AI-basiertes Pricing – Von der Vision zur konkreten Umsetzung

„Think big, start small, scale fast“ – eine Anleitung

Artificial Intelligence (AI) ist in aller Munde und hat sich spätestens seit der Einführung von ChatGPT Ende November 2022 zu einem Hype-Thema in vielen Unternehmen entwickelt. Die mediale Aufmerksamkeit für AI ist enorm und die potenziellen Anwendungsfälle sind vielfältig. Damit einhergehend hat auch die Diskussion über AI-basierten Anwendungen in der Preissetzung in den letzten Monaten erheblich an Bedeutung gewonnen. Ein Blick auf aktuelle Entwicklungen zeigt, dass AI im Pricing ein Thema von hoher Relevanz ist: Der Markt für Preisoptimierungssoftware erlebt ein dynamisches Wachstum und soll bis 2028 auf 2,71 Mrd. US-Dollar anwachsen, unterstützt durch das zunehmende Interesse an Data Science für AI-gestütztes Pricing. Gleichzeitig zeigt sich ein stetiger Anstieg wissenschaftlicher Publikationen zu diesem Thema. Trotz der aktuellen geringen Nutzung generativer AI von 3% in deutschen Unternehmen ist ein signifikanter Anstieg um 200% bis 2024 geplant (Quelle, Quelle, Quelle, Quelle).

Trotz des steigenden Interesses an AI im Pricing fehlt es oft an klaren Initiativen, die tatsächlich die Rentabilität steigern. Nach anfänglicher Euphorie folgt schnell Ernüchterung. Sich zum Thema aufzuschlauen, ist gar nicht so einfach: Viele Recherchebemühungen führen ins Leere oder zu Anbietern von halb ausgereiften Softwarelösungen, die teils deutlich zweistellige Ertragssteigerungen in kurzer Zeit versprechen. Klare Handlungsempfehlungen gibt es selten. Die großen Herausforderungen beim Thema werden zudem verschwiegen. Denn ca. 80% aller AI-Modelle werden am Ende gar nicht eingesetzt (Quelle).

In diesem Artikel möchten wir das Thema AI im Pricing systematisch aufarbeiten und uns zunächst den Chancen und Herausforderungen widmen, bevor wir über die großen Use Cases Dynamic Pricing und Personalized Pricing sprechen. Zudem geht es darum, einen Prozess aufzuzeigen, der dabei unterstützt, die großen Visionen in konkrete Arbeitspakete herunterzubrechen. Abschließend geben wir zehn praktische Tipps, die zu Beginn der Auseinandersetzung mit AI im Pricing beachtet werden sollten, um die Chancen einer erfolgreichen Umsetzung zu erhöhen.

Die Chancen sind riesig, die Herausforderungen allerdings auch

AI im Pricing bezeichnet die Anwendung künstlicher Intelligenz im Bereich der Preisgestaltung. Durch umfangreiche und automatisierte Datenanalysen ermöglicht AI eine hochpräzise und dynamische Anpassung von Preisen. Diese fortschrittliche Technologie bietet Unternehmen die Möglichkeit, ihre Umsätze und Gewinnmargen signifikant zu steigern (Quelle), indem sie Preise in Echtzeit und zielgenau an sich verändernde Marktbedingungen anpasst.

Des Weiteren führt AI zu einer effizienteren Auslastung und Allokation von Ressourcen, was eine optimierte Nutzung ermöglicht. Die laufende Anpassung der Preise basierend auf Echtzeitdaten führt zu einer besseren Steuerung von Angebot und Nachfrage, was wiederum zu einer effizienteren Ressourcennutzung und einer Reduzierung von Überkapazitäten führt.

Die Steigerung des Customer-Lifetime-Values ist ein entscheidender Vorteil von AI im Pricing. Durch die Analyse individueller Verhaltensmuster und Präferenzen ermöglicht die Technologie personalisierte Angebote, die gezielt auf die Bedürfnisse jedes einzelnen Kunden zugeschnitten sind. So wird nicht nur die Kundenzufriedenheit gesteigert, sondern auch die langfristige Beziehung zwischen Unternehmen und Kunden gefestigt.

Ein weiterer Mehrwert besteht darin, dass AI zu einer datengetriebenen Entscheidungsfindung in Echtzeit befähigt. Unternehmen können damit fundierte Entscheidungen treffen, die auf präzisen Marktanalysen und Prognosen basieren (Quelle). Dies erhöht die Agilität und Reaktionsfähigkeit auf Marktveränderungen und trägt zur Stärkung der Wettbewerbsposition bei. Die Analyse riesiger Datenmengen schafft eine umfassende Grundlage für die Entscheidungsfindung optimaler Preise. Dies führt zu verbesserten Preisentscheidungen.

Neben den vielfältigen Chancen, die AI im Pricing bietet, gibt es jedoch auch einige Herausforderungen, die es zu bewältigen gilt.

Zunächst ist zu beachten, dass die mit AI erzielten Ergebnisse nur so gut sind wie die zugrunde liegenden Daten. Daher müssen Unternehmen sicherstellen, dass ihre Daten von hoher Qualität sind, um fundierte Preisentscheidungen zu ermöglichen. Unzureichende Datenqualität oder unvollständige Informationen, etwa über Kundennutzungsverhalten und Wettbewerbspreise, können fehlerhafte Preisvorschläge nach sich ziehen und so dem Unternehmen schaden.

Die Integration von AI-basiertem Pricing in eine bestehende Organisation erfordert die Verknüpfung verschiedener Unternehmenseinheiten. Dies umfasst die technische Integration über IT-Schnittstellen sowie die Entwicklung von Kompetenzen und die Förderung der Zusammenarbeit zwischen Mitarbeitenden verschiedener Abteilungen, darunter Pricing, Data Science, Produktmanagement, Marketing und Vertrieb.

Darüber hinaus müssen Unternehmen bei der Planung nicht nur die Kosten der neuen Technologie (sei es Softwarelösungen oder Inhouse-Lösungen) berücksichtigen, sondern auch Schulungen, die Einbindung qualifizierter Fachleute, Anpassungen an bestehende Systeme und laufende Wartungsaufgaben.

Zudem können mangelnde Transparenz und Kommunikation über Gründe, Zeitpunkte und Art der Preisänderungen die Kundenzufriedenheit beeinträchtigen. Stark abweichende individuelle Preise können ebenfalls als unfair empfunden werden. Beispielsweise kam es nach der Ankündigung einer Fast-Food-Kette, künftig Dynamic Pricing einzuführen, zu großem Unmut bei den Kunden. Manche riefen sogar zum Boykott auf (Quelle). Infolgedessen hat die Kette von diesem Vorhaben Abstand genommen (Quelle). 

Um eine potenzielle Erosion der Margen durch aggressive Preisstrategien zu verhindern, empfiehlt es sich darüber hinaus, Markttrends zu beobachten und die Modelle zur Anpassung an sich ändernde Marktgegebenheiten regelmäßig zu aktualisieren.

Trotz der Herausforderungen, die sich durch den strategischen Einsatz von AI im Pricing ergeben, überwiegen die Chancen. Es ist jedoch entscheidend, dass Unternehmen besonnen agieren, um optimal von AI im Pricing zu profitieren. Entscheidend für den Erfolg ist die Definition von Use Cases für ein Unternehmen und das anschließende systematische Abarbeiten ebendieser.

Dynamic Pricing und Personalized Pricing sind die großen AI Pricing-Strategien

Aus Gesprächen mit unseren Kunden wissen wir, dass Use Cases für die Nutzung von AI im Pricing schnell gefunden sind. Kein Wunder: der breiten Masse bekannt sind die Beispiele von Fluggesellschaften (Quelle), bei denen jeder (zumindest gefühlt) einen anderen Preis bezahlt oder Amazon (Quelle), das 2,5 Millionen mal am Tag Preise anpasst. Daraus lassen sich schnell Ideen für das eigene Unternehmen ableiten. So sind die zugrundeliegenden Strategien Dynamic Pricing und Personalized Pricing auch die mit Abstand häufigsten Schlagwörter, die wir im Rahmen von AI im Pricing hören. Beide Ansätze nutzen Datenanalysen und Machine Learning, um Preisentscheidungen in Echtzeit anzupassen, unterscheiden sich jedoch in ihrer Anwendung und Zielsetzung.

Dynamic Pricing bezieht sich auf die Anpassung von Preisen in Echtzeit, basierend auf Marktbedingungen wie Angebot, Nachfrage und Wettbewerbspreisen. Ziel ist es, die Preise für Produkte oder Dienstleistungen dynamisch zu optimieren, Inventar oder Auslastung zu optimieren, um Nachfrage oder Umsatz zu maximieren. Dynamic Pricing ist vor allem in einem volatilen Marktumfeld mit hohen Nachfrageschwankungen und hoher Wettbewerbsintensität in Kombination mit kurzen Produktlebenszyklen sinnvoll.

Personalized Pricing bezieht sich auf die individuelle Anpassung von Preisen für einzelne Kunden oder Kundensegmente basierend auf deren Verhalten, Präferenzen und Kaufhistorie. Ziel ist es, die Preisgestaltung zu personalisieren, um den Customer Lifetime Value zu maximieren, die Kundenbindung zu stärken und letztendlich den Umsatz und Gewinn zu steigern. Personalized Pricing ist besonders effektiv in Umgebungen, in denen Unternehmen über umfangreiche Kundendaten verfügen und die Kunden eine hohe Erwartung an maßgeschneiderte Angebote haben. Es eignet sich für Märkte, in denen die Zahlungsbereitschaft stark variiert und Kunden individuelle Angebote erhalten. 

Kurz gesagt: Dynamic Pricing konzentriert sich auf externe Marktbedingungen, Personalized Pricing auf individuelle Kundenbeziehungen. In der Praxis kommt es häufig zu einer Mischung aus Dynamic und Personalized Pricing, wie es beispielsweise bei Uber der Fall ist. Die Preise reagieren äußerst dynamisch auf minimale Veränderungen in der Nachfrage und passen sich spezifischen Strecken an. So kann etwa der durchschnittliche Preis auf Routen mit besonders zahlungsbereiten Kunden höher ausfallen als anderswo. Zusätzlich analysiert Uber Verhaltensweisen, wie die Bereitschaft von Personen mit niedrigem Handy-Akku, höhere Preise zu akzeptieren (Quelle).

Von der Vision zum konkreten Use Case

Hinter den Schlagworten Dynamic und Personalized Pricing verbirgt sich eine breite Palette von Anwendungsmöglichkeiten. Personalized Pricing kann z.B. am einen Ende des Spektrums die einfache Einführung eines Studierendenrabatts bedeuten, während es am anderen Ende hochentwickelte AI-Preismodelle umfasst, die theoretisch einen Preis für jeden einzelnen Kunden ermöglichen. Daher genügt es nicht, lediglich zu verkünden: “Wir implementieren jetzt Personalized Pricing”. Es erfordert eine gründliche Analyse und strategische Umsetzung, um die vielfältigen Herausforderungen erfolgreich zu bewältigen. Um diese Vision greifbar zu machen, kann ein fünfstufiger Prozess helfen. Dieser Prozess unterstützt dabei, von der aktuellen Ausgangslage zur Implementierung echter Anwendungsfälle zu gelangen.

1. Status Quo definieren

Ein Ausgangspunkt für den Einsatz von AI im Pricing liegt in einer umfassenden Status-quo-analyse, die sowohl das bestehende Pricing, die vorhandenen Daten, das unternehmensinterne Know-how als auch die technischen Voraussetzungen umfasst. Der Fokus dieser Analyse liegt darauf, zu überprüfen, inwieweit das aktuelle Preissystem bereits dynamisch und personalisiert ist.Generell sollte überlegt werden, ob das vorhandene Wissen und der technische Status im Unternehmen ausreichen und eine solide Grundlage bilden, auf der AI-basiertes Pricing aufbauen kann.Zusätzlich ist zu überlegen, in welchem zeitlichen Rahmen das Projekt realisiert und wie hoch das geplante Investitionsvolumen angesetzt werden soll.

2. Vision definieren

Als nächster Schritt ist die Definition einer Vision erforderlich. Hierbei ist eine sinnvolle Priorisierung notwendig: sollte der Fokus auf Dynamic oder auf Personalized Pricing liegen? Die Vorstellung, ein fortgeschrittenes AI-Modell im Pricing einzuführen, das vollständig dynamisch und personalisiert ist, mag verlockend sein. Allerdings gilt hier: Ein Schritt nach dem anderen. Unsere Erfahrung zeigt, dass der Großteil der Wertschöpfung in kleinen Schritten entsteht. Natürlich ist die Vorstellung eines perfekten Preissystems, wie es Pioniere auf diesem Gebiet verwenden, reizvoll.

3. Use Cases sammeln

Konkrete Use Cases eignen sich als sinnvolle Zwischenziele, da sie sowohl den Status-quo als auch die Vision berücksichtigen. Nehmen wir an, das Ziel besteht darin, Personalized Pricing zu implementieren. Obwohl diese Vision auf den ersten Blick einleuchtend erscheint, ergeben sich bei der Konkretisierung wesentliche Fragen:

• Auf welche Kundengruppen soll sich die Personalisierung beziehen – auf Neukunden, Bestandskunden oder beide?
• Sollen Preise oder Rabatte personalisiert werden?
• In welchen Vertriebskanälen soll das Personalized Pricing angewendet werden?

Diese Fragen verdeutlichen die Notwendigkeit, den Use Case so präzise wie möglich zu definieren, um Missverständnisse zu vermeiden und eine klare Richtung für die Umsetzung zu haben. Als Beispiel kann die Frage der Personalisierung nach Kundensegmenten herangezogen werden. In der Praxis besteht ein grundlegender Unterschied darin, ob die Personalisierung für Neu- oder Bestandskunden angestrebt wird. Für Bestandskunden liegen möglicherweise bereits zahlreiche Datenpunkte wie Ort, Kaufverhalten, Preissensitivität, Zahlungsinformationen oder Ähnliches vor. Für Neukunden ist die Datenlage in der Regel deutlich eingeschränkter. 

4. Use Cases priorisieren

Nachdem Use Cases definiert wurden, werden diese im nächsten Schritt priorisiert. Die Priorisierung der Use Cases sollte auf Basis einer Nutzen-Aufwand-Analyse erfolgen. Hierbei geht es nicht nur um finanzielle Beurteilungskriterien, wie z. B. den Return on Investment, sondern um eine ganzheitliche Betrachtung und Beurteilung der Use Cases. In Abbildung 7 wird eine Auswahl an Elementen präsentiert, die in die Bewertung einfließen können.

Die Nutzen- und Aufwandsbewertung wird nun für jeden Use Case in einer Matrix abgetragen. Hieraus ergibt sich ein klares Bild für die Priorisierung (vgl. Abbildung 8). Optimalerweise sollten vorrangig Use Cases mit großem positiven Einfluss und hoher technischer Umsetzbarkeit gewählt werden. Praxiserfahrungen zeigen, dass viele Optimierungen im „Now“-Bereich (Geringer Aufwand / Hoher Nutzen) erfolgen, während strategische Wachstumsthemen eher im „Next“-Bereich (Hoher Aufwand / Hoher Nutzen) liegen.

Abbildung 8 zeigt ein Beispiel für die Priorisierung verschiedener Use Cases für ein Dynamic Pricing System. Hieraus wird deutlich, dass ein Tool zur automatisierten Wettbewerbspreisüberwachung direkt umgesetzt werden sollte. Schaut man auf die weiteren Use Cases aus dem “Next”-Bereich, ergibt sich hieraus auch eine sinnvolle Reihenfolge, da das Tool ein Input für weitere größere Use Cases (wie z.B. eines adaptiven Preis-Algorithmus) sein kann. Letztlich ist es bei der Bewertung von Use Cases immer essentiell, nicht nur den einzelnen Use Case zu betrachten, sondern das Gesamtbild vor Augen zu haben und zu überlegen, wie sie zur Vision beitragen.

5. Umsetzung starten

Nachdem die relevanten Use Cases bewertet und priorisiert wurden, beginnt die Umsetzung. Die Bedeutung dieser Phase wird deutlich, wenn man sich vor Augen führt, dass am Ende nur etwa 20% der AI-basierten Modelle am Ende auch tatsächlich genutzt werden (Quelle). Von Anfang an sollten alle relevanten Unternehmensbereiche in den Prozess einbezogen werden, um auf ein gemeinsames Ziel hinzuarbeiten. Dies schließt neben den verantwortlichen Produkt- und Data Science Teams, explizit auch Sales, Marketing, Kundenservice und Finance ein. Der verantwortliche Data Product Manager koordiniert die Zusammenarbeit und stellt sicher, dass alle Bereiche der Organisation auf die Veränderungen vorbereitet sind, damit einer reibungslosen Implementierung nichts im Wege steht (Quelle).

Je nach Use Case stellt sich bei der Umsetzung häufig die Frage, ob ein Tool extern bezogen (“Buy”) oder intern gebaut (“Build”) werden soll. Mittlerweile gibt es für einfache AI-Anwendungen im Pricing bereits diverse Standardlösungen. Daher fällt die Entscheidung bei stark standardisierten Use Cases wie z.B. in der Entscheidungsmatrix (Abbildung 8) priorisiertem Use Case zur automatisierten Wettbewerbspreisüberwachung häufig Fällen für “Buy” aus (vgl. Abbildung 9). Die Entscheidung hängt jedoch immer vom konkreten Unternehmen ab. Gibt es keinen Zeitdruck, eine hohe strategische Bedeutung, spezielle Anforderungen und sind die Ressourcen ebenfalls vorhanden, kann die Entscheidung auch für “Build” ausfallen.

Im Allgemeinen wird es nicht vermeidbar sein, dass Fehler während des Integrationsprozesses auftreten. Der Schlüssel liegt darin, aus diesen Fehlern zu lernen und entsprechende Korrekturen vorzunehmen. Ein agiler Ansatz erlaubt es, kontinuierlich Verbesserungen vorzunehmen. Der zuvor dargestellte fünfstufige Prozess wird entsprechend iterativ angesehen und muss immer wieder durchlaufen werden.

Ein Kernfehler ist es, nicht ins Machen zu kommen

Aus unserer Sicht ist es für jedes Unternehmen, das sich mit Pricing befasst, entscheidend, die Potenziale dieser neuen Technologie zu verstehen und sie entsprechend für die eigenen Belange einzuordnen. Um auch weiterhin wettbewerbsfähig zu bleiben, gilt das Prinzip “einfach mal machen”, sei es bei der Auseinandersetzung mit dem Thema oder aber bei der Umsetzung konkreter Use Cases.

Um den Einstieg zu erleichtern, haben wir zehn praktische Empfehlungen zusammengestellt, die sicherstellen sollen, dass der Fokus zu Beginn auf den richtigen Themen liegt.

Hierbei bildet der Grundsatz „Think big, start small, scale fast“ das Fundament für eine erfolgreiche Implementierung, indem er Unternehmen dazu ermutigt, groß zu denken, jedoch mit kleinen, handhabbaren Use Cases zu beginnen, die eine schnelle Skalierung ermöglichen.

Die Definition klarer Ziele ist entscheidend, um sich bei der Auseinandersetzung mit AI im Pricing nicht zu verlaufen sowie die AI-Lösung mit der Geschäftsstrategie in Einklang zu bringen. Es ist wichtig, die Einführung von AI im Pricing als einen kontinuierlichen, iterativen Prozess zu verstehen, der Anpassungen und Lernen über die Zeit erfordert. Dieser Prozess beinhaltet die Priorisierung der richtigen Use Cases, die auf Basis einer Aufwand-Nutzen-Bewertung ausgewählt werden sollten.

Zum Abschluss ist es ratsam, dass Unternehmen eine Offenheit für traditionelle Pricing-Lösungen bewahren. Obwohl AI im Pricing zahlreiche Vorteile bietet, ist eine sofortige Einführung nicht zwangsläufig die optimale Lösung. In vielen Fällen können bereits mit simplen Ansätzen, wie beispielsweise der Segmentierung der Preise für unterschiedliche Zielgruppen, beträchtliche Mehrwerte erzielt werden. Eine Offenheit gegenüber nicht AI-basierten Pricing-Lösungen sollte daher nicht vernachlässigt werden. Es ist davon auszugehen, dass sich die Standardlösungen im Markt in den nächsten Jahren weiterentwickeln werden. Dennoch ist klar: Unternehmen, frühzeitig AI im Pricing integrieren, erarbeiten sich einen strategischen Wettbewerbsvorteil. Umso wichtiger ist es daher, sich mit AI-basiertem Pricing auseinanderzusetzen und eine fundierte Strategie im Umgang damit zu entwickeln.

*Wir bedanken uns bei Olivia von Rudzinski für ihre Beiträge zu diesem Artikel.