,

Pricing-Software: Dynamic Pricing vs. Repricing und andere Tools

prudsys, prudsys RDE, Omnichannel, Handel, E-Commerce, Echtzeit, Personalisierung, KPI

Laut einer Studie des „Bundesverbands E-Commerce und Versandhandel Deutschland“ (bevh) nutzen bereits 40 Prozent der deutschen Onlinehändler eine dynamische Preisgestaltung, um ihre Wettbewerbsfähigkeit zu stärken. Der Markt bietet dazu drei Kategorien von Pricing-Software. In diesem Beitrag versuche ich die Unterschiede herauszuarbeiten und aufzuzeigen, welche Strategien mit dem jeweiligen Ansatz verfolgt werden können.

Repricing – Buy-Box um jeden Preis

Mit den sogenannten „Repricing Robots“ verfolgt der Onlinehändler das Ziel, eine möglichst hohe Listung auf Markplätzen wie Amazon oder ebay zu erreichen. Bestenfalls soll das eigene Produkt in der Buy-Box (Einkaufswagen-Feld) stehen. Diese Pole Position ist das Objekt der Begierde. Aber auch der Marktplatz-Betreiber verfolgt eigene Ziele – nämlich Absatz, Frequenz, Marktanteile und Provision. Dementsprechend arbeitet die Logik hinter den Repricing-Tools. Der Preis wird permanent überprüft und dynamisch angepasst. Neben wenigen weiteren Kriterien ist der Preis das Maß aller Dinge. Händler, die sich auf dem Marktplatz tummeln, unterbieten sich am laufenden Band und Preisabwärtsspiralen werden gefördert. Dies geschieht auf Kosten der Händler und der herstellenden Unternehmen, die ihre Margen einbüßen, während der Marktplatz konsequent seine Marktmacht ausbaut.

Systemgestützte regelbasierte Tools – komplexe Statik, intensive Beratung und manueller Aufwand

Eine andere Art der dynamischen Preisgestaltung sind systemgestützte und regelbasierte Werkzeuge, die eine Vielzahl der unternehmenseigenen Pricing-Regeln umsetzen. Die Komplexität ist dabei mitunter sehr hoch und bringt mit steigender Anzahl der Artikel einen großen manuellen Pflegeaufwand mit sich. Bei diesen Tools kann man nicht wirklich von dynamischer Preisgestaltung sprechen, da sie die Regeln lediglich statisch umsetzen. Eine automatisierte und dynamische Anpassung an ein extrem volatiles Marktumfeld erfolgt kaum. Shopper Insights werden genutzt, um Kundenverhalten vorauszusagen, was einem Predictive-Analytics-Ansatz entspricht. Modernere Pricing-Algorithmen setzen auf einen Prescriptive-Ansatz, der auf Basis von Prognosen, nicht nur Entscheidungen empfiehlt, sondern sie auch sofort und automatisiert umsetzen kann. Systemgestützte und regelbasierte Werkzeuge leben von Beratungsleistung und hohem manuellem Aufwand. Sie sind die Vorstufe für eine echte dynamische Preisgestaltung.

Dynamic Pricing – Algorithmic Machine Learning und Prescriptive Automatic Pricing

Die Vermutung liegt nahe, dass ein Großteil der Händler, die bereits eine dynamische Preisgestaltung anwenden, in den ersten beiden Evolutionsstufen (Repricing und systemgestütztes Pricing) zu finden sind. Dynamic Pricing im Sinne von Algorithmic Machine Learning ist dagegen noch nicht so stark verbreitet. Hierbei handelt es sich um die höchste Evolutionsstufe der dynamischen Preisgestaltung.

Was macht also einen modernen und leistungsfähigen Dynamic-Pricing-Algorithmus aus? Zunächst einmal die Fähigkeit, verschiedene Strategien und Zielsetzungen flexibel zu bedienen. Dynamic Pricing ist KPI-gesteuert. Das Ziel für den Händler besteht darin, dass der Kunde kauft – und zwar zum bestmöglichen Preis. Bestmöglich bezogen auf seine KPIs. So kann der Algorithmus auf Profitmaximierung, Umsatzmaximierung, Frequenzoptimierung oder Bestandsoptimierung konfiguriert werden, womit multiple Strategien umsetzbar sind.

Auf Basis der Zielvorgaben und Business Rules des Händlers beginnt ein Dynamic-Pricing-Algorithmus zu lernen. Innerhalb weniger Tage ist ein solcher Algorithmus in der Lage, exakte Prognosen über die Preisakzeptanz für jeden Artikel zu treffen. Dies geschieht über die Berechnung der Preiselastizität. Die Preiselastizität sagt aus, wie sich die Nachfrage ändert, wenn sich der Preis ändert. Das ist bei schnelldrehenden Artikeln relativ einfach. Die Herausforderung liegt hier im Longtail-Bereich, also bei Artikeln, die sich weniger häufig verkaufen. Ein Dynamic-Pricing-Algorithmus ist in der Lage, über Regressions-, Cluster- und Entscheidungsbaum-Algorithmen, die Preiselastizität für alle Artikel des Sortiments zu bestimmen. Dies ist ein mächtiges Werkzeug für jeden Händler, liefert es doch genaue Aussagen über die Preisakzeptanz, gemessen an der Wertschätzung der Verbraucher.

Der Preis der Konkurrenz fließt natürlich in die Preisfindung ein. Anders als beim Repricing, ist der Wettbewerberpreis jedoch nur ein gewichteter Preisbildungsfaktor von vielen anderen. Damit wird der Wettbewerberpreis im Kontext der eigenen Markenstärke des Händlers bemessen, was in der vollen Ausprägung bis hin zur exakten und dynamischen Bewertung der regionalen Marktsituation am Point-of-Sale geht. Der richtige Preis für jeden Artikel, zu jeder Zeit und in jeder regionalen Filiale bzw. jedem Webshop. Neben dem Wettbewerberpreis spielen eine Vielzahl von anderen Preisbildungsfaktoren eine Rolle – beispielsweise das Wetter, Saisonzeiten, Wochen- oder Tageszeiten, Bestandsinformationen, eigene und fremde Promotion und als ein wesentlicher Faktor, die eigene Markenstärke des Händlers. So kann ein Händler mit gutem Service, hohem Kundenvertrauen und überdachten Parkplätzen an Regentagen mehr profitieren, als der Discounter um die Ecke. Die Preisakzeptanz bei diesem Händler ist höher. Gerechtfertigt aufgrund der Händlerleistung.

Ein Dynamic-Pricing-Algorithmus lernt offline auf Basis einer Unmenge von historischen Daten. Vergleichbar mit dem Erlernen eines Schachspiels, lernt die Technologie aber vor allem online auf Basis von Real-time Traffic Data. Auf diese Weise können nahezu alle Preiseinflussfaktoren in Echtzeit berücksichtigt werden, was in einem komplett volatilen Marktumfeld ein unschlagbarer Vorteil ist. Die künstliche Intelligenz analysiert permanent das Wechselspiel aus Preisaktion und Kundenreaktion und erlaubt unmittelbare Rückschlüsse über die Wirksamkeit der eigenen Preissetzung. Diese Technologie wird auch Reinforcement Learning genannt. Dabei lernt der Algorithmus adaptiv durch Messen einer Absatzänderung sowie Anpassung des Preises und explorativ durch effektives Austesten von Preisakzeptanzschwellen.

Ein Dynamic-Pricing-System bedient sich selbstlernender Algorithmen, die nicht nur zur Entscheidungsunterstützung dienen, sondern in der letzten Ausbaustufe die Entscheidung selbst automatisieren (Prescriptive Analytics). Das ist Digitalisierung auf höchstem Niveau. Natürlich hat das Category Management immer die Möglichkeit, steuernd einzugreifen. Mit Hilfe eines Ausnahme-Managements werden Ausreißer erkannt, bevor der vorgeschlagene Preis in der Filiale oder dem Webshop umgesetzt wird. Darüber hinaus wird es Teilsortimente geben, bei denen der Algorithmus lediglich einen Preis vorschlägt und somit das Category Management mit Prognosen des Effekts auf Rohertrag, Absatz und Umsatz unterstützt. Die Preisentscheidung jedoch bleibt uneingeschränkt in den Händen des Category Managers (Predictive Analytics). Es zeichnet sich also eine Arbeitsteilung zwischen Algorithmus und Category Management ab, bei der der Algorithmus Pricing-Aufgaben bei Artikeln übernimmt, die nicht die volle Aufmerksamkeit des Category Managers benötigen.

Nicht zuletzt zeichnet sich ein moderner Algorithmus durch vernetztes Lernen über alle Vertriebskanäle und multiple Anwendungsszenarien aus. Beim Omnichannel Learning beispielsweise, nutzt der Algorithmus die Erkenntnisse aus Webshop A auch für Preisentscheidungen in Webshop B oder in Mobile Shop, Call-Center und Filiale. Beim Multicase Learning ist der Algorithmus sogar in der Lage, über verschiedene Use Cases vernetzt zu lernen, z.B. bezieht er Erkenntnis aus Recommendations für die Preisfindung mit ein.

Multiple Strategien mit modernem Dynamic Pricing

Ein moderner Dynamic-Pricing-Algorithmus ist extrem komplex. Was aber bedeutet das für den Online- oder den stationären Händler? Welche Möglichkeiten bietet ihm diese Komplexität? Nun, er bedient die komplette Klaviatur des Pricings par Excellence – mit multiplen Strategien.

Strategie 1: Wertschöpfendes Pricing

Bei Basis- und Longtail-Artikeln, die bei vielen Händlern einen Großteil des Sortiments ausmachen, werden Preise vollautomatisch gesteuert. Diese Artikel stehen nicht im Preisfokus der Verbraucher und sind in der Regel nur mäßig wettbewerbsrelevant. Sie verlangen nicht die volle Aufmerksamkeit des Category Managements. Der Algorithmus wird bei diesen Artikeln auf Rohertragsoptimierung konfiguriert. Der Preis wird also an der Stelle teurer, wo es sein kann, immer bemessen an der Preisakzeptanz und damit der Wertschätzung der Verbraucher. In diesen Sortimentsbereichen hebt der Algorithmus erwiesenermaßen ein Rohertragspotential von 6-8 %. Der Business Case birgt gleich mehrere Vorteile: Einerseits wird das Category Management durch Automatisierung entlastet, andererseits wird ein relevanter Rohertragseffekt erzielt.

Strategie 2: Strategisches Pricing

Bei Eckpreisartikeln, die stark im Preisfokus der Verbraucher stehen und stark wettbewerbsrelevant sind, wird der Algorithmus auf Frequenzoptimierung ausgerichtet. Der Preis des Wettbewerbers fließt ein, aber gewichtet im Kontext der eigenen Markenstärke. Wichtig sind Preisimage und Marktanteil. Der Preis wird günstiger, an der Stelle, wo es sein muss, aber nur im richtigen Ausmaß. Letztendlich zählt die Entscheidung des Kunden, den Webshop oder die Filiale zu betreten und dort einen Kaufabschluss zu tätigen. Frequenz und Conversion sind oberstes Gebot. Beim strategischen Pricing unterstützt ein Dynamic-Pricing-System den Category Manager mit oben beschriebenen Predictive Analytics. Die Preishoheit bleibt beim Category Manager.

Strategie 3: Life Cycle Pricing

Wie beim Yield Management in der Touristik-Branche geht es hier um Artikel mit begrenzter Lebensdauer, wie z.B. Frischeartikel, Saisonartikel oder auch Unterhaltungselektronik. Die Artikel verlieren in einem kurzen Zeitraum ihren Wert. Daher wird hier der Algorithmus auf einen Mix aus Bestands- und Profitoptimierung konfiguriert. Das Ziel ist ein Nullbestand zu einem bestimmten Zeitpunkt, aber bis dahin zu jeder Zeit den bestmöglichen Preis zu realisieren. Das erhöht den Rohertrag und senkt gleichzeitig die Kosten für Abschreibungen.

Strategie 4: Intelligentes Couponing

Optional besteht die Möglichkeit, individualisierte Coupons auszuspielen. Vorausgesetzt der Kunde gibt seine Zustimmung, können seine Klick- und Transaktionsdaten genutzt werden. Dabei sollte die Preisdifferenzierung allerdings nur zum Wohle des Kunden geschehen, also mit Hilfe von individualisierten Rabatten. Mächtige Werkzeuge verbinden hier personalisierte und echtzeitfähige Produktempfehlungen mit individuellen Coupons. Für jeden Kunden, zu jeder Zeit, an jedem Touchpoint, das relevanteste Produkt, mit dem für ihn relevanten Rabatt – das erhöht Kundenloyalität und Conversion Rate.

Fazit

Dynamic Pricing ist nicht gleich Dynamic Pricing. Nur komplexen Algorithmen ermöglichen die Anwendung der vollen Bandbreite der Pricing-Strategien und die Ausschöpfung des gesamten Potentials. So sind eine Ertragssteigerung und gleichzeitig eine Verbesserung des Preisimages sowie zusätzlich eine Entwicklung des Kundenwertes bzw. der Kundenbindung kein Widerspruch mehr. Und ganz nebenbei werden Prozesse digitalisiert und automatisiert. Das ist die hohe Kunst der Digitalisierung.

Wer mehr über das Thema Dynamic Pricing wissen möchte, dem empfehlen wir unser neues Whitepaper „Dynamische Preisoptimierung im Handel“. Den Gratis-Download gibt es auf unserer Website.

Weiterführende Links:
Rückblick: Expertengespräch „Preisdifferenzierung im digitalen Handel“

Dynamic Pricing im Handel versus Verbraucherschutz: Was ist dran an der Kritik?

Die drei Säulen der dynamischen Preisgestaltung

Was ist Dynamic Pricing?

0 Kommentare

Ihr Kommentar

Sie haben weitere Anmerkungen zu diesem Thema?
Wir freuen uns auf eine spannende Diskussion.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.