Künstliche Intelligenz Data Science

Dynamische Preisgestaltung und Bündelung in Echtzeit

Grundlage aktueller Softwarelösungen für die dynamische Preisgestaltung bildet die Kombination aus verschiedenen Preisstrategien und der Anlage eines (mehr oder weniger) komplexen Regelwerks:

  • Zeitabhängig: Die Tageszeit aber auch saisonale Gegebenheiten werden berücksichtigt.
  • Peak Load Pricing: Steigt die Nachfrage ziehen die Preise an. Der Händler kann hier dann aber auch umgekehrt reagieren, um seine Preise unter denen des Wettbewerbs zu platzieren. Erkennen die eigenen Systeme, dass der Wettbewerb nicht mehr liefern kann, werden die Preise deutlich angehoben.
  • Penetrationstrategie: Die bewusste Entscheidung, Preise am Wettbewerb auszurichten, kann auch Teil einer Penetrationsstrategie sein. Dabei geht es darum, stets den günstigsten Preis anzubieten, um schnell Marktanteile zu erobern. Ist der erreicht, werden die Preise wieder angezogen.

Rund um die grundlegende Preisstrategie lassen sich dann weitere Regeln und Filter aktivieren und anpassen. Klassisches Beispiel: Die Nutzung eines Apple-Geräts suggeriert mehr Kaufkraft. Hier kann also versucht werden, einen höheren Preis durchzusetzen.

Durch die Kombination verschiedener Regeln, lassen sich durchaus komplexe Gebilde zur Preisfindung gestalten. In dieser Ausbaustufe sind Tools für das Dynamic Pricing allerdings rein reaktive Systeme. Treffen eine oder mehrere Bedingungen zu, führt dies zur Preisanpassung.

Um proaktiv zu agieren, können auch Daten und Informationen aus verschiedenen Bereichen hinzugezogen und durch die Verwendung maschinellen Lernens interpretiert werden. Hierzu dienen unter anderem Kaufhistorien, Absatzzahlen und externe Daten zu Produkten und dem Markt. Der dahinter stehende lernende Algorithmus untersucht nun laufend die Wechselwirkung zwischen Preisen und Umsatz. Der hypothetisch optimale Preis wird dann unter Verwendung von A/B-Tests im laufenden Betrieb bestätigt oder widerlegt.