
„Dynamic Pricing“, also variable bzw. „dynamische“ Preisgestaltung, kennen wir alle, vor allem aus dem E-Commerce: Gerade war das Hotel bei der Suche am Laptop noch billig, und 10 Minuten später ist bei der Suche auf dem iPhone teuer. Oder die Konzertkarten sind brutal teuer, und kurz vor dem Konzert werden die Preise geschlachtet. Im Vergleich zu konventionellem Pricing, das eigentlich nur beim „Schlussverkauf“ Rabatte gibt, kann’s bei der dynamischen Preisgestaltung eben auch empfindlich teurer werden.
Eigentlich entspricht Dynamic Pricing (auch bekannt als Surge Pricing) damit der Strategie eines Basar-Händlers, der keine Preise an seiner Ware hat: Du bist Tourist und siehst aus, als hättest du Geld? Dann wird dir ein hoher Preis angeboten. Du bist lokaler Stammkunde? Dann bekommst du den Normalpreis. Kurz vor Marktschluss werden die Preise dann für alle gesenkt. Und zur High Season – denke an Butterpreise vor Weihnachten – werden alle gemolken. Die erste Frage die du dir also stellen solltest: Wie viel Preisvarianz verkraftet deine Marke?
In diesem Artikel stelle ich dir zum Thema Dynamic Pricing ein paar Visualisierungen, Spielereien und Backgrounds vor, die sich mit der Komplexität von Preisoptimierungs-Strategien befassen. Ziel: Du kannst nach der Lektüre dein Preissystem besser bewerten.
Inhalt
- Über den Autor
- Artikel zu ähnlichen Themen
- Preisoptimierung: Die grundlegenden Fragen
- Dynamische Preisoptimierung, international: Beispiel-Dashboard
- Pricing-Fehler im Algorithmus entdecken
- Wie sieht der Preisoptimierungs-Algorithmus dahinter aus?
- Und wie wird das Pricing noch dynamischer? Mit Machine Learning
- Dynamic Pricing Dashboard: Intelligente Preisoptimierung
- Technische Umsetzung
- Nachricht schreiben
Preisoptimierung: Die grundlegenden Fragen
Viel Freiheit gibt es bei der Ausgestaltung der Preisoptimierung via Algorithmus:
- Welche Faktoren nutzt du für den Preis-Ermittlungs-Algorithmus? Klassiker sind Nachfrage (viel Nachfrage = Preis hoch), Lagerbestand (Lagerbestand niedrig = Preis hoch), Preise des Wettbewerbs (Preise niedrig = Preise runter), Kundenzufriedenheit (niedrig -> Preis runter), Werbekampagne läuft (Preis hoch), Black Week (Preis runter), Wetter (kann man einberechnen)…
Nächste Frage: Wie gewichtest du die Faktoren? - Welchen Preiskorridor gehen meine Kunden mit? Ein Preisschwankungsbandbreite zwischen 10 Cent und 20 Euro für ein Stück Butter funktioniert nicht. Also muss ich Grenzen setzen. Auch kannst du drüber nachdenken, Stammkunden ein „Hedging“ der Preise anzubieten, also eine Preisgarantie (du kennst das von Stromanbietern).
- Wie dynamisch ändere ich die Preise? Ändere ich mit dem Ziel Sekundentakt, was meine Kunden verärgern könnte? Oder ändere ich maximal jährlich, und verpasse vielleicht Marktsignale?
- Kann ich gestaffelte Preise nutzen? Beispiel: Zimmerkategorien bei Hotels.
- Welchen Abhängigkeiten unterliege ich? Muss ich auf eine Mindestzahl an verkaufter Ware kommen, um meine Maschinen auszulasten? Habe ich Höchstgrenzen (z.B. Bettenzahl auf einem Kreuzfahrtschiff)? Wie profitabel bin ich?
Kurzum: Es gibt keine einfachen Antworten. Nähern wir uns mit einem Beispiel an.
Dynamische Preisoptimierung, international: Beispiel-Dashboard
Dieser beispielhafte Preisoptimierungs-Algorithmus veranschaulicht ganz grob, wie ein automatisiertes Preisoptimierungs-Dashboard aussehen könnte – für ein global gehandeltes Eiweißsshake-Pulver. Per Standard hat es einen Basispreis, der sich ändern soll (es stecken natürlich kein Livedaten drin). Die dynamische Preisgestaltung erfolgt dann anhand externer Einflüsse, und nicht anhand von Bauchgefühl (oder, haha, auf Basis von Gestehungskosten, Deckungsbeiträgen etc.).
Eiweißshake Preis-Optimierungs-Dashboard
Optimierte Preise
Datum | Optimierter Preis | Grund |
---|
Das kann das Dashboard:
- Marktauswahl: USA, Brasilien, Deutschland und Südkorea sind als Optionen verfügbar.
- Grafische Darstellung: Ein Liniendiagramm zeigt die durch den Algorithmus optimierten Preise über das gesamte Jahr an.
Daran kannst du erkennen, dass a) Preise stark schwanken dürfen & können, und das sich b) die Preise in den Märkten unterscheiden. - Tabelle mit optimierten Preisen: Zeigt Details zu bestimmten Daten und Preisänderungen.
- Einflussfaktoren:
- Saisonalität (einschließlich Black Week, Neujahrsvorsätze, Frühling, Sommer, Herbst und Winter-Gym-Saison)
- Wettbewerbspreise (simuliert für verschiedene Plattformen)
- Lagerbestand
- Kundenrezensionen und -bewertungen
- Marketing-Kampagnen (einschließlich Sportereignisse wie Olympia)
Der Algorithmus berechnet den optimierten Preis basierend auf diesen Einflussfaktoren. „In echt“ würde man die Daten für Wettbewerbspreise, Lagerbestand, Kundenbewertungen und Marketing-Kampagnen von internen und externen Datenquellen abrufen.
Pricing-Fehler im Algorithmus entdecken
Je komplexer du ein dynamisches Pricing aufbaust, desto mehr potentielle Fehlerquellen gibt es. Fällt dir ein Fehler direkt auf?
Im Dashboard für die USA siehst du auf den ersten Blick eine Preis-Merkwürdigkeit im Herbst: Die Blackweek. In der Black Week tobt eine Preisschlacht, also müssen wir mit den Preisen runter. Gleichzeitig läuft aber eine Marketing-Kampagne, die eigentlich den Preis anheben sollte. Das konkurriert in der Preisgestaltung miteinander. Also gibt es einen wilden Preissprung. Aber nach der Blackweek könnte man versuchen, die Früchte der Marketing-Kampagne in Form höherer Preis zu ernten.
Oder: Der Algorithmus hat einen Fehler. Den kannst du im Code weiter unten sehen: Die Definition der „Black Week“ ist an zwei Stellen festgeschrieben, aber in verschiedenen Datumsformaten. Man muss also echt aufpassen. Ein guter Algorithmus würde die Black-Week-Daten jährlich von dir abfragen und dich auf Inplausibilitäten hinweisen.
Wie sieht der Preisoptimierungs-Algorithmus dahinter aus?
Schau mal ins Rechenwerk rein! Keine Panik, der Beispiel-Code für den den Preisoptimierungs-Algorithmus ist ganz gut lesbar. Einfach Zeile für Zeile lesen.
// Basispreis, Tage pro Jahr
const basePrice = 29.99;
const yearInDays = 365;
// Simulierte Preisdaten des Wettbewerbs
const competitorPrices = {
usa: {amazon: 32.99, walmart: 30.99},
brazil: {mercadolivre: 28.99, carrefour: 31.99},
germany: {amazon: 33.99, kaufland: 32.99, ownShop: 31.99},
korea: {coupang: 29.99}
};
// Lagermenge
const inventory = {
usa: 1000,
brazil: 800,
germany: 1200,
korea: 600
};
// Kundenbewertungen (schlechtes Ranking = weniger Preisakzeptanz)
const customerRatings = {
usa: 4.5,
brazil: 4.2,
germany: 4.7,
korea: 4.3
};
// Marketing-Kampagnen: Black Week (USA), Neujahr (Brasilien), Sommer (D), Olympia (Korea) - höhere Preise möglich
const marketingCampaigns = {
usa: [{start: '2024-11-20', end: '2024-11-30', impact: 1.2}], // Black Week
brazil: [{start: '2024-01-01', end: '2024-01-15', impact: 1.15}], // New Year
germany: [{start: '2024-06-01', end: '2024-08-31', impact: 1.1}], // Summer
korea: [{start: '2024-07-26', end: '2024-08-11', impact: 1.25}] // Olympics
};
// Saisonale Faktoren: Black-Week-Preisschlacht senkt den Preis (Faktor 0,8)
function getSeasonalFactor(day) {
// Simplified seasonal factors
if (day >= 324 && day <= 330) return 0,8; // Black Week
if (day >= 1 && day <= 31) return 1.2; // New Year's Resolutions
if (day >= 60 && day <= 151) return 1.1; // Spring
if (day >= 152 && day <= 243) return 1.05; // Summer
if (day >= 244 && day <= 304) return 0.95; // Fall
return 1.15; // Winter Gym Season
}
// Die Preis-Optimierung: Alle Faktoren werden gewichtet und einbezogen
function optimizePrices() {
const market = document.getElementById('marketSelect').value;
const prices = [];
const labels = [];
const tableBody = document.getElementById('priceTableBody');
tableBody.innerHTML = '';
for (let day = 0; day < yearInDays; day++) {
const date = moment('2024-01-01').add(day, 'days');
const seasonalFactor = getSeasonalFactor(day);
const competitorFactor = Object.values(competitorPrices[market]).reduce((a, b) => a + b, 0) / Object.values(competitorPrices[market]).length / basePrice;
const inventoryFactor = 1 + (1000 - inventory[market]) / 10000;
const ratingFactor = customerRatings[market] / 5;
let campaignFactor = 1;
marketingCampaigns[market].forEach(campaign => {
if (date.isBetween(campaign.start, campaign.end, null, '[]')) {
campaignFactor = campaign.impact;
}
});
let optimizedPrice = basePrice * seasonalFactor * competitorFactor * inventoryFactor * ratingFactor * campaignFactor;
optimizedPrice = Math.round(optimizedPrice * 100) / 100; // Round to 2 decimal places
prices.push(optimizedPrice);
labels.push(date.format('YYYY-MM-DD'));
Und wie wird das Pricing noch dynamischer? Mit Machine Learning
Dynamisches Pricing ist so komplex, da ist es mit Excel und Copy & Paste vorbei. Also brauchst du eine Automatisierung. Um den Autopilot anzuwerfen, müssen die eingehenden Rohdaten verarbeitet werden. Wie das geht? Mit Machine Learning.
In dieser Visualisierung siehst du zuerst mal, wie die Faktoren „Nachfrage“ und „Lagerbestand“ sich laufend auf den Preis auswirken: Die Nachfrage ist dynamisch, und auch der Lagerbestand kann schwanken (unregelmäßige Anlieferungen etc.). in der Folge ändert sich der Preis in einem vorgegebenen Korridor.
„Machine Learning“ ist hier für die Datenverabeitung zuständig. „Generative KI“ analysiert zusätzlich den Kontext.
Vorteile für den Vertrieb
- Automatisierte Preisoptimierung, also weniger menschlicher Bias
- Echtzeitreaktionen auf Marktveränderungen, statt bei den Quartalszahlen in Ohnmacht zu fallen
- Verbesserter Abverkauf, sofern man seine Kunden nicht vergrätzt
- Weniger manuelle Preiskalkulationen, also mehr Zeit für strategischen Vertrieb
Vorteile fürs Marketing
- Datenbasierte Kampagnenplanung, also direkte Sichtbarkeit von Kampagnenerfolgen
- A/B-Testing von Preisstrategien
- Optimierte Customer Journey, wenn die Kunden mit den Preisen d’accord sind
- Präzise Marktsegmentierung, u.a. international
Dynamic Pricing Engine
ML + GenAI für optimale Preisgestaltung
Nachfrage
Lagerbestand
Aktueller Preis
Dynamic Pricing Dashboard: Intelligente Preisoptimierung
Überblick
Das Dynamic Pricing Dashboard ist eine Simulation einer KI-/ML-gestützten Lösung zur automatischen Preisoptimierung. Dabei werden Echtzeitdaten mit Algorithmen kombiniert. Nützlich ist das für Vertrieb und Marketing.
In der Basis sieht das so aus:
Preis = Basispreis + (Nachfragefaktor + Bestandsfaktor) × Preismultiplikator
Dabei gilt:
- Basispreis = 12€
- Nachfragefaktor = (aktuelle_Nachfrage - 75) / 100
- Bestandsfaktor = (65 - aktueller_Bestand) / 100
- Preismultiplikator = 8
Beispiel:
Bei 80% Nachfrage und 60% Bestand:
Nachfragefaktor = (80 - 75) / 100 = 0.05
Bestandsfaktor = (65 - 60) / 100 = 0.05
Preisänderung = (0.05 + 0.05) × 8 = 0.8
Finaler Preis = 12€ + 0.8€ = 12.80€
Kernfunktion: Echtzeit-Monitoring
- Nachfrage-Tracking (blaue Card)
- Kontinuierliche Erfassung der Nachfrageentwicklung
- Prozentuale Darstellung der aktuellen Marktsituation
- Automatische Aktualisierung alle 3 Sekunden
- Lagerbestand-Management (grüne Card)
- Echtzeitüberwachung der Verfügbarkeit
- Proaktive Vermeidung von Überbeständen und Engpässen
- Optimierte Bestandsallokation
- Dynamische Preisanzeige (violette Card)
- Preisrange: 4€ – 20€
- Automatische Preisanpassung basierend auf Marktbedingungen
- Visualisierung durch interaktiven Slider
Technologische Basis: KI-Pipeline
- Datenerfassung
- Echtzeit-Streaming von Verkaufsdaten
- Integration von Marktdaten
- Kontextuelle Informationsverarbeitung
- Generative KI
- Kontextanalyse für Preisanpassungen
- Berücksichtigung externer Faktoren
- Natural Language Processing für Marktberichte
- Machine Learning Ensemble
- Setzt auf XGBoost, LightGBM und CatBoost
Die wichtigsten Gradient Boosting Frameworks im Dynamic Pricing sind:
- XGBoost (Extreme Gradient Boosting):
- Optimiert für Performance und Geschwindigkeit
- Sehr gut bei numerischen Features
- Hervorragend für Nachfrageprognosen, da es gut mit großen Datenmengen umgehen kann
- Bietet integrierte Handhabung fehlender Werte
- Besonders effektiv bei strukturierten, tabellarischen Daten
- LightGBM (Light Gradient Boosting Machine):
- Extrem schnell bei Training und Inferenz
- Gut für Wachstumsstrategien für Entscheidungsbäume
- Ideal für schnelle Marktanpassungen und Echtzeit-Pricing
- Geringer Speicherverbrauch
- Gut geeignet für große Datensätze mit vielen Samples
- CatBoost:
- Spezialisiert auf kategorische Variablen
- Automatische Behandlung kategorischer Features
- Reduziert Overfitting durch symmetrisches Baumwachstum
- Besonders nützlich bei Produkt-Kategorien und saisonalen Faktoren
- Robuste Handhabung von Ausreißern
Weitere wichtige ML-Tools für Dynamic Pricing:
- TensorFlow/Keras:
- Ideal für Deep Learning Modelle
- Gut für komplexe Preis-Nachfrage-Beziehungen
- Ermöglicht LSTM-Netze für Zeitreihenanalysen
- Flexibel bei der Modellarchitektur
- Scikit-learn:
- Breite Palette klassischer ML-Algorithmen
- RandomForestRegressor für robuste Basismodelle
- Umfangreiche Preprocessing-Funktionen
- Einfache Modellvalidierung und -evaluierung
- Prophet (Facebook):
- Spezialisiert auf Zeitreihenvorhersagen
- Berücksichtigt automatisch Saisonalität
- Gut für langfristige Preistrends
- Handhabt Feiertage und Events
- H2O AutoML:
- Automatisierte Modellselektion und -optimierung
- Ensemble-Learning mit verschiedenen Algorithmen
- Einfache Skalierung auf große Datensätze
- Automatisches Feature Engineering
- RAPIDS:
- GPU-beschleunigte ML-Bibliotheken
- Schnelle Datenverarbeitung und Modelltraining
- Ideal für große E-Commerce Plattformen
- Echtzeitfähige Preisanpassungen
Empfehlungen für die Integration:
- Ensemble-Ansatz:
- Kombiniere verschiedene Modelle für robustere Vorhersagen
- Gewichten Sie Modelle basierend auf ihrer Performance
- Implementieren Sie A/B-Testing für verschiedene Strategien
- Feature Engineering:
- Historische Preise und Verkäufe
- Wettbewerberdaten
- Saisonale Indikatoren
- Nachfrageindikatoren (z.B. Warenkorb-Abbrüche und CRM-Daten)
- Monitoring und Wartung:
- Regelmäßiges Retraining der Modelle
- Überwachung der Modell-Performance
- Anpassung der Gewichtungen im Ensemble
- Automatisierte Qualitätskontrolle
- Technische Aspekte:
- API-Integration für Echtzeit-Pricing
- Caching-Strategien für schnelle Reaktionszeiten
- Failover-Mechanismen
- Skalierbare Infrastruktur
Optimierung
- Kontinuierliche Modellverbesserung
- Feedback-Integration
- A/B-Testing neuer Features
Technische Umsetzung
Frontend
- Responsive Design: React.js für dynamische Benutzeroberfläche. Mit HTML & JavaScript kommt man auch oft ans Ziel.
- Echtzeit-Updates via WebSocket
- Interaktive Visualisierungen
- Einbettung KI-Chatbot (Chatte mit den Daten & lasse dir Auffälligkeiten aufschlüsseln)
Backend
- Skalierbare Microservices-Architektur
- Redis für Echtzeit-Caching
- API: Flask (Python) für Backend-Services
- Web Scraping zur Analyse von Preisdaten auf Marktplätzen etc.: Python (BeautifulSoup, Scrapy). Achtung: Scraping ist nicht immer erlaubt. Und „KI“? Amazon sperrt in der robots.txt den GPTBot aus…
- Datenbank: PostgreSQL für Datenpersistenz, MongoDB (für flexible Schemas), oder was anderes. Als Data Lake / Data Warehouse / Data Lakehouse läuft einem meist Databricks über den Weg.
- Cloud: AWS (EC2, S3, Lambda, SageMaker), oder eines der Wettbewerangebote.
- Automatisierung: Apache Airflow (Python) für Workflow-Management, wenn man ohnehin in der Python-Welt unterwegs ist.
ML-Pipeline
- KI/ML/LLMs: Die ML-Tools von oben bzw. TensorFlow für Preisvorhersagen, scikit-learn für Clustering. LLMs sind auch interessant, um Trends auszuwerten („Welche Geschmacksrichtungen sind in den USA beliebt?“) – interessant für die Strategieentwicklung. Beispiel: Ein Python-Script könnte die Daten eines Wettbewerber-Shops täglich auslesen, an die Anthropic Claude API schicken, einen „Daily Trend Report“ (inkl. Chart) generieren lassen und mir per Gmail schicken.
- Docker-containerisierte Modelle
- Kafka für Event-Streaming
- Kubernetes für Orchestrierung
Über den Autor
Stefan Golling, Köln. Seit 2011 Freelance Creative Director, freier Texter, Creative Consultant und Online-Marketing-Berater mit Kunden von Mittelstand bis S&P 500. Erfahrung: 1998 mit Radiowerbung in Stuttgart gestartet, 2000 als Junior-Werbetexter zu Publicis München, 2001 Counterpart Köln, 2002 als Copywriter zu Red Cell Düsseldorf (heißt heute Scholz & Friends), dort ab 2007 Creative Director.
Nachricht schreiben
Artikel zu ähnlichen Themen
- Projektmanagement im Marketing: PRINCE2 oder V-Modell® XT?
- Marketing-Digitalisierung: Mehr als nur Software und Automatisierung
- Öffentlichkeitsarbeit: Instrumente, die auch Digital und Social funktionieren
- Employer Branding Kampagnen: Darum solltest du viel mehr KPIs messen
- Recruiting: Vom Employer Branding zum Job Content Branding
- Dynamic Pricing, mal echt anschaulich
- Marketing Automation: 3fach gedacht, plus Customer Experience
- UX-Writing Crashkurs: Do’s und To do’s
- Social-Media-Management-Workflow? Mehrsprachig!
- Website-Audit-Planungshilfe
- KI: Machine Learning, Generative KI & RPA als Team
- Prompting aufgeschlüsselt: Vieles ist unsichtbar
- KI-Bildgenerierung: SVG, Diffusion oder GAN?
- LLMs verstehen: Token und Vektoren als Dashboard
- Claude: Was kann die KI von Anthropic?
- Performance Marketing: Leistung braucht Kreativität
- Marketingberatung: Erst das Rezept, dann ans Werk
- Social Selling: Hallo wer? Oder Ja gern?
- KI-Ethik und EU AI Act: Mitdenken ist Pflicht
- Customer Journey: Das Ziel ist das Ziel
- Chat GPT: Überblick, GPTs nutzen, Alternativen
- Google Gemini: KI mit Riesenhirn
- Statt Online Marketing Agentur: Flexibler mit Freelancern?
- TikTok für Unternehmen: 4 schnelle Tipps plus Ads-Tutorial
- KI-Videogenerator: Meine Testergebnisse
- KI-Bild generieren: und die Lizenz? Mit Vergleichstest!
- Hugging Chat Assistants: Alternative zu Custom GPTs
- Marketingmaßnahmen als 5-Dimensionen-Modell (mit Chat Bot)
- Hugging Face Spaces: der KI-Abenteuerspielplatz
- Chat GPT: Plus? Nein. Team? Ja. 2 Gründe