Aufbauend auf den Erkenntnissen aus unserem ersten Einblick in das komplexe Feld des Dynamic Pricing gehen wir tiefer in die Praktiken der Implementierung einer dynamischen Preisstrategie ein.

In diesem Folgeartikel wollen wir Projektmanager und Praktiker mit dem Wissen ausstatten, die Herausforderungen von dynamischen Preisprojekten effektiv zu meistern. Jenseits des Reizes der Technologie und des Versprechens optimierter Gewinne liegt ein Terrain voller Fallstricke und Komplexitäten, die deine Strategie entgleisen lassen können.

Basierend auf unseren direkten Erfahrungen mit einem Projekt, das die Nachfrage durch Integration von Produktmerkmalen und Werbemaßnahmen prognostizierte, bieten wir einen detaillierten Einblick in das „Wie“ der dynamischen Preisgestaltung.

Das Wie

Normalerweise werden Verkaufspreise von Geschäftsexperten festgelegt, die mit dem Einkaufspreis des Herstellers beginnen und ein gutes Gespür für die erwartete Leistung des Produkts unter Berücksichtigung interner (z.B. Marke) und externer Einflussfaktoren (z.B. wirtschaftliche Situation, geografische Lage usw.) haben.

Die Idee hinter intelligenten Preisgestaltungsprojekten besteht darin, diesen Prozess zu automatisieren, indem maschinelles Lernen mit Geschäftsregeln kombiniert wird, die Domänenwissen in Code übertragen.

Ein Ansatz besteht darin, die Nachfrage für das Produkt als ersten Schritt basierend auf historischen Leistungsdaten aus den vorhandenen Daten zu prognostizieren. Hier stellt sich die Frage nach neuen Produkten (Cold-Start-Problem), die zuvor nicht verkauft wurden, oder dem breiten Spektrum an Produktmerkmalen. In diesem Fall können wir einen Cluster-Ansatz verwenden, indem wir die Nachfrage nicht für ein bestimmtes Produkt, sondern für eine Produktkategorie vorhersagen. Daher trainieren wir ein Modell pro Produktcluster. Diese Clusterbildung kann durch berechnete Ähnlichkeiten mit vorhandenen Produkten oder durch eine einfache Gruppierungsansatz für Produkte in derselben Unterkategorie (z.B. Haustiere > Hunde > Medizin > Zeckenhalsband) erfolgen.

Da Produkte innerhalb desselben Clusters ähnliche Nachfrageverhalten aufweisen können, kann dieser Cluster-Ansatz zu einer besseren Vorhersageleistung innerhalb jeder Produktkategorie führen.

Dieser Ansatz erhöht jedoch die Komplexität der Verwaltung mehrerer Modelle. Darüber hinaus könnten einige Cluster mit zu wenigen Daten enden. Beispielsweise führt die Verwendung sehr hochstufiger Cluster, die viele Produkte umfassen, zu schlechten Vorhersagen auf Produktebene, selbst wenn der Fehler auf Clusterebene gering ist!

Ein alternativer Ansatz zur Verwendung eines anderen Modells für jeden Cluster besteht darin, ein komplexes Modell zu haben, das Eingaben beschreibt, die die Art des Clusters beschreiben.

In diesem Schritt kannst du maschinelle Lernmodelle einsetzen, um produkt- und kontextabhängige (z.B. saisonale) Preis-Nachfrage-Beziehungen zu erlernen.

Da Werbezeiten (Dauer und Zeitplan) eine wichtige Rolle bei der Steigerung des Umsatzes spielen, sind diese wichtige Eingaben in dein Modell, um eine genaue Vorhersage zu treffen.

Es ist jedoch wichtig, die Anwendung von Geschäftsregeln nicht zu übersehen, die Folgendes einbringen:

• Vorwissen über gute Preisgestaltung, das von unserem Modell/Ansatz möglicherweise nicht erfasst wird (vielleicht aufgrund von Informationen, auf die das Modell keinen Zugriff hat, oder über langfristigeres strategisches Denken in der Preisgestaltung).
• Zusätzliche Randbedingungen, die die Preisgestaltung beeinflussen und nicht vom Modell erfasst werden (z.B. eine große Werbekampagne in Kombination mit einem großen strategischen Rabatt, der die Markenbekanntheit steigern soll).

Wir versuchen, einen optimalen Preis zu finden, indem wir eine Nachfragekurve mit maschinellem Lernen lernen und dann den Umsatz [Umsatz = Nachfrage * Verkaufspreis] oder die Bruttomarge [Bruttomarge = Nachfrage * (Verkaufspreis - Einkaufspreis)] optimieren.

Es ist wichtig zu betonen, dass das Hauptziel nicht darin besteht, die genaueste produktweise Nachfrageprognose zu haben, sondern die Beziehungsmuster zwischen Nachfragepreis und Werbung korrekt zu modellieren.

Schließlich ist es von entscheidender Bedeutung, das Risiko der Unzufriedenheit der Kunden aufgrund häufiger Preisänderungen anzugehen. Eine effektive Strategie, um sicherzustellen, dass empfohlene Preise den Verkauf fördern, ohne Kunden zu verärgern, besteht darin, A/B-Tests durchzuführen. A/B-Tests sind der Goldstandard, um zu überprüfen, ob dein Modell tatsächlich funktioniert. Wenn dein ML-Modell nicht richtig funktioniert, zeigt dieser A/B-Test eine suboptimale Leistung.

Darüber hinaus haben einige Unternehmen proaktiv eine Preisgarantiefunktion eingeführt, um potenzielle Unzufriedenheit der Kunden weiter zu verringern. Diese Geschäftsregel stellt sicher, dass Kunden, wenn die Preise der Artikel innerhalb eines bestimmten Zeitraums nach dem Kauf fallen, eine Rückerstattung der Differenz erhalten. Dies erhöht nicht nur das Vertrauen der Kunden, sondern stärkt auch das Engagement der Marke für Fairness und Wert.

Funktioniert es wirklich?

Daher müssen wir als skeptische Datenwissenschaftler Überwachungsmaßnahmen implementieren.

Normalerweise minimiert man im maschinellen Lernen den Nachfragevorhersagefehler (unter Verwendung von Metriken wie R^2, SMAPE). Es ist jedoch entscheidend, dass die Abhängigkeit der Nachfragevorhersage vom Preis und von Werbung korrekt ist.

Da eine Unterschätzung der Nachfrage bei hohem Rabatt und eine Überschätzung bei niedrigem Rabatt zu durchgehend zu niedrigen empfohlenen Rabatten führt, müssen wir messen, ob das Modell eine Verzerrung in der Nachfragevorhersage hat, die vom Preis und/oder der Werbestärke abhängt. Und natürlich Maßnahmen ergreifen, um eine solche Verzerrung zu minimieren.

Diese Qualitätsmessungen sollten auch in Zukunft überwacht werden, um zu bewerten, ob sich die Modelle an Marktveränderungen anpassen und ihre Genauigkeit im Laufe der Zeit beibehalten.

Und denke immer daran: "Wenn du es nicht messen kannst, kannst du es nicht verwalten"; gehe also nicht davon aus, dass eine KPI, die nicht gemessen wird, korrekt ist, nur weil du nicht weißt, dass sie nicht korrekt ist.

Warum Dinge schief gehen können

Eine herausfordernde Realität ist die hohe Misserfolgsrate vieler Datenwissenschaftsprojekte zur Preisgestaltung. Normalerweise stürzen sich Geschäftsinhaber in KI-Projekte und erwarten magische Ergebnisse.

Von einer Seite kann das auffällige Marketing für KI-Dynamische Preisgestaltung zu Missverständnissen über ML und Datenwissenschaft führen.

Menschen neigen dazu, den „Wissenschaft“-Teil zu übersehen und denken, es sei eine reine Ingenieursdisziplin, während man beide Disziplinen kombinieren muss, um in der Produktion richtig zu funktionieren!

Auf der anderen Seite könnten Datenwissenschaftler übermäßig selbstbewusst sein, während die Einstellung zum Aufbau eines Modells (z.B. eines Nachfragemodells) sein sollte, dass „wir im Grunde nicht wissen, was wir tun, aber wir versuchen, es zum Laufen zu bringen“. Wir müssen zugeben, dass wir uns in einem komplexen wirtschaftlichen und sozialen Raum befinden. Wir sollten die Komplexität der Marktdynamik nicht unterschätzen oder uns blind auf Rohdaten verlassen, ohne sie richtig zu analysieren.

Wir verstehen nicht alle Dynamiken des Marktes und der Nutzer.

Wenn wir ein Modell ohne Überprüfung erstellen, wird es höchstwahrscheinlich nicht funktionieren.

Daher ist es unerlässlich, kontinuierlich zu messen, zu iterieren und herauszufinden, wie man ein funktionierendes Modell erstellt, das auf spezifische Kontexte und Situationen zugeschnitten ist.

Wie der deutsche Astrophysiker Dr. Harald Lesch sagte: „wir irren uns empor“, wir brauchen strategische Iterationen, bei denen wir die Bedeutung eines zyklischen Ansatzes für die Modellentwicklung betonen, kontinuierliches Feedback und Verfeinerungsanpassungen nutzen. Durch diesen Prozess von Versuch und Irrtum finden wir heraus, wie wir ein funktionierendes Modell für unseren spezifischen Kontext und unsere Situation erstellen.

In unserem Fall des Preismodells haben wir eine „wahre“ Maßnahme der Leistung: A/B-Test, bei dem wir die Auswirkungen unserer dynamischen Preise im Vergleich zu einer Kontrollgruppe messen.

Die Kontrollgruppe kann aus einem kleinen Teil der Hauptkundengruppe bestehen, die demografisch und sozioökonomisch repräsentativ für die Hauptgruppe ist. Wenn es nicht möglich ist, die Zielgruppe aufzuteilen, können wir den A/B-Test auf einen kleinen Teil der Produkte anwenden, für die wir eine Basispreisstrategie anwenden.

Dies ist jedoch vergleichsweise langsam, da es Zeit braucht, um Statistiken zu sammeln, und es kann auch teuer sein, da ein schlechtes Modell zu schlechten Preisen mit suboptimalem Umsatz führt.

Daher müssen wir uns während der Modellentwicklung auf den Aufbau ungefährer Verifikationsmetriken konzentrieren, die schnell und kostengünstig mit historischen Daten bewertet werden können. Sie werden nicht perfekt sein, aber sie können die Modellentwicklung steuern. Die guten Kandidatenmodelle werden dann mit teureren A/B-Tests überprüft.

Kurz gesagt, wir heben hervor, was für ein erfolgreiches dynamisches Preisprojekt notwendig ist:

• Lokal: Eine solide Entwicklungsumgebung mit kostengünstigen Modellverifikationstests, in der die Datenwissenschaftler ihr Modell entwickeln können.
• In Produktion: Der Fokus liegt auf der Definition eines guten A/B-Tests.

Die Qualität dieser Tests ist entscheidend für den Erfolg des Projekts. Wir glauben, dass der Fokus in erster Linie auf diesen Tests liegen sollte, und nicht auf der Modellentwicklung selbst.

Wie die Führung helfen kann

Das Management kann den Erfolg von Projekten unterstützen, indem es eine Kultur der mutigen, aber kritischen Innovation fördert und Ressourcen für rigorose Tests bereitstellt.

Da die Entwicklung von Tests mehr Zeit in die Projektplanung einbringt, muss dieser Umfang von den Managern und Stakeholdern des Projekts verstanden und unterstützt werden.

Datenwissenschaftler und Softwareingenieure stehen oft unter erheblichem Druck, schnell Updates zu veröffentlichen oder mehr Funktionen hinzuzufügen. Dies kann den Fokus von einer guten Teststrategie ablenken. Früher oder später werden die erwarteten Ergebnisse nicht erreicht.

Das Messen und Überprüfen der Auswirkungen des Modells sollte von Anfang an entwickelt werden. Normalerweise beginnen Datenwissenschaftler mit einem einfachen Bench-Modell, das Schwellenwertmetriken hat.

Eine gute und konstante Verifikation ist DER Erfolgsfaktor und sollte der Fokus des Projektmanagements sein, da Qualitätsmaßnahmen transparent und auf die Stakeholder abgestimmt sein sollten.

Fazit

Zusammenfassend lässt sich sagen, dass der Erfolg in der dynamischen Preisgestaltung mehr als nur die technologische Einführung erfordert. Es erfordert einen durchdachten Ansatz, der Marktkomplexitäten, Datenkomplexitäten und das menschliche Element der Preisstrategien berücksichtigt.

Durch die Förderung einer Kultur des kontinuierlichen Lernens, der zyklischen Innovation mit einem Testfokus und einer adaptiven Führung können Unternehmen ihre Daten nutzen und datengesteuerte Erkenntnisse in Wettbewerbsvorteile und nachhaltige Rentabilität umwandeln.

Wir sollten uns nicht vor den Herausforderungen scheuen. Stattdessen sollten wir sie als Chancen betrachten, um zu innovieren, zu iterieren und unsere Branchen voranzubringen.