Dass Preise sich dynamisch verändern und Faktoren wie Wetter, Wettbewerber:innen und Kundennachfrage berücksichtigen, ist keine neue Erscheinung: Wir kennen das von Tankstellen, fliegenden Regenschirmhändlern bei schlechtem Wetter und zunehmend auch im Online-Handel bei den großen Playern wie Amazon und Co.
Neu hingegen sind Lösungen für den stationären Handel, der mithilfe von künstlicher Intelligenz Preise dynamisch verändert und dabei auf viele Faktoren wie Wetter oder die Preise der Mitbewerber:innen reagiert und das Pricing optimiert.
Was dafür technisch vorliegen muss, bei welchen Use Cases im Handel solche Ansätze funktionieren und ob die Kundschaft solche Ansätze der Preisgestaltung annehmen, zeigt KI- und Fashionexperte David Krings vom Unternehmen aifora in diesem Fachbeitrag.
Dashboard mit Informationen zur Preisentwicklung und der Analyse von Konkurrenzpreisen als Basis für Dynamic Pricing (Quelle: aifora)
Handel in Bedrängnis
Händler:innen stehen heute unter großem Druck, gerade im Fashion-Bereich. Nicht nur Corona hat ihnen stark zugesetzt, auch die derzeitigen Inflations-, Lieferengpass- und Energiekrisen mit einem Krieg in Europa beeinträchtigen das Geschäftsumfeld. Die Kaufkraft schwindet und Händler:innen sind mehr als jemals zuvor darauf angewiesen, ihre Prozesse zu optimieren. Hier können KI und Dynamic Pricing helfen.
Bei der dynamischen Preisgestaltung werden Preise abhängig von Faktoren wie Bedürfnisse der Kundschaft, Wettbewerbssituation und Wetter optimiert. Mit Dynamic Pricing können Händler:innen auf die aktuelle Nachfrage am Markt direkt reagieren und ihr Geschäft optimieren. Dabei muss berücksichtigt werden, welchen Zeitraum man wählt, um die optimale Preisstrategie zu erzielen.
Im Dynamic Pricing beträgt dieser Zeitraum für gewöhnlich wenige Tage, oft nur einen Tag, und kann bis zu einer Woche reichen. Das ist der Unterschied zum Lifecycle Pricing, bei dem wir von einigen Monaten bis zu einem Jahr als Betrachtungszeitraum sprechen, um den Lebenszyklus des Artikels in der Zukunft zu bewerten und die beste Entscheidung zu treffen. Kurz gesagt geht es bei der dynamischen Preisgestaltung um das automatisierte, kurzfristige Austarieren von Angebot und Nachfrage über den Preis.
Warum sollte ich als Händler:in Dynamic Pricing nutzen?
Dank KI und der Auswertung großer Datenmengen führt Dynamic Pricing mit KI-Tools wie aifora zu besseren Kennzahlen. Ob Umsatz, Rohertrag oder das Verhältnis von Discount zu Umsatz: Mit Dynamic Pricing erreichen Händler:innen nachweislich mehr. Es gibt Händler:innen, die mithilfe von Dynamic Pricing acht Prozent mehr Umsatz und vier Prozent mehr Rohertrag im Vergleich zu vorher erwirtschaften.
Das sind Größenordnungen, die signifikant sind, wenn wir von mehreren 100 Mio. Euro Gesamtumsatz sprechen. Das Stichwort hier ist Automatisierung. Um das vernünftig umzusetzen, müssen große Datenmengen verarbeitet und Preise für tausende Produkte mithilfe von Algorithmen angepasst werden. Dies händisch zu machen ist nahezu unmöglich, egal wie gut der oder die Storemanager:in den Markt kennt.
Treiber für Dynamic Pricing – E-Commerce und Preistransparenz
Aufgrund von Digitalisierung und Vernetzung prägt das Thema Preistransparenz heute viele Märkte. Die Kundschaft hat die Möglichkeit, die Preise der Konkurrenz überall direkt mit anderen zu vergleichen – die Information ist einen Mausklick entfernt. Bei aifora gibt es eine Erweiterung des Dynamic Pricing-Moduls, die die Wettbewerbspreise direkt in die Entscheidung einfließen lässt.
Dafür müssen zunächst Preise von den Webseiten der Wettbewerber:innnen und Retail-Plattformen erfasst werden, damit diese im Rahmen von Preisentscheidungen berücksichtigt werden können. Wenn der oder die Händler:in einen Preis hat, der sehr weit vom Preis der Konkurrenz entfernt ist, wird er ein großes Problem haben, den Artikel zu verkaufen.
Den Bedarf nach einer dynamischen Preispolitik hat es schon immer gegeben, aber die Möglichkeiten heute erlauben eine umfassende Umsetzung. Studien belegen, dass man immer besser damit fährt, wenn man Preise permanent dynamisch anpasst, statt einen optimalen konstanten Preis beizubehalten. Wenn ich als Händler:in einen optimalen konstanten Preis suche, bin ich immer an einigen Tagen zu teuer und an anderen zu günstig. Saisonalität, Wetter, Wettbewerb – das sind Hauptfaktoren, die die Nachfrage beeinflussen.
Wenn man Dynamic Pricing mit KI betreiben möchte, muss man auch die Kostenseite ins System einspeisen, sprich: Einkaufspreise, Lagerkosten, Shipping und die Retourenquote. All das ist relevant für den Algorithmus, um einen optimalen Preis zu ermitteln und anzupassen. Da reicht es nicht, nur die Nachfrage zu berücksichtigen.
Weitere Faktoren: Fashiontrends und Bestandsautomatisierung
Weitere spannende Faktoren, die man berücksichtigen sollte und die wir derzeit erforschen sind Fashiontrends, die aus den sozialen Medien ableitbar sind. Etwa die automatische Auswertung von Instagram und Modenews, um Trends und damit indirekt auch einen Indikator für den Preis zu ermitteln.
Wir sind auch im Bereich Bestandsautomatisierung unterwegs. Da ist es wichtig, Artikel zu bewerten, die gerade erst neu in den Markt kommen. Wir evaluieren Google AdWords für die Preisanalyse. Je nachdem, wie häufig ein Suchbegriff verwendet wird, erlaubt das dem System eine Einschätzung, wie sich gehypte Produkte preislich entwickeln und beeinflusst so die Preisstrategie.
Sind bestimmte Warengruppen erfasst und im aktiven Verkauf, sammelt die KI-Lösung transaktionale Daten. Machine-Learning-Verfahren und Algorithmen können auf Grundlage dieser Daten aus dem aktuellen Verkauf Trends erkennen.
Dynamic Pricing muss keine Blackbox sein: Übersicht wesentlicher Faktoren und die Möglichkeit, händisch einzugreifen, zeichnet transparente Lösungen aus (Quelle: aifora)
Blackbox Dynamic Pricing?
Wenn nicht Menschen Preise bestimmen, sondern eine KI, stellt sich die Frage: Woher weiß ich als Händler:in, auf welcher Grundlage die KI entscheidet? Grundsätzlich empfehle ich auf Lösungen zu setzen, die transparent sind und dem oder der Händler:in in Form eines Dashboards zeigen, welche Faktoren den Preisvorschlag beeinflusst haben. Es ist integraler Bestandteil unserer Plattform, dass wir keine Black Box haben, die einfach nur Preise ausspuckt, sondern maßgeblich an der Strategie des Händlers oder der Händlerin beteiligt ist.
Ideal ist, wenn der Nutzende sehen kann, was die Vorhersagen beeinflusst und warum es zu einer bestimmten Preisentscheidung gekommen ist. Den tiefen Einblick in die Einflussfaktoren kann man noch stärker ausbauen, aber welchen Mehrwert hätte das für den oder die Händler:in? Wichtiger sind A/B-Tests, um zu sehen, wie die Empfehlungen der KI im Vergleich zu händisch organisierten Kampagnen abschneiden.
Transparenz ist auch wichtig, um Fehler zu verhindern. Kontrollmechanismen für automatisierte Prozesse sind daher von großer Relevanz. Das ist sozusagen ein Sicherheitsnetz, das eine Kontrolle vornimmt, nachdem die Preise berechnet worden sind. Entsprechen die Preise allen Regeln, die gesetzt sind?
Gibt es Anomalien, die ich vorher nicht gesehen habe, irgendwelche extremen Ausreißer? Diese wären für das System Ansatzpunkte zu warnen und genauer hinzuschauen. Deshalb sollten KI-Lösungen Sicherheitsfunktionen berücksichtigen und diese über ein entsprechendes Dashboard und ein Notification-System integrieren.
Aus Sicht der Kundschaft – wer profitiert?
Dynamic Pricing ist nicht nur für den oder die Händler:in eine Optimierung, auch die Kundschaft profitiert. Der oder die Verbraucher:in hat damit die Chance, günstiger an ein Produkt zu kommen. Bei Tankstellen ist die dynamische Preisgestaltung gängig – da ändert sich der Tankpreis mehrmals am Tag. Durch Dynamic Pricing haben Verbraucher:innen die Möglichkeit, sich antizyklisch zu verhalten und so für die Waren weniger auszugeben.
KI im Handel – Daten zu Wert konvertieren
Beim Einsatz von KI geht es im Kern darum, Daten in Wert zu konvertieren. In dem KI-Prozess selbst gibt es ein Machine Learning Verfahren, das basierend auf den Modellen immer wieder die optimalen Preise findet und anhand der Nachfrage am Markt weiterlernt. Bei Dynamic Pricing geht es darum zu messen, wie in der Vergangenheit unterschiedliche Preise funktioniert haben. Dadurch kann der oder die Händler:in eine Preiselastizität bestimmen und den optimalen Preis festlegen.
Strategien mit Dynamic Pricing – Bestandsmanagement versus Profitmaximierung
Dynamic Pricing ist ein strategisches Werkzeug für den oder die Händler:in, der damit losgelöst von einzelnen Entscheidungen vorgeben kann, welches primäre Unternehmensziel im Fokus steht. Entsprechend passt das Tool das Pricing an. Mit Dynamic Pricing Tools wie dem von aifora kann der oder die Händler:in beliebig einer der beiden Ziele vorgeben: den Profit erhöhen oder das Lager leeren.
Ein Vorteil des Systems ist, dass eine einzelne Person keine Entscheidung treffen muss. Es geht nicht darum, dass ein Mensch entscheidet: Der Artikel muss einen Euro runter, dieser Artikel fünf Euro hoch. Es geht darum, Ziele zu setzen. Der oder die Händler:in ist als Mensch im Steuerungs-Cockpit und entscheidet, dass er beispielsweise profitoptimiert arbeiten möchte. Es geht darum, die Margen hochzuhalten – die Algorithmen passen dann die Preise entsprechend an.
Es kann auch Situationen geben, in denen es primär um den Abverkauf des eigenen Bestandes geht, etwa weil ich mich als Händler am Ende der Saison befinde und die Neuware ansteht. Dann zielt die Preisanpassung in eine andere Richtung. KI-Systeme sind so aufgebaut, dass die User:innen die Regeln, die Ziele und Strategien einstellen, statt an jeder einzelnen Entscheidung beteiligt zu sein.
Nachhaltigkeit mit Dynamic Pricing – CO2 einsparen mit KI
KI hilft vor allem im Handel das Thema Nachhaltigkeit in den Mittelpunkt zu stellen. Der oder die Händler:in kann dem System zum Beispiel vorgeben, dass das Pricing bezüglich des CO2-Ausstoßes optimiert wird. aifora arbeitet daran, diese Funktion in das System zu integrieren und anzubieten. Am Ende ist es immer eine Frage der Anwendung und der Optimierungsfunktion. Es gibt die Möglichkeit nach Profit, Umsatz oder niedrigem Endbestand zu optimieren – und bald auch entsprechend nach CO2-Ausstoß.
Besondere Herausforderungen im Fashion-Handel
Dynamic Pricing ist überall dort eine Herausforderung, wo es die Menschen noch nicht gewohnt sind. Im Fashion-Handel gibt es am Ende einer Saison immer den Abschriftenprozess, also die klassischen Sommerschluss- und Winterschlussverkäufe. Wir setzen mit unserer Dienstleistung genau da an und optimieren diesen Prozess als Erstes. Da lässt sich viel gewinnen, weil die Rabatte traditionell nach dem Gießkannen-Prinzip gewährt werden. Händler:innen fangen oft mit 30 Prozent an, senken dann auf 50 und schließlich auf 70 Prozent. Dynamische Preisgestaltung arbeitet viel variabler und mit Tagespreisen.
Zudem ist im stationären Fashion-Handel die Preisauszeichnung sehr aufwendig: Preisetiketten hängen an jedem Stück und müssen händisch verändert werden. Hier sind mögliche Lösungen elektronische Preisschilder (sogenannte EPL), die mittlerweile so klein, leicht und günstig sind, dass man diese im Handel einsetzen kann. Der Preis lässt sich elektronisch ohne großen Personalaufwand verändern.
Viele Händler:innen sind sich unsicher, ob täglich wechselnde oder ungleiche Preise über verschiedene Filialen die Kundschaft abstoßen. Ich empfehle, mehr Mut. Unsere Erfahrungen zeigen, dass die Akzeptanz sehr groß ist. Die Händler:innen können im begrenzten Rahmen in einer Testphase starten und die Resonanz der Kundschaft auswerten. Man kann sich eine bestimmte Warengruppe aussuchen, in einer Region anfangen oder in bestimmten Filialen.
Best Case: Großer Online-Fashion-Händler
Wir haben bei einem sehr großen Online-Fashionhändler die KI-Lösung vor etwas mehr als einem Jahr eingeführt. Das Unternehmen verzeichnet etwa zwei Milliarden Euro Umsatz im Online-Geschäft, ist in vielen Ländern aktiv und bietet mehr als 20.000 Produkte an. Mithilfe von Dynamic Pricing und dem KI-Tool hat der Händler seinen Umsatz deutlich steigern können.
Das KI-Tool wurde sukzessive eingeführt. Am Anfang stand eine Bestandsaufnahme der Daten und eine Einbindung in die Saas-Lösung. Die Integration der historischen Daten ist dabei die Grundlage für erste Analysen. Die Ergebnisse zeigen der Kundschaft retrospektiv, welche Optimierung in der Vergangenheit beim Preismanagement möglich gewesen wäre.
Der oder die Händler:in startete mit einem Produkt. Wir führten unseren Kunden Stück für Stück an die Lösung und gingen dann in einen kontinuierlichen Datenaustausch, um mit einem Teilsortiment einen „Proof of Value“ zu starten. Das ist ein A/B-Set-up, bei dem der Kunde mit 20 Prozent seines Sortiments experimentiert und vergleichsweise sieht, dass die vorher prognostizierten Optimierungen in der Realität erreicht werden können. Danach rollt man die Lösung flächendeckend auf alle Standorte und das gesamte Sortiment aus.
Fazit
Dynamic Pricing mithilfe von KI wird den Handel verändern. Bereits heute erzielen Händler:innen nachweislich bessere Ergebnisse, wenn sie ihre Daten in Wert umwandeln. Angesichts der rasanten technischen Entwicklung wird in Zukunft kein Unternehmen auf diese Optimierungen verzichten können – egal ob im E-Commerce oder im stationären Handel.
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen
