Die Optimierung von Preisen ist ein wichtiges Einsatzszenario von künstlicher Intelligenz (KI). Greifbar sind dabei der Einsatz in Handel, wie im Blogbeitrag: KI – Anwendungsszenarien im Handel (Retail) erwähnt. Das Ziel ist, die Anzahl der Kaufabschlüsse zu erhöhen und über alle Kaufabschlüsse hinweg auch einen positiven Warenrohgewinn*.
Die Preiselastizität beschreibt, wie sich die Nachfrage nach einem Produkt oder einer Dienstleistung in Abhängigkeit von Preisänderungen verändert. Je nachdem, wie empfindlich die Nachfrage auf Preisänderungen reagiert, können verschiedene Arten von Preiselastizitäten unterschieden werden: BWL – Grundlagen: Preiselastizität.
Zusätzliche Faktoren, die das Kaufverhalten beeinflussen, sind die Verfügbarkeit von Substituten, die Fähigkeit des Kunden, Käufe zu verschieben, zusätzliche Kosten für den Kunden und die Reaktionsfähigkeit der Konkurrenz in Bezug auf Preisänderungen.
Unter der Annahme, dass es einen Mindestpreis gibt, den Sie für Ihre Waren im Schnitt erzielen müssen, um einen positiven Warenrohgewinn zu erhalten.
Wenn der Mindestpreis zu hoch ist, weil Ihre Herstellkosten (Hersteller) oder Einkaufspreise (Händler) inklusive Ihres geplanten positiven Deckungspreises, über dem liegen, was ein Kunde bereit ist, zu zahlen, dann ist eine KI-Preisoptimierung bei den Verkaufspreisen nicht geeignet.
In diesem Fall empfiehlt es sich erst die Herstellkosten / Einkaufspreise zu senken und / oder den notwendigen Aufschlag auf die Herstellkosten / Einkaufspreise durch Reduzierung der Fix- und Variablen-Kosten, auch dabei kann KI unterstützen!
Hinweis: Für den Abverkauf, bei dem Waren auf jeden Fall abgestoßen werden sollen, gelten diese Einschränkungen nicht.
Voraussetzungen:
Eine ausführliche Beschreibung zum Thema Preiselastizität haben wir hier geschrieben: BWL – Grundlagen: Preiselastizität
Die psychologische Preisbildung nutzt verschiedene Strategien, um die Preiswahrnehmung der Kunden zu beeinflussen und ihre Kaufentscheidungen zu lenken. Zu den wichtigsten Faktoren gehören: BWL – Grundlagen: psychologische Preisbildung
Es ist wichtig, die Zielgruppe und den Markt zu kennen, um die passendste Preisstrategie auszuwählen, da nicht alle Strategien universell anwendbar sind.
Voraussetzungen:
Genau wie bei der Preiselastizität ist es notwendig genügen Daten über Bestellungen / Käufe der Produkte vorliegen zu haben.
Eine ausführliche Beschreibung zum Thema psychologische Preisbildung haben wir hier geschrieben: BWL – Grundlagen: psychologische Preisbildung
Segmentierung im Marketing und Vertrieb:
Die Segmentierung teilt den Markt in homogene Kundengruppen (Segmente) mit ähnlichen Bedürfnissen und Vorlieben auf. Dies ermöglicht Unternehmen, maßgeschneiderte Marketingstrategien für jede Gruppe zu entwickeln, siehe auch: BWL – Grundlagen: Kundensegmentierung.
Insgesamt ist die Segmentierung ein essenzielles Instrument im Marketing, erfordert jedoch ständige Überwachung und Anpassung an Marktveränderungen.
Voraussetzungen:
Eine ausführliche Beschreibung zum Thema Kundensegmentierung haben wir hier geschrieben: BWL – Grundlagen: Kundensegmentierung
Der Kundenlebenszyklus veranschaulicht die verschiedenen Stadien, die ein Kunde in Beziehung zu einem Unternehmen oder einer Marke durchläuft, von der ersten Kenntnisnahme bis zur Loyalität oder Abwanderung, siehe auch: BWL – Grundlagen: Kundenlebenszyklus.
Einfluss auf Preisbildung: Die Preisempfindlichkeit kann je nach Phase variieren. Neukunden könnten für Rabatte empfänglich sein, während treue Kunden mehr für Premium-Angebote zahlen könnten. Unternehmen sollten ihre Preisstrategien an die Bedürfnisse jeder Phase anpassen.
Schlussfolgerung: Der Kundenlebenszyklus hilft Unternehmen, ihre Kundenbeziehung zu verstehen und ermöglicht die Entwicklung gezielter Marketing- und Vertriebsstrategien sowie die Anpassung der Preisstrategien.
Was kann KI: An den verschiedenen Stellen der Customer Journey mit dem Kunden positiv interagieren:
Suche / Bewusstseinsbildung (Awareness): Unterstützen bei der Suche, intelligente Produktsuche, intelligente Marken- und Produktwerbung, Erzeugung von Inhalten, die Kundenprobleme lösen (Story-Telling) usw.
Erwägung (Consideration): Aufbereitung von FAQ, Chatbots mit Produktwissen, Produktvergleiche, Preisvergleich, u. ä.
Kaufentscheidung (Purchase): Optimierung des Kaufvorgangs (Checkout), Optimierung der Preise, Up- und Cross-Selling beim Kauf
Nutzung (Use): Intelligente Nutzungstipps, FAQ, Chatbot mit Anwendungswissen, KI als Teil des Produktes, u. ä.
Loyalität (Loyalty): Intelligenter Kundendienst (Customer Service), Kundenbindungsprogramme, optimierte Preise für Wiederholungskäufe, u. ä.
Abwanderung (Churn): Intelligenter Kundendienst (Customer Service), optimierte Preise für abgewanderte Kunden (Win-Back-Strategie)
Was kann KI NICHT: Kunden zum Kauf Ihrer Produkte zwingen, die Grundannahme ist immer, dass das Produkt marktfähig ist und es genügend potenzielle Käufer gibt.
Eine ausführliche Beschreibung zum Thema Kundenlebenszyklus haben wir hier geschrieben: BWL – Grundlagen: Kundenlebenszyklus
Datenanalyse: KI kann große Mengen an Daten analysieren, um Muster im Kaufverhalten der Kunden zu erkennen. Dies kann dazu verwendet werden, um optimale Preispunkte für verschiedene Kundensegmente zu bestimmen.
Dynamische Preisgestaltung: Mit KI können Preise in Echtzeit angepasst werden, basierend auf aktuellen Marktbedingungen, Wettbewerbspreisen und Kundennachfrage.
Vorhersage: KI kann verwendet werden, um zukünftige Nachfragetrends vorherzusagen, was Händlern helfen kann, ihre Preise entsprechend anzupassen.
Personalisierung: KI kann dazu verwendet werden, personalisierte Preisangebote basierend auf dem individuellen Kaufverhalten und den Vorlieben eines Kunden zu erstellen.
Nachdem umfangreich beleuchtet wurde, dass KI Preise optimieren, die Wahrscheinlichkeit des Kaufabschlusses und den potenziellen Umsatz erhöhen kann, soll nun potenzielle Implementierungen in das eigene Unternehmen beleuchtet werden.
Im ersten Schritt müssen verschiedene Datenquellen nutzbar gemacht werden:
Eigene historische Bestelldaten:
Eigene und Großhändler-Verfügbarkeitsschnittstellen:
Externe Verkaufs- und Preisdaten:
Externe andere Daten
Kundendaten für Kundensegmentierung:
Die Daten werden dabei entweder im geeignetsten Spezialsystem zusammengeführt (ERP, CRM o.ä.) oder müssen systemunabhängig gespeichert werden, z.B. in einem Data Warehouse oder Data Lake.
Die Kundensegmentierung findet normalerweise im CRM, wenn vorhanden oder im ERP-System statt, soweit das ERP-System über hinreichende CRM-Funktionen verfügt. Das CRM greift dabei auf seine eigenen Daten als auch die gespeicherten Daten, s.o. zurück.
Moderne CRM-Systeme haben KI-Erweiterungen und unterstützen dabei. Falls das nicht der Fall ist, sollte ein separates KI-Drittsystem zur Segmentierung zurückgegriffen werden. Falls KI-Qualifikationen im Unternehmen vorhanden sind, ist auch die eigene Programmierung oder die Nutzung eines Machine-Learning-Services, z.B. in MS Azure denkbar (mit anschließendem Rückexport in das CRM).
Alle eingesammelten und aufbereiteten Daten; Produkt, Preis und Kundendaten dienen nur einem Zweck, die eigenen Preise zu optimieren.
Auch hier sind, mehrere mögliche Orte für die Aufnahme der Preis-Logik denkbar, z.B.:
Oft sind die Kosten und das im Unternehmen vorhanden Know-how der ausschlaggebende Faktor, der zur Implementierung an der einen oder anderen Stelle führt. Die Repricing-Engine (Applikation) nutzt selbst KI als Bestandteil.
Es werden nun von der Applikation zum einen Preise berechnet, z.B. für Freitagabend 18:00 – 21:00 Uhr und als Preis-Sets abgelegt und auf die einzelnen Verkaufsplattformen gepusht oder es wird eine Endpunkt (API) zum Abruf der Preise durch den jeweiligen Channel angeboten, über den dann der Webshop, z.B. nach Login des Kunden die kundenspezifischen Preise anzeigt.
Wichtig: ist hierbei, dass die Daten konstant aktualisiert und zurück in die Price-Engine transportiert werden.
Das folgende Beispiel soll den Gesamtprozess für einen Webshop vereinfacht darstellen:
Datenquellen:
Datenaggregation mittels MS Azure Data-Factory auf:
Price-Engine:
Möchten Sie hierzu mehr erfahren, kontaktieren Sie uns gern 😀.
Transparenz: Es kann schwierig sein, die Entscheidungsprozesse von KI-Systemen zu verstehen, was zu Fragen der Transparenz und Fairness auf Kundenseite führen kann.
Diskriminierung: Wenn KI-Systeme nicht richtig trainiert werden, können sie diskriminierende Preisentscheidungen treffen, die bestimmte Kundengruppen benachteiligen.
Datenschutz: Die Verwendung von KI zur Preisoptimierung erfordert den Zugriff auf große Mengen an Kundendaten, was Datenschutzbedenken aufwerfen kann.