobachtung zu reduzieren. Sie erhoffen sich davon, flexibel auf Preisanpassungen ihrer Wettbewerber zu reagieren und ihr Angebot im entscheidenden Moment anzupassen. 

Das Prinzip des Repricings: Zunächst werden die Preise aller relevanten Wettbewerber gesammelt und die eigene Wettbewerbsposition beobachtet. Durch zuvor festgelegte Regeln werden die Preise aufgrund von Veränderungen der Wettbewerbspreise angepasst. In den Regeln spiegeln sich die gewünschten Margen sowie die Preisposition gegenüber dem Wettbewerb wider. Auf dieser Basis werden die Preise im laufenden Geschäft optimiert. Dies ist auf den ersten Blick ein vielversprechender Ansatz für Online-Händler. Doch wird er der Komplexität des volatilen Marktumfeldes gerecht? 

Beliebte Anwendungsfälle für Repricing im E-Commerce

In der Praxis kommt Repricing in unterschiedlichen Szenarien zum Einsatz: 

1. Preisführerschaft vs. Premium-Strategie

Mit Repricing können Händler eine Strategie der Preisführerschaft umsetzen. Dabei wird versucht, den günstigsten Preis anzubieten. Aufgrund der Preisregeln wird der Wettbewerbspreis stets unterboten. Gleichzeitig steigt der Preis automatisch, wenn sich das Preisniveau am Markt erhöht. Ein Beispiel: Beim Verkauf von Turnschuhen können Online-Händler durch niedrige Preise ihr Verkaufsvolumen erhöhen und gleichzeitig die eigenen Kosten sowie ihre Wettbewerber berücksichtigen. Der Nachteil: Ein konstant niedriger Preis führt auch zu geringeren Margen. 

In anderen Segmenten können gehobene Preise wiederum eine höhere Wertigkeit vermitteln. Wird etwa ein Turnschuh im Luxussegment durch gezieltes Repricing zu einem vergleichsweise hohen Preis angeboten, sind auch höhere Margen möglich. Dies geht mit einem gewissen Risiko einher: Das Verkaufsvolumen kann so weit sinken, dass es sich negativ auf den Gewinn auswirkt.

2. Auf bestimmte Marken konzentrieren

Durch Repricing können sich Online-Händler auch auf bestimmte Brands am Markt spezialisieren. Ein Anbieter für Turnschuhe hat die Möglichkeit, seine Preise so zu optimieren, dass er die besten Konditionen für eine bestimmte Marke anbietet. Durch diese Positionierung verschenkt er jedoch Verkaufspotenzial für andere Brands oder sogar für die hauseigene Marke.  

3. Cost-plus Pricing

Bei diesem Ansatz werden die Preise vor allem auf Basis der Kosten berechnet. Dabei legen Händler eine Mindestmarge fest, die erzielt werden soll. Ein Beispiel: Ein Händler hat Gesamtkosten von 40 Euro pro verkauften und gelieferten Turnschuh. Er möchte mindestens eine Marge von 40% erzielen. So wird der Preis auf 56 Euro festgesetzt. Diese Strategie kann dabei helfen, Margen zu sichern. 

Cost-plus Pricing birgt jedoch das Risiko, dass im Vergleich zum Wettbewerb zu niedrige oder zu hohe Preise angesetzt werden. Auch die Wechselwirkung zwischen Produkten im Sortiment durch Kreuzpreiselastizitäten wird in dieser Strategie nicht berücksichtigt. 

Regelbasierte Systeme oder Machine Learning: Welche Methode der Preisgestaltung sorgt für bessere Ergebnisse?

Online-Händler setzen auf Repricing, um ihre Preise mit Blick auf das Marktumfeld zu optimieren. Doch die oben aufgeführten Beispiele zeigen: Die gewünschten Erfolge können ausbleiben, wenn die Reaktion der Kunden falsch eingeschätzt wurde. Beim Repricing werden häufig nur wenige Faktoren der Preissetzung berücksichtigt, doch eine systematische Messung der Preisbereitschaft bleibt aus. Auch die Auswirkungen weiterer Faktoren, etwa der Jahreszeit, des Wetters oder eigener Marketingaktivitäten, werden nicht berücksichtigt. 

Eine weitere Schwierigkeit konventioneller Repricing-Technologien: Je mehr Produkte das Sortiment aufweist und je mehr Faktoren die Preisgestaltung beeinflussen, desto komplexer ist auch das genutzte Regelsystem. Um die Preisregeln zu überwachen und aktuell zu halten, ist ein hoher manueller Aufwand nötig.

KI-basierte Technologien können hingegen weitaus größere Datenmengen verarbeiten. Dabei werden Machine-Learning-Algorithmen genutzt, um Preiselastizitäten zu messen: So kann vorab prognostiziert werden, wie sich Preisanpassungen auswirken: sowohl auf die Kaufbereitschaft der Kunden als auch auf die Umsätze und die Gewinne. Unternehmen erhalten so die Möglichkeit, ihre Preise automatisch in die Richtung ihrer KPIs (Unternehmensziele) zu steuern. Die Preisgestaltung erfolgt dynamisch und spiegelt automatisch eine Veränderung des Kundenverhaltens wider. Dafür ist eine aufwendige Verwaltung von Preisregeln nicht notwendig. So können auch Rabatte differenzierter eingesetzt werden.

Die Vorteile des Machine-Learning-basierten Dynamic Pricing im Überblick: 

  • Bis zu 10% höhere Gewinne und Umsätze im Vergleich zu regelbasierten Systemen
  • Geringerer manueller Aufwand, da das Anlegen und Verwalten von großen Regelsystemen entfällt
  • Holistische Optimierung, die alle wichtigen Einflussfaktoren berücksichtigt (zum Beispiel Lagerreichweite, Saisonalität)
  • Intuitive Steuerung auf die gesetzten KPIs des Unternehmens
  • Prognosefunktion für Absatz, Umsatz und Gewinn
  • Kontinuierliche Verbesserung der Preissetzung durch selbstlernende Algorithmen

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