Inflation, Lieferengpässe, Rabattaktionen von Wettbewerbern oder eigene Marketingkampagnen – Onlinehändler müssen viele Faktoren berücksichtigen, um ihre Preise optimal zu kalkulieren. Viele setzen daher auf Preisoptimierungssoftware, aber nur wenige nutzen neue Technologien wie maschinelles Lernen, beobachtet Etailment-Gastautor Felix Hoffmann, Mitgründer von 7Learnings. Er sagt: Predictive Pricing ist für Händler heute der am einfachsten zu implementierende Hebel, um ihre Gewinne zu steigern.Das Innovationstempo in der Preisoptimierung hat in den letzten Jahren angezogen. Vor allem im Netz können Kunden auf Preisvergleichsportalen in Sekundenschnelle feststellen, ob sie das gesuchte Paar Sneaker auf einer anderen Plattform günstiger finden. Die fast vollständige Transparenz macht es zwingend, dass Anbieter den Markt kontinuierlich beobachten, am besten in Echtzeit, um Chancen für ihre Preisgestaltung zu erkennen.
Mit den aktuellen Lieferschwierigkeiten geraten etablierte, globale Lieferketten ins Stocken. Eine Chance für kleinere Händler: Denn wer auf regionale Lieferanten setzt, ist weniger betroffen und kann womöglich höhere Preise durchsetzen.Aber welche Preise werden Kunden angesichts der Inflation noch akzeptieren? Unternehmen, die von Lieferverzögerungen betroffen sind, können auf alternative Lieferanten ausweichen, müssen meist aber mit höheren Produktionskosten bezahlen. Auch hier reichen Intuition und Augenmaß nicht aus, um optimale Preise zu finden.
Viele Händler nutzen veraltete Methoden zur Preissetzung
Viele Händler setzen auch heute noch auf einfache Methoden der Preissetzung und verfolgen beispielsweise eine Cost-Plus-Strategie: Sie addieren feste Margen auf die Produktkosten und lassen den Markt von ihren Mitarbeitern in Intervallen beobachten. Anpassungen erfolgen meist nicht häufiger als ein oder zwei Mal im Jahr. Je vergleichbarer das Unternehmensangebot, desto weniger tragfähig ist dieses Modell im E-Commerce.
Immer mehr Unternehmen setzen deshalb heute Tools ein, die dynamische Preisoptimierung ermöglichen. Bereits 2019 nutzte jedes fünfte Unternehmen laut PwC Sales Radar solche Software. Allerdings unterscheiden sich Leistung und Qualität der Anwendungen erheblich.
Regelbasiertes Pricing wird immer komplexer
Viele dieser Pricing-Tools arbeiten dabei starr, nach mehr oder weniger komplexen Wenn-Dann-Regeln. "Wenn Wettbewerber A seinen Preis um mehr als 5% für Rasenmäher X erhöht, erhöhe Preis für Rasenmäher X in unserem Shop ebenfalls um 5%." Diese Methode wird auch regelbasiertes Pricing genannt.
Um dem komplexen Marktgeschehen Rechnung zu tragen, versuchen Unternehmen in der Praxis weitere Einflussfaktoren zu berücksichtigen. Schnell werden die Regelsysteme dann komplex und lassen sich nur mit viel manuellem Aufwand anpassen. Die Folge: Die Preissetzung hinkt dem aktuellen Markt permanent hinterher.
Künstliche Intelligenz optimiert Preise vorausschauend
Zeitgemäß sind dynamische Pricing-Tools, die auf Machine Learning basieren. Mit diesen Anwendungen lassen sich eine Vielzahl weiterer Einflussfaktoren berücksichtigen. Zum Beispiel lässt sich die Preiselastizität messen, also wie sich die Nachfrage bei einer Preisänderungen verändert. Anders als regelbasierte Software werten die Lösungen Veränderungen der Einflussfaktoren eigenständig aus und passen ihren Algorithmus in Echtzeit an.
Schöpfen Unternehmen das Potenzial von Machine-Learning-Technologie vollständig aus, können sie voraussagen, wie sich Preisänderungen auf ihre wichtigsten Erfolgsgrößen auswirken. Sie können einfach simulieren, welche Gewinne und Umsätze mit verschiedenen Preisstrategien zu erwarten sind. Dieser Ansatz wird Predictive Pricing genannt.Neben einfachen Einflussfaktoren wie dem Lagerbestand kann der Vorhersagealgorithmus auch komplexe Faktoren wie Marketingkampagnen in seine Prognosen einbeziehen. Unternehmen sind so in der Lage, ihre Marketing- und Pricingentscheidungen optimal aufeinander abzustimmen und zusätzliches Effizienzpotential zu heben.
Gewinnsteigerung um bis zu 10%
Das ist der wesentliche Vorteil zu bisherigen Methoden der Preisoptimierung: Die KI-Tools optimieren die Preise vorausschauend. Sie kombinieren den internen Datenbestand (Produktverkäufe, Lagerbestand, Marketingkampagnen u.a.) mit Marktdaten (Wetter, Saisonalität, Wettbewerb u.a.), erkennen Muster und antizipieren so Entwicklungen. Auf Basis historischer Daten berechnen sie die Preiselastizität.
Bei Bedarf können Mitarbeiter die Auswirkungen unterschiedlicher Preisanpassungen an die Nachfrage simulieren, ehe sie die neuen Preise final festlegen. Mithilfe von Optimierungsalgorithmen kann der Händler dann ganz einfach auf seine Zielvorgabe hin (z. B. ein bestimmtes Margenziel) Preise optimieren.
Nach unseren Kundenerfahrungen lassen sich über Predictive Pricing Gewinnerhöhungen von bis zu 10% erreichen. Trotzdem nutzen bisher nur wenige Unternehmen die Technologie. Warum? Meist ist es schlichtweg Unwissen. Unternehmen kennen die Unterschiede der dynamischen Pricing-Tools nicht.
Predictive Pricing: Vom Vorsprung zum Standard
Der Boom des E-Commerce in den vergangenen zwei Jahren und die aktuelle Inflation sorgen dafür, dass Unternehmen stärker als bisher auf ihr Pricing fokussieren und die Bekanntheit von Predictive Pricing steigt. KI-basierte Pricing-Strategien gehören 2022 zu den Top-Themen im digitalen Handel.
Kein Wunder, die Marktbedingungen bleiben volatil, ungewiss, komplex und ambig (VUKA). Und angesichts der schwierigen zurückliegenden zwei Pandemiejahre zählt für Unternehmen jedes Prozent Gewinnsteigerung.
Wer heute Predictive Pricing einsetzt, mag sich noch einen Vorsprung vor seiner Konkurrenz verschaffen. Bald wird die neue Technologie sich zum Standard entwickelt haben. In der wettbewerbsstarken Handelsbranche kann der Effizienzvorteil durch Predictive Pricing schnell überlebenswichtig werden.
MEHR ZUM THEMA:
