Abonnieren Sie unseren Newsletter
Lesen Sie als Erster unsere Blogbeiträge und Fallstudien.
Alles zum Thema
Dynamische Preisgestaltung 2023
Dynamische Preisgestaltung ist im Omnichannel-Handel heute allgegenwärtig. Hier erklären wir zentrale Begriffe und stellen verschiedene Methoden des Dynamic Pricing vor. Erfahren Sie mehr darüber wie KI (Künstliche Intelligenz) für optimale dynamische Preissetzung genutzt wird.
Was ist Dynamic Pricing?
Dynamic Pricing (auf Deutsch: dynamische Preisgestaltung oder -optimierung) bedeutet, dass Händler ihre Preise für Artikel kontinuierlich und (halb-)automatisch an die Markterfordernisse anpassen, um Absatzchancen zu erhöhen und Gewinne zu optimieren. Anstelle von Festpreisen werden variable Preise eingesetzt. Um den optimalen Preis für ein Produkt festzulegen, wertet die Pricing-Lösung relevante Faktoren wie Angebot und Nachfrage, Lagerbestand und Wettbewerberpreise aus. Angelehnt an die Preisstrategie des Händlers passt der Algorithmus die Produktpreise so an, dass Umsatz und Gewinn gesteigert bzw. maximiert werden.
Statische vs. Dynamische Preisgestaltung
Abbildung 1: Einfluss statischer und dynamischer Preissetzung auf den Umsatz
Warum ist dynamischen Preisgestaltung überhaupt wichtig?
Der optimale Preis eines Produkts im Omnichannel-Handel hängt von einer Vielzahl von Faktoren ab. Dazu gehören Saisonalität, Wettbewerbspreise oder die eigenen Lagerbestände. Immer größere Sortimente mit tausenden von Produkten, die Geschwindigkeit, in der sich der Markt verändert, die Transparenz der Preise, die Käufer mit einem Klick online abfragen können, führen zu einer Fülle von Daten, die für optimale Preisentscheidungen berücksichtigt werden müssen. Händler müssen auf das dynamische Marktumfeld reagieren und die Preise schnell an veränderte Marktbedingungen anpassen, damit sie vom Wettbewerb nicht abgehängt werden. Manuelle Prozesse reagieren häufig zu langsam und sind nicht geeignet die großen Datenmengen im Handel optimal zu verarbeiten.
Eine Automatisierung mit Hilfe von geeigneten Pricing-Lösungen ist daher zwingend notwendig. Fortschrittliche Pricing Lösung nutzen Machine-Learning Algorithmen um das volle Potential der Daten zu nutzen.
Welche Vorteile bietet Dynamic Pricing?
Wer eine Software für die dynamische Preisfindung verwendet, kann passgenauer auf das sich schnell verändernde Marktumfeld reagieren. Fortschrittliche Dynamic Pricing-Lösungen beruhen auf intelligenten Algorithmen. Diese berücksichtigen alle relevanten Umfeldfaktoren und passen sich dem Marktumfeld sowie der Händlerstrategie flexibel an. Der Preisfindungsprozess wird fast vollständig automatisiert, sodass der Händler sich auf elementare strategische Aufgaben fokussieren kann.
Der Händler wird wettbewerbsfähiger, steigert seine Rentabilität, stärkt sein Preisimage und setzt sie gesteckten KPIs (Leistungskennzahlen) erfolgreich um. Händler müssen auf das dynamische Marktumfeld reagieren und die Preise schnell an veränderte Marktbedingungen anpassen, damit sie vom Wettbewerb nicht abgehängt werden.
Gesteigerte Wettbewerbsfähigkeit durch:
- rasche Reaktion auf die aktuelle Nachfrage
- marktgerechte Angebote
- Festigung des eigenen Preis- und Markenimages am Markt
- Vermeidung von Preisverzerrungen
Maximierung der KPIs durch:
- Preissetzung angepasst auf die festgelegte Strategie
- optimale Nutzung der vorhandenen Daten
Höhere Rentabilität durch:
- Identifikation von leistungsstarken und leistungsschwachen Produkten
- Identifikation von Produkten, auf die Kunden wenig preissensibel reagieren
- voll ausgeschöpfte Zahlungsbereitschaft der Kunden
- Verkaufsförderung bestimmter Produkt
- strategische Preissenkungen und -erhöhungen
- intelligente Rabatte
Welche Rolle spielt die Preiselastizität?
Die meisten fortschrittlichen Preislösungen nutzen Preiselastizität, um optimale Preise zu bestimmen. Unter Preiselastizität versteht man die veränderte Nachfrage nach einem Produkt, wenn der Preis sich ändert.
Kompliziert wird die Berechnung der Preiselastizität eines Artikels dann, wenn sich neben dem Preis zugleich auch andere Einflussfaktoren wie Marketingausgaben oder Wettbewerbspreise verändern.
Fortschrittliche Dynamic Pricing-Lösungen können Preiselastizitäten sehr genau bestimmen und absatzveränderungen aufgrund von Preisänderungen vorhersagen.
Weiterführende Informationen haben wir in unserem Blogbeitrag „Der Weg zu optimierten Preisen“ zusammengestellt.
Ein Controller zu verschiedenen Preispunkten je nach Zahlungsbereitschaft.
Beispiel für die Messung von Preiselastizitäten
Abbildung 2: Einfluss einer Preisänderung auf die Nachfrage eines Produkts
Welche Preisbildungsfaktoren sind für die dynamische Preisgestaltung entscheidend?
Regelbasierte Ansätze (Rule Engine) beziehen sich oft nur auf Konkurrenzpreise (price matching) oder auf die Kosten (cost-plus pricing). Fortschrittliche dynamische Preisgestaltung berücksichtigt eine Vielzahl von Faktoren, die Einfluss auf Preiselastizität und Nachfrage haben. Dazu gehören:
Externe Faktoren:
- Wettbewerbspreise
- Rabattaktionen wie Shopping Days oder Schlussverkäufe
- regionale Faktoren
- Saison, Wetter, Wochentag, Tageszeit
- Markenimage
Interne Faktoren:
- KPIs und Unternehmensziele
- Produkt-Stammdaten wie Einkaufspreis und -kondition, Preisgrenze etc.
- Waren- und Lagerbestand
- historische Verkaufsdaten
- Marketingmaßnahmen (z. B. Coupon-Aktionen)
Dateninput für Pricing Algorithms
Abbildung 3: Verschiedene Datenquellen, die ein Machine Learning Software zur Preisoptimierung nutzt
Was ist
regelbasierte Preisgestaltung?
Lange Zeit war regelbasierte Preisgestaltung State-of-the-art im Einzel- und Online-Handel. Dabei werden bestimmte, vom Händler festgelegte Pricing-Regeln statisch umgesetzt, beispielsweise eine enge Kopplung an den Wettbewerbspreis: Der Preis für Sneaker X soll immer 5 % günstiger als bei Konkurrent Y sein. Die Preise werden ständig überprüft und angepasst, wodurch sie sich täglich oder sogar mehrmals stündlich ändern können. Der Wettbewerbspreis ist dabei das Maß aller Dinge.
Regelbasierte Pricing-Lösungen lassen oft auch die Kombination verschiedener Preisregeln zu. So kann man sowohl eine Kopplung an den Wettbewerbspreis als auch das gleichzeitige Erzielen einer Mindestmarge festlegen. Bei einem großen Sortiment kann das Regelsystem eine hohe Komplexität annehmen.
Welche Nachteile hat die regelbasierte Preisgestaltung?
Der Omnichannel-Handel ist ein hochkomplexes und dynamisches Umfeld. Statische Preisformeln zu verwalten, erfordert einen immensen manuellen Aufwand – insbesondere zu überprüfen, ob die festgelegten Regeln gute Ergebnisse liefern. Dabei müssen Preisentscheidungen für tausende von Produkten getroffen, der Wettbewerb und Randbedingungen wie Lagerbestände im Blick behalten und Einflussfaktoren wie Marketingaktivitäten oder Couponing einbezogen werden.
Preisregeln berücksichtigen oft nur wenige Parameter, die zwar einfach zu messen sind, aber keine genaue Messung des Kundenverhaltens und der Zahlungsbereitschaft zulassen. Händler, die eine regelbasierte Preisgestaltung anwenden, verschenken somit Gewinn- und Umsatzpotenzial, weil ihr Pricing nicht auf der Zahlungsbereitschaft ihrer Kunden basiert. Zudem ist die Differenzierung auf Produktebene bei einem großen Sortiment oft nicht möglich, sodass Regeln über Produktkategorien hinweg festgelegt werden. Damit wird zusätzliches Gewinnpotential verschenkt. Da sich die Preise mitunter an der Konkurrenz orientieren, besteht das Risiko einer Preisabwärtsspirale: Händler unterbieten sich gegenseitig.
Regelbasierte Preisgestaltung ist nicht effizient, weil die Systeme aus neuen Daten nicht lernen und sich nicht flexibel anpassen können – im Gegensatz zum Machine Learning-basierten Pricing.
Was sind die Vorteile von Machine Learning-basiertem Pricing?
Fortschrittliche Pricing-Lösungen nutzen Machine Learning-Algorithmen bei der Bestimmung optimaler Preise. Diese können die Zahlungsbereitschaft von Kunden über die Preiselastizität für ein bestimmtes Produkt messen. In Kombination mit Prognosealgorithmen lässt sich die Preis-Nachfragekurve jedes Artikels modellieren. Auf dieser Basis können Unternehmen die Preise automatisch in Richtung ihrer KPIs (Unternehmensziele) lenken. Die Preisgestaltung reagiert dynamisch und automatisch auf eine Veränderung des Kundenverhaltens. Rabatte lassen sich differenzierter und intelligenter einsetzen.
Um die Preiselastizität von Produkten zu berechnen, werden auch Daten aus vergangenen Verkaufsaktivitäten ausgewertet. Umsatz und Gewinn sowie alle relevanten Einflussparameter – von den Preisen der Wettbewerber bis hin zu Wetter und Saisonalität – werden von der Software bei der Berechnung der optimalen Preise berücksichtigt. Auch verschiedene Preisszenarien lassen sich so simulieren und Umsatz-, Absatz- und Gewinnergebnisse für bestimmte Ziele prognostizieren. Mit fortschrittlicher Pricing-Software können unterschiedliche Strategien für ausgewählte Kategorien simuliert werden, bei denen zum Beispiel ein schneller Abverkauf gewünscht ist.
Im Vergleich zur eher traditionellen, regelbasierten Preisgestaltung bietet Dynamic Pricing hochpräzise Vorhersagen und ermöglicht eine differenzierte, smarte Preisgestaltung, die wiederum zu höheren Umsätzen und Gewinnen führt.
Regelbasierte Preisgestaltung vs. Machine-learning basierte Preisgestaltung
Abbildung 5: Abläufe von regelbasierter und machine-learning basierter Preisgestaltung
Welche Rolle spielt Big Data für Dynamic Pricing?
In den letzten Jahren haben wir ein explosionsartiges Wachstum der Datengenerierung erlebt und es ist wahrscheinlich, dass die Wachstumsrate noch weiter steigen wird. Insbesondere im Einzelhandel hinterlassen die Kunden bei jedem Einkauf im Internet eine Datenspur.
Dazu kommen weitere Datenquellen wie Wettbewerbspreise, Wetterdaten, unternehmensinterne Daten beispielsweise zu Marketingaktivitäten.
Fortschrittliche Tools zur dynamischen Preisgestaltung machen es möglich, diese enormen Daten zu verarbeiten und eine zuvor festgelegte Strategie umfassend umzusetzen. Es geht dabei nicht nur darum, große Datenmengen zu sammeln, sondern viel wichtiger ist eine Datenverarbeitung die zu optimalen Preisentscheidungen führt.
Immer mehr Händler entscheiden sich dafür diesen Datenschatz für Preisentscheidungen zu nutzen und erhöhen damit auch den Druck auf den Wettbewerb. Die hohe Verfügbarkeit von Daten ist somit auch ein Treiber für eine dynamische Preisgestaltung.
Experten Meinung
„Consumer industries such as retail and high tech will tend to see more potential from marketing and sales AI applications because frequent and digital interactions between business and customers generate larger data sets or AI techniques to tap into. E-commerce platforms, in particular, stand to benefit. This is because of the ease with which these platforms collect customer information such as click data or time spent on a web page and can then customize promotions, prices, and products for each customer dynamically and in real time.” (McKinsey Global Institute, Notes from the AI frontier , 2018)
Welche Rolle spielen Künstlicher Intelligenz (KI), maschinellen Lernens und intelligenter Algorithmen?
Big Data ist wie ein ungeschliffener Rohdiamant. Die Schleifmaschine, die die Datenmenge formt, ist Künstliche Intelligenz (KI). Ein selbstlernender Algorithmus identifiziert Datenmuster und ist fähig, auf Grundlage der gesammelten Daten und Preisbildungsfaktoren – wie Konkurrenzpreise oder Lagerbestand – den idealen Preis für jeden Artikel zu errechnen. Dabei berücksichtigt er sich an den zuvor festgelegte Ziele und Rahmenbedingungen. In Echtzeit und vollautomatisch können Preise so kontinuierlich angepasst und optimiert werden. Für den User ist die Anwendung einfach und übersichtlich. Er ist zu jederzeit Herr über die Rahmenbedingungen, die sich beispielsweise am eigenen Lagerbestand orientieren.
Die Nutzung von Machine Learning Algorithmen führt zu einem höheren Automatisierungsgrad. Dies wird erreicht, weil die Verwendung von Einflussfaktoren nicht auf wenige leicht messbare Werte (z. B. Wettbewerbspreise) begrenzt wird, sondern praktisch alle verfügbaren Datenfeatures (z. B. vergangene Transaktionen, Säsonalitätsdaten) berücksichtigt werden können.
der Befragten berichten, dass ihre Unternehmen AI in mindestens einer Geschäftsfunktion eingeführt haben.
Beispiel für Preisoptimierung
Abbildung 4: Vorhersage des Effekts verschiedener Preis auf Gewinn und Umsatz
Wie steuert man Preise mit Machine Learning-basierten Algorithmen?
Die Preissteuerung mit Machine Learning-basierten Pricing-Lösungen unterscheidet sich grundsätzlich von herkömmlichen, regelbasierten Pricing-Ansätzen. Bei regelbasiertem Pricing liegt der Fokus auf den Preisregeln. Gerade die Definition optimaler Regelsätze erfordert enormen Aufwand und bedarf ständiger Verwaltung und Überwachung.
Mit einer auf maschinellem Lernen basierenden Lösung lassen sich Preise zielgerichtet steuern. Das Pricing-Tool kann eine Prognose liefern, wie sich bestimmte Preisentscheidungen auf Absatz, Umsatz und Gewinn auswirken. Der Nutzer ist nicht damit beschäftigt, Regeln zu setzen, sondern muss nur das Ziel definieren, das er erreichen möchte. Eine Anpassung mit Preisregeln ist möglich, aber nicht notwendig, um optimale Preise zu erzielen. Der Manager kann sich auf die Festlegung einer bestimmten Strategie und seiner Geschäftsziele konzentrieren. Preismanager können innerhalb weniger Minuten verschiedene Szenarien mit verschiedenen Zielsetzungen berechnen und diese im Anschluss mit dem Top-Management abstimmen.
Wie hängen Marketing und dynamische Preisgestaltung zusammen?
Obwohl Preispolitik Teil des Marketing-Mixes ist, liegt die Verantwortung für die Preisgestaltung bei Händlern oft bei anderen Funktionen, wie z. B. dem Einkauf. Trotzdem gibt es eine enge Verbindung zwischen Marketingmaßnahmen und SEA (Suchmaschinenwerbung), SEO (Suchmaschinenoptimierung) und Preisentscheidungen. Diese müssen auch bei der dynamischen Preisgestaltung berücksichtigt werden.
Vor allem in zwei Punkten hängen Marketing und Preisgestaltung eng zusammen:
- Messung der Preiselastizität:
Um die Preiselastizität zu messen – der wichtigste Faktor zur Bestimmung optimaler Preise –, muss man verstehen, wie Marketingaktivitäten (z. B. Gutscheine, SEA) die Nachfrage beeinflussen.
- Optimale Verwendung des Wachstumsbudgets:
Wachstumsmanager müssen entscheiden, in welchem Bereich sie ihr Budget investieren. Marketingmaßnahmen und Preisnachlässe sind zwei Optionen.
Regelbasiertes Pricing berücksichtigt Marketingaktivitäten nicht als Input-Faktor und kann deren Effekte daher nicht herausfiltern. Machine Learning-basierte Algorithmen sind in der Lage, Preiselastizitäten zu messen. Zusätzlich können sie die Wirkung verschiedener Marketingaktivitäten auf die Nachfrage ermitteln. Das bietet die Möglichkeit, Ausgaben für Marketingmaßnahmen mit Ausgaben für Preisnachlässe zu vergleichen und daraufhin zu optimieren.
Was ist personalisierte Preisgestaltung?
Unter personalisierter Preisgestaltung versteht man Preise, die je nach Kundensegment individuell variieren. Eine Person, die einen Mac nutzt, könnte beispielsweise weniger preissensibel sein und hat damit eine höhere Zahlungsbereitschaft als eine Person, die einen Windows-PC nutzt.
Viele Einzelhändler verwenden Coupons, um bestimmte Kundengruppen zum Kauf zu bewegen, wie z. B. Neukunden. Ein personalisierter Pricing-Ansatz, bei dem alle Preise kundenspezifisch ausgespielt werden, kann leicht zu hoher Unzufriedenheit bei den Kunden führen. Wir bei 7Learnings empfehlen einen couponbasierten Ansatz – mit unserer Pricing-Lösung lassen sich die optimalen Couponhöhen ermitteln.
Unterschiedliche Preise zeigen, dass Einzelhändler Technologien nutzen, um personalisierte Preise anzubieten.
Wo liegen die rechtlichen Grenzen dynamischer Preisgestaltung?
Die meisten Anwendungen der dynamischen Preisgestaltung sind legal, weit verbreitet und eine anerkannte Praxis. Doch es gibt ein paar Grenzen für Dynamic Pricing:
- In den USA ist es verboten, Preise für Grundbedürfnisse in einer Notsituation (z. B. während einer Naturkatastrophe) zu erhöhen. Diese Praktiken gelten als unmoralisch und sind illegal.
- Ähnlich verbietet es Art. 102 AEUV, eine marktbeherrschende Stellung auszunutzen, um unverhältnismäßige Preise festzulegen. Da Einzelhändler meist keine marktbeherrschende Stellung haben, kommt dieser Fall äußerst selten vor.
- In Europa gilt die Datenschutz-Grundverordnung (DSGVO oder DS-GVO): Wenn ein Händler persönliche Daten für personalisierte Preise nutzen möchte, muss er die Zustimmung des Kunden einholen.
Wie hilft 7Learnings bei der Optimierung von Preisen?
7Learnings bietet Händlern eine intelligente SaaS-Lösung zur Optimierung ihres Dynamic Pricing.
Unsere Software nutzt fortschrittliche Machine Learning-Technologie zur Vorhersage von Absätzen und Preiselastizitäten. Die Algorithmen berücksichtigen alle relevanten Daten und werten diese aus, um Nachfrage- und Preiselastizitätstreiber für das gesamte Sortiment zu identifizieren und Umsatz wie Gewinn für alle relevanten Produkte zu optimieren.
Die Software trifft Absatz-, Umsatz- und Gewinnvorhersagen mit hoher Genauigkeit. So generieren unsere Kunden mit nur einem Klick marktgerechte Preise, die ihre Zielvorgaben maximieren und Restriktionen (z. B. Lagerreichweite) berücksichtigen. Die eigene Preisstrategie und festgelegte KPIs bieten den Rahmen für den Einsatz der Algorithmen. So lassen sich Gewinne steigern, Marktanteile ausbauen und das eigene Markenimage wird gefestigt. Die Automatisierung der Preisfindung spart Händlern viel Zeit und schafft Freiräume für neue Aufgaben. Hier mehr lesen.
Pricing Optimization Software Rising Star
Featured Customers Spring 2023
Artificial Intelligence (AI) Excellence
AI Excellence Awards 2023
Best Analytics
Best BI solution
Ecommerce Germany Awards 2023
Vorteile
Unternehmen
Ressourcen
Info
Engeldamm 64b 10179 Berlin
VAT: DE323363789
Copyright © 2023 7Learnings