Als ich in einen Lidl-Markt ging, bemerkte ich, wie die elektronischen Preisschilder aktualisiert wurden – etwas, das normalerweise vor der Ladenöffnung geschehen sollte. Das brachte mich zum Nachdenken: Sind wir nicht alle in diesen Entscheidungsalgorithmen gefangen, sowohl online als auch offline? Unsere Daten – wie Geschlecht, Alter und Standort – werden ständig analysiert, um unser Kaufverhalten besser zu verstehen.

‍

‍

Ein weiteres Beispiel wurde in der berühmten französischen Nachrichtensendung „LE20H“ gezeigt, wo der riesige Auchan-Supermarkt Bildsegmentierung zur Bestandsberechnung nutzt, um angesagte Produkte, die schnell ausverkauft sind, zu identifizieren oder, noch besser, um zu bestimmen, wann die 20%-Rabatt-Aufkleber auf Erdbeeren angebracht werden sollen.

‍

‍

‍

‍

Wahrscheinlich eines der bekanntesten Beispiele für dynamische Preisgestaltung findet sich bei Flugbuchungen. Viele von uns haben es schon erlebt, dass wir einen Tab offen lassen, um am nächsten Tag nachzusehen, nur um festzustellen, dass der Preis „überraschenderweise“ gestiegen ist. ele Menschen sind von den Cookie-Pop-up-Fenstern genervt und akzeptieren sie einfach, um schneller auf die gewünschte Webseite zu gelangen. Doch sie verstehen nicht vollständig, welchen Trackingmaßnahmen sie zustimmen und wie sich das langfristig auf sie auswirkt.

‍

Das Ansehen eines Artikels, das Klicken darauf oder das Hinzufügen zum Warenkorb sind alles wertvolle Aktionen, die dich möglicherweise als wahrscheinlich konvertierendes Benutzersegment klassifizieren. Klingt unheimlich, aber alles, was du online tust, wird größtenteils verfolgt, um dein Verhaltensmuster zu studieren und diese Daten zu nutzen, um zu wissen, was du willst und dich schließlich zum Kauf zu bewegen. Zumindest schätze ich es, dass einige Webseiten dies offen kommunizieren. Probiere es mal bei Google Maps: Suche nach einem Hotel an deinem gewünschten Standort. Dann siehst du unten links einen kleinen Text „Über Preise“, wie im Screenshot unten:

‍

‍

‍

Sobald du auf das kleine Informationssymbol klickst, landest du hier: Du kannst im Screenshot sehen, dass die Preise je nach Gerätetyp variieren können:

Bleiben wir beim Hotelbeispiel und klicken auf den Link zu booking.com. Wenn du eine Unterkunftsseite aus der Google Maps-Ansicht öffnest, enthält deine URL Tracking-Parameter, die deine Traffic-Quelle in deiner Suchreise anzeigen. In diesem Fall stammt sie von der Google Maps-Website, die eine Vergleichsplattform ist. Eine Vergleichsseite bedeutet, dass du ein preissensitiver Benutzer bist und andere Preise von anderen Anbietern gesehen hast. Trotzdem hast du auf dieses Unterkunftsangebot geklickt. Im Screenshot unten habe ich festgestellt, dass es günstiger war, die gleiche Unterkunftsseite aus einer Google Maps-Liste zu öffnen, als bei einer direkten Suche auf booking.com selbst!

‍

‍

‍

‍

Vergleichsseiten sind normalerweise in einem Affiliate-Programm, sodass sie pro Verkauf eine Provision verdienen. Daher können sie ihre Provision senken und einen Teil davon an den Endnutzer weitergeben, indem sie den Preis senken, oder sie haben spezielle Angebote aufgrund der hohen Volumina, die sie für die Hotels generieren. Allerdings ist die Reproduktion solcher Experimente nicht durchgängig konsistent, je nach Stadt und Datum. Der Preisalgorithmus könnte von einem Standort zum anderen unterschiedliche Parameter berücksichtigen. Einige Unterkünfte akzeptieren möglicherweise keinen hohen Rabatt und setzen eine maximale Rabattgrenze. Diese einschränkenden Bedingungen fallen unter die Geschäftsrichtlinien. Geschäftsrichtlinien behindern manchmal die Vorhersagen von Machine-Learning-Modellen.

‍

Als jemand, der gerne Reisen plant, lohnt es sich jedoch immer, das Preissystem zu durchschauen und einen Rabatt zu ergattern, wenn man sowieso bezahlen muss. Ich habe sogar Preisvergleiche gemacht, indem ich eine Fahrt mit Bolt auf einem Android-Telefon im Vergleich zu einem iPhone bestellt habe. Zur gleichen Zeit und auf derselben Strecke, und ja, die iPhone-App zeigte einen höheren Preis an.Ich kann nicht garantieren, dass es wieder passiert, aber es lohnt sich immer, es auszuprobieren. Warum? Weil sich meine Sitzungsdaten ändern, selbst wenn ich neue Konten erstelle, und die Algorithmen ständig optimiert werden. Mit anderen Worten, einige Apps könnten ihre Preise abhängig davon programmieren, wie „reich“ du aussiehst. Ein iPhone besitzen (Gerät), in einer teuren Stadt leben (IP-Adresse-Geolokalisierung), dein Kaufverlauf, wenn du bei deinem Lieblingsshoppingportal eingeloggt bist (dein Loyalitätsstatus) usw.

‍

‍

Das Geheimnis des maschinellen Lernens enthüllen!

Dynamische Preisgestaltung ist eine effektive Strategie, um Einnahmen und Gewinnmargen in einem dynamischen Markt zu optimieren. Um dynamische Preisgestaltung jedoch effektiv umzusetzen, benötigen Unternehmen genaue Preisvorhersagen. Preisvorhersagen beinhalten die Nutzung statistischer Methoden und maschineller Lernalgorithmen, um zukünftige Preise von Waren und Dienstleistungen vorherzusagen. Diese Vorhersagen sind für Unternehmen entscheidend, um fundierte Entscheidungen über die Anpassung ihrer aktuellen Preise zu treffen, Einnahmen zu maximieren und Gewinnmargen zu optimieren.

‍

Es ist kein Geheimnis, dass Preisstrategien immer das Angebot und die Nachfrage als Hauptfaktoren hatten. Zum Beispiel könnte ein dynamischer Preisalgorithmus die Parameter anpassen, um die Preise leicht zu erhöhen, wenn ein Nachfrageprognosemodell einen Anstieg der Nachfrage erwartet, um zusätzliche Einnahmen zu erzielen. Dennoch könnte das dynamische Preissystem eine Obergrenze haben, um übermäßig hohe Preise zu vermeiden, die zu Kundenunzufriedenheit führen könnten.

Wenn ein Nachfrageprognosemodell einen Nachfragerückgang aufgrund einer Werbeaktion eines Wettbewerbers vorhersagt, könnte das dynamische Preissystem seine Regeln anpassen, um wettbewerbsfähig zu reagieren. Es wäre jedoch notwendig, Ober- und Untergrenzen für Preisänderungen festzulegen, um extreme Schwankungen zu verhindern, die das Vertrauen der Kunden negativ beeinflussen könnten.

‍

Was die KI ins Spiel bringt, ist das Aufdecken versteckter Muster in den Daten, die interne und externe Faktoren umfassen können, von denen man annimmt, dass sie in der Preisgleichung keine Rolle spielen.

‍

Es sind nicht nur deine individuellen Attribute, die aggregiert und mit ähnlichen Nutzerprofilen gruppiert werden. Auch Angebot, Nachfrage, Wettbewerbsdaten von Preisvergleichsseiten, makroökonomische Daten, Trend-Suchanfragen in diesem Zeitfenster, Saisonalität, Kampagnen (kommerzielle Festivitäten) usw. spielen eine Rolle. Es gibt so viele Variablen in der Gleichung, dass der Einfluss von einem Geschäftsszenario zum anderen unterschiedlich sein kann.

‍

Bei einem tieferen Einblick sind die maschinellen Lernalgorithmen, die zur Preisvorhersage im Einzelhandel, E-Commerce und in der Reisebranche verwendet werden, denen ähnlich, die für allgemeine Preisprognosen verwendet werden.Hier sind einige der häufig verwendeten ML-Algorithmen in diesen Sektoren:

‍

Zeitreihenanalyse:

• ARIMA (AutoRegressive Integrated Moving Average): Geeignet für die Modellierung von Zeitreihendaten mit Saisonalität und Trends.
• Prophet: Entwickelt von Facebook, nützlich zur Vorhersage von Daten mit täglichen Beobachtungen, die Muster auf verschiedenen Zeitskalen zeigen.

Regressionsanalyse:

• Lineare Regression: Ein einfaches, aber effektives Algorithmus zur Vorhersage von Preisen basierend auf historischen Daten und relevanten Merkmalen.
• ElasticNet Regression: Penalized Linear Regression, die L1 und L2 Regularisierung kombiniert, um Multikollinearität in Preisdaten zu bewältigen.

Ensemble-Methoden:

• Random Forest: Kombiniert mehrere Entscheidungsbäume, um die Genauigkeit zu verbessern und Nichtlinearitäten in Preisdaten zu bewältigen.
• Gradient Boosting (z.B. XGBoost, LightGBM): Boosting-Algorithmen, die komplexe Muster in Preisdaten erfassen können.

Zeitreihen-Neuronale Netze:

• Long Short-Term Memory (LSTM): Eine Art von RNN, das für sequenzielle Daten entwickelt wurde und oft für Zeitreihenvorhersagen verwendet wird.
• Gated Recurrent Unit (GRU): Eine weitere RNN-Variante, die sich für Zeitreihendaten-Vorhersagen eignet.
• SARIMA (Seasonal ARIMA): Eine Erweiterung von ARIMA, die saisonale Komponenten umfasst, was es gut für Preisdaten mit wiederkehrenden Mustern macht.

Proximity-Based-Algorithmen:

• K-Nearest Neighbors (KNN): Sagt Preise basierend auf der Ähnlichkeit mit historischen Datenpunkten voraus.
• Density-Based Spatial Clustering of Applications with Noise (DBSCAN): Kann Cluster ähnlicher Preispunkte identifizieren und Vorhersagen innerhalb dieser Cluster treffen.

Reinforcement Learning:

• Q-Learning: Kann zur Optimierung von Preisstrategien im Laufe

‍

Die Wahl des Algorithmus hängt von den spezifischen Anforderungen und Merkmalen der Preisdaten in jeder Branche ab. Es ist üblich, mit verschiedenen Algorithmen zu experimentieren und denjenigen auszuwählen, der die besten Ergebnisse für einen bestimmten Anwendungsfall liefert. Darüber hinaus sind Feature Engineering, Datenvorverarbeitung und Modelloptimierung entscheidende Aspekte beim Aufbau effektiver Modelle zur Preisvorhersage in diesen Branchen.

Es können viele Herausforderungen auftreten. Hier sind einige Beispiele:

‍

• Bei gesamten Zeitreihen stellen wir möglicherweise fest, dass viele Datenpunkte fehlen. Dies kann auf Produktebene oder auf Kundenebene der Fall sein. Zum Beispiel ist das Produkt eine neue Aufnahme in den Katalog oder es wurden in den letzten Monaten keine Verkäufe getätigt. In diesem Fall könnte die Clusterbildung ähnlicher Produkte ein guter Ansatz sein. Angenommen, wir möchten den Preis für eine neue Busverbindung zwischen zwei Dörfern vorhersagen. Wir könnten diese Route einem Cluster ähnlicher Busverbindungen zuordnen, die ähnliche Entfernungen, Reisezeiten und Bevölkerungszahlen an den Start- und Endpunkten haben (z.B. durch K-Means-Clustering). Ein anderes Beispiel ist eine Wintermütze einer bestimmten Marke. Diese könnte in einer Unterkategorie einer anderen Bekleidungskategorie in einer baumartigen Dendrogrammstruktur enthalten sein (z.B. durch hierarchisches Clustering). In diesen Beispielen können wir die historischen Preisdaten der anderen Produkte im selben Cluster nutzen, um Vorhersagen für das neue Produkt zu treffen. Dies setzt implizit voraus, dass Produkte im selben Cluster ähnliche Preismuster aufweisen könnten.
• In einigen Fällen erbringt die multivariate Zeitreihenvorhersage nicht so gute Ergebnisse wie die univariate. Ein Ansatz ist ein zweistufiges Verfahren, bei dem zunächst ein univariates Vorhersagemodell für eine Variable verwendet wird. Sobald wir die prognostizierten Werte für die Ausgangsvariable haben, können wir diese als Eingaben in ein Regressionsmodell verwenden. Das Regressionsmodell wird dann angewendet, um die Werte anderer Variablen vorherzusagen, die von der ersten Variablen abhängig sind. Im Wesentlichen geht es darum, die Beziehungen zwischen den Variablen mithilfe der Regression zu erfassen.
• Die Vorhersage von Preisen kann zeitabhängig sein. Dies kann teilweise durch Berücksichtigung erwarteter Saisonalitäten und Trends angegangen werden. Es können jedoch immer noch unerwartete Ereignisse auftreten, die das Kaufverhalten der Kunden beeinflussen, wie zum Beispiel Boykott-Kampagnen oder Kriege, die sich auf die Wirtschaft in verschiedenen Ländern auswirken.
• Da es viele Einflussfaktoren gibt, können wir am Ende zu viele Merkmale haben. Ein hochdimensionaler Datensatz macht es dem Modell schwer, Rauschen von Trends zu unterscheiden. Deshalb ist die Merkmalsauswahl ein wichtiger Schritt in der Datenvorverarbeitung.
• Zwischen den Prädiktormerkmalen und dem Preis besteht eine Korrelation, aber nicht unbedingt eine Kausalität. Zum Beispiel gibt es am Valentinstag eine Korrelation zwischen dem Tragen roter Outfits und dem Anstieg des Schokoladenverkaufs, aber keine Kausalität. Währenddessen kann der Anstieg des Schokoladen- und Blumenverkaufs eine Kausalität anzeigen, da viele Geschäfte beide in Bündelangeboten kombinieren. Die wahren Treiber für Preisschwankungen zu identifizieren, ist nicht einfach.

‍

In diesem Artikel wird deutlich, dass die Konzepte der dynamischen Preisgestaltung und der Preisvorhersage miteinander verbunden sind. Einerseits bildet die Preisvorhersage die Grundlage für die Implementierung dynamischer Preisstrategien, die es Unternehmen ermöglichen, datengesteuerte Entscheidungen über Preisänderungen zu treffen. Andererseits erzeugt die dynamische Preisgestaltung, indem sie die Preise ständig an die Marktbedingungen anpasst, neue Daten, die in die Preisvorhersagemodelle zurückgespeist werden können, um deren Genauigkeit im Laufe der Zeit zu verbessern. Abschließend lässt sich sagen, dass dynamische Preisgestaltung nicht nur auf algorithmischen Berechnungen basiert. Es ist eine Strategie, die sich an ständig wechselnde Marktbedingungen und Verbraucherverhalten anpasst, gestützt auf ausgeklügelte maschinelle Lernmodelle.

Und zuletzt: Fragst du dich, ob wir als Verbraucher diesen Preisfallen wirklich entgehen können? Das ist schwer. Du könntest Teil eines Kundensegments in einem A/B-Test sein und es nicht einmal merken.

‍