Sichere Preisgestaltung: Ein praktischer Leitfaden zur Preiselastizität für moderne Preisgestaltungsteams

Preiselastizität Die Preiselastizität der Nachfrage ist einer der nützlichsten Ansätze, um den richtigen Preis für ein Produkt zu ermitteln, und zugleich einer der am schwierigsten zuverlässig zu berechnenden. Theoretisch gibt die Elastizität Aufschluss darüber, wie die Nachfrage auf Preisänderungen reagiert. In der Praxis wird die beobachtete Nachfrage jedoch von vielen Faktoren gleichzeitig beeinflusst: Werbeaktionen, saisonale Schwankungen, Lagerverfügbarkeit, Maßnahmen der Wettbewerber, Lebenszykluseffekte und übliche Ungenauigkeiten in den Einzelhandelsdaten.

In diesem Artikel stellen wir eine neuartige Methodik zur Schätzung von Preiselastizitäten auf Produktebene vor, die speziell für die unübersichtlichen Bedingungen im realen Einzelhandel entwickelt wurde, wo Preisänderungen selten sind, die Nachfrage unregelmäßig verläuft und saubere Experimente kaum verfügbar sind. Der Kerngedanke besteht darin, dass die Schätzung der Elastizität am besten als zweistufiges Problem angegangen wird.

In der ersten Stufe extrahiert eine Vorhersageebene aus spärlichen, verrauschten und uneinheitlichen Daten auf Produktebene ein umfassenderes und besser verwertbares Nachfragesignal. In der zweiten Stufe wird dieses Signal in ein Nachfragemodell umgewandelt, das die Preisoptimierung unterstützt, anstatt lediglich die Preissensitivität im Nachhinein zu beschreiben.

Genau dieser Unterschied sorgt dafür, dass der Ansatz in der Praxis funktioniert. Die bei der Echtzeitpreisbildung verwendete Nachfragekurve muss robust genug sein, um Entscheidungen unter realen wirtschaftlichen Bedingungen zu stützen, und das bedeutet, den Preis lediglich als einen von mehreren Faktoren zu betrachten. Das System muss zudem die Bedingungen verstehen, unter denen die einzelnen Preise beobachtet wurden.

Ein grundlegenderes Hindernis besteht darin, dass sich die Preise vieler Produkte nicht häufig genug ändern oder nicht unter Bedingungen, die den Preiseffekt isolieren, um für sich allein eine zuverlässige direkte Schätzung zu ermöglichen. Ein Ansatz, der sich ausschließlich auf eine einstufige Anpassung auf Produktebene stützt, liefert in der Regel entweder eine geringe Abdeckung oder instabile Ergebnisse. Das zweistufige Verfahren umgeht diese Falle: Es erweitert zunächst das verwertbare Nachfragesignal und wandelt dieses Signal anschließend in eine optimierungsfähige Nachfragekurve um.

In den folgenden Abschnitten wird das Konzept der Elastizität anhand praktischer Beispiele erläutert, die Grundsätze des zweistufigen Ansatzes dargelegt und aufgezeigt, warum ein modernes Elastizitätsmodell sowohl wissenschaftlich fundiert als auch wirtschaftlich nutzbar sein muss.

Warum Elastizität bei der tatsächlichen Preisgestaltung eine Rolle spielt

Jede Preisentscheidung beinhaltet eine implizite Annahme hinsichtlich der Reaktion der Kunden. Wenn ein Einzelhändler angesichts sich ändernder Marktbedingungen die Preise erhöht, senkt oder unverändert lässt, erstellt er damit eine Nachfrageprognose – unabhängig davon, ob er dies ausdrücklich sagt oder nicht.

Die Elastizität macht diese Annahme explizit.

In der Praxis hilft die Elastizität den Preisgestaltungsteams dabei, Fragen wie die folgenden zu beantworten:

• Welche Produkte lassen eine Preiserhöhung bei begrenztem Absatzrisiko zu?
• Welche Produkte sind besonders preissensibel und erfordern eine straffere Wettbewerbspositionierung?
• Wo führen Preisnachlässe wahrscheinlich zu einer zusätzlichen Nachfrage, und wo gehen dadurch vor allem Gewinnmargen verloren?
• Welche Kategorien verhalten sich konsistent genug, um automatisiert bearbeitet zu werden, und welche erfordern eine Überprüfung durch den Menschen?

Für Preisgestaltungsexperten liegt der Wert der Elastizität nicht allein in einer eleganten Theorie. Er besteht vielmehr darin, Entscheidungen unter Unsicherheit zu verbessern und die beobachtete Nachfragereaktion in eine Nachfragekurve umzuwandeln, die solide genug ist, um die Preisoptimierung zu unterstützen.

Was Elastizität bedeutet

Die Elastizität misst den Zusammenhang zwischen einer prozentualen Preisänderung und der daraus resultierenden prozentualen Nachfrageänderung. Formal ausgedrückt ist sie das Verhältnis der beiden Größen:

wobei %ΔQ die prozentuale Veränderung der Nachfrage und %ΔP die prozentuale Veränderung des Preises bezeichnet.

Bei einem Produkt mit einer Elastizität von beispielsweise -2 sinkt die Nachfrage um etwa 2% pro Preisanstieg um 1%. Der Wert ist fast immer negativ, da sich Nachfrage und Preis in der Regel in entgegengesetzte Richtungen bewegen; entscheidend ist daher, wie weit er unter Null liegt. Produkte, deren Elastizität unter -1 liegt, gelten als elastisch: Die Nachfrage reagiert überproportional auf den Preis. Produkte mit Werten zwischen -1 und 0 sind unelastisch: Die Nachfrage verändert sich weniger stark als die Preisänderung, die sie ausgelöst hat.

Dies ist ein aussagekräftiges Konzept, das jedoch leicht zu stark vereinfacht werden kann. Eine beobachtete Nachfrageveränderung ist nicht automatisch eine reine Preisreaktion. Die obige Definition geht davon aus, dass alle anderen Faktoren außer dem Preis konstant bleiben, was bei Rohdaten aus dem Einzelhandel selten der Fall ist: Werbeaktionen, saisonale Schwankungen, Lagerbestände und Maßnahmen der Wettbewerber beeinflussen die Nachfrage zeitgleich mit Preisänderungen. Ein glaubwürdiges Elastizitätsmodell muss daher eine schwierigere Frage stellen: Wie viel der Veränderung ist auf den Preis zurückzuführen, und wie viel auf das umgebende wirtschaftliche Umfeld?

Die Elastizität ist zudem mehr als nur eine beschreibende Kennzahl. In der Praxis wird sie aus einer Nachfragekurve abgeleitet – einer operativen Darstellung dessen, wie sich das Absatzvolumen über einen Bereich möglicher Preise hinweg voraussichtlich entwickeln wird. Anhand dieser Kurve können Preisgestaltungsteams die erwarteten Auswirkungen verschiedener Preisniveaus auf Umsatz, Marge und Geschäftsziele vergleichen. Die Elastizität fasst die Kurve bei einem Referenzpreis zusammen, doch die Kurve selbst ist der Motor der Optimierung. Das ist die Brücke von der Diagnose zum Handeln: Die Kurve erfasst, wie sich das Absatzvolumen über einen Preisbereich hinweg verändert, und die Elastizität macht diese Sensitivität an einem einzigen Referenzpunkt umsetzbar.

Die nächsten beiden Abbildungen veranschaulichen denselben praktischen Aspekt aus zwei Blickwinkeln: Rohdaten zu Preis-Umsatz-Verläufen lassen sich zwar direkt untersuchen, sollten bei der Berechnung der Elastizität jedoch nicht naiv als kausale Preisreaktion gewertet werden. Abbildung 1 zeigt, wie saisonale Schwankungen den scheinbaren Zusammenhang zwischen Preis und Nachfrage verändern können. Abbildung 2 zeigt, wie Lagerengpässe sowohl die beobachteten Absatzzahlen als auch das Preissignal verzerren können. Werbeaktionen, Maßnahmen von Wettbewerbern, Lebenszykluseffekte, Sortimentsänderungen und andere geschäftliche Rahmenbedingungen können ähnliche Verzerrungen hervorrufen, weshalb rohe Preis-Absatz-Beobachtungen eher als Signale zur Validierung denn als saubere Experimente betrachtet werden sollten.

Produktbeispiele: drei monatliche Kontexte

Abbildung 1. Vier Beispielprodukte verdeutlichen, dass neben dem Preis auch der Kontext eine Rolle spielt. Je nach Monat zeigen sich unterschiedliche Preisspannen, Absatzmengen und scheinbare Preis-Nachfrage-Beziehungen, und in einigen Fällen steigt die Nachfrage sogar mit dem Preis. Diese steigende Kurve ist kein Anzeichen dafür, dass höhere Preise den Absatz ankurbeln; sie spiegelt Störfaktoren wie saisonale Nachfrage oder Maßnahmen der Wettbewerber wider, die zeitlich mit Preisänderungen zusammenfallen. Eine positive Steigung kann daher in dieser diagnostischen Betrachtung durchaus akzeptabel sein, gerade weil es sich bei der Darstellung nicht um ein kontrolliertes Preisexperiment handelt. Die naiven Regressionsgeraden verdeutlichen, dass rohe Preis-Absatz-Steigungen irreführend sein können, wenn der Kontext außer Acht gelassen wird – weshalb sich die Elastizität nicht direkt aus den beobachteten Daten ablesen lässt.

Wenn der Lagerbestand zur Neige geht, werden sowohl der Absatz als auch das Preissignal unzuverlässig

Abbildung 2. Ein echtes Produkt aus einem aktuellen Einzelhandelssortiment, anonymisiert. Alle drei Zeitreihen wurden zur Vergleichbarkeit auf dieselbe Skala von 0 bis 1 normiert. Von Mai bis Oktober ist das Produkt gut vorrätig und verkauft sich stetig. Ab November, wenn der Lagerbestand gegen Null sinkt, brechen die Verkäufe ein und der Regalpreis wird nach oben getrieben – wahrscheinlich eine bewusste Maßnahme, um die Nachfrage nach einem Produkt zu dämpfen, das nicht mehr geliefert werden kann. In diesem Zeitraum spiegelt der ausgegebene Preis eine Entscheidung zur Rationierung des Lagerbestands wider und nicht die normale Nachfrageentwicklung, sodass beide Signale für die Elastizitätsschätzung unzuverlässig werden. Beobachtungen wie diese werden aus dem Modell ausgeschlossen.

Die praktische Herausforderung

Eine Preisoptimierung in großem Maßstab erfordert ein robustes Rahmenwerk, das Zehntausende von Produkten unter sich ändernden Marktbedingungen unterstützen kann. Daraus ergeben sich mehrere praktische Anforderungen:

• Katalogabdeckung: Das System muss für einen Großteil des Sortiments Ergebnisse liefern, nicht nur für die Produkte mit den saubersten Daten.
• Stabilität: Die Ausgangssignale sollten nicht aufgrund von vorübergehendem Rauschen stark schwanken.
• Interpretierbarkeit: Analysten müssen verstehen, warum man einer Schätzung vertrauen kann.
• Operative Eignung: Die Methodik muss Entscheidungen zur Preisgestaltung in Echtzeit unterstützen und darf sich nicht nur auf rückblickende Analysen beschränken.
• Leitplanken: Wenn die Unterstützung auf Produktebene unzureichend ist, sollte das System lieber einen kontrollierten Rückfall in den Grundzustand vornehmen, anstatt eine falsche Genauigkeit zu erzeugen.

Genau hier stoßen viele Methoden zur Elastizitätsschätzung an ihre Grenzen. Ein Modell mag zwar bei einer Teilmenge sauberer Produkte statistisch überzeugend aussehen, ist aber dennoch für den übergeordneten Preisbildungsprozess ungeeignet.

Der zentrale Zielkonflikt: Spezifität vs. Zuverlässigkeit

Eine der zentralen Herausforderungen bei der Untersuchung der Preiselastizität besteht darin, dass die stabilste und intuitivste analytische Einheit oft über das einzelne Produkt hinausgeht. Muster auf Kategorieebene lassen sich leichter interpretieren und sind in der Regel statistisch zuverlässiger. Preisentscheidungen müssen jedoch letztendlich auf Produktebene getroffen werden, wo die Empfehlung erst umsetzbar wird.

Das führt zu einem praktischen Spannungsfeld. Schätzungen auf Kategorieebene können zwar zuverlässig sein, sind jedoch für die Optimierung auf Produktebene zu grob. Schätzungen auf Produktebene sind besser umsetzbar, doch bei vielen Produkten ändert sich der Preis nicht oft genug oder es liegt keine ausreichende, aussagekräftige Historie vor, um isoliert eine verlässliche Reaktion abzuschätzen. In solchen Fällen kann das verwertbare Nachfragesignal für ein einzelnes Produkt deutlich geringer ausfallen, als es die Transaktionshistorie zunächst vermuten lässt.

Aus diesem Grund sind Gruppierung und Verallgemeinerung keine Abkürzungen. Sie sind ein unverzichtbarer Bestandteil beim Aufbau eines funktionsfähigen Elastizitätssystems.

Es geht also nicht darum, sich zwischen einer Modellierung auf Produktebene und einer Gruppierung zu entscheiden, als ob die eine Methode immer besser wäre. Vielmehr geht es darum, auf der konkretesten Ebene zu arbeiten, die die Daten zulassen, und vorsichtig zu verallgemeinern, wenn dies nicht möglich ist. Eine glaubwürdige Elastizitätsmethodik muss diesen Kompromiss explizit berücksichtigen.

Eine praxisorientierte zweistufige Methodik

Eine solche praxisorientierte Elastizitätsmethode basiert auf einer zentralen Erkenntnis: Die Nachfragekurve ist keine feste Eigenschaft eines Produkts, sondern ein kontextspezifisches Phänomen. Dasselbe Produkt weist in der Hochsaison im Vergleich zur Nebensaison oder angesichts eines aggressiven Wettbewerbers im Vergleich zu einem ruhigen Markt eine unterschiedliche Nachfragekurve auf, selbst wenn sich seine zugrunde liegende Preissensitivität nicht verändert hat. Die Elastizität wird stets anhand eines Referenzpreises innerhalb eines Referenzkontexts berechnet. Ändert sich dieser Kontext, nimmt die Methode eine Neuschätzung auf der Grundlage der aktuellen Marktlage vor.

Dies hat praktische Auswirkungen auf den Aufbau der Methodik. Die Prognoseebene fragt nicht abstrakt: “Wie hoch wäre der Umsatz bei diesem Preis?” Sie fragt vielmehr: Wie hoch wäre der Umsatz, wenn wir – unter Berücksichtigung eines relevanten Referenzkontexts für dieses Produkt, der Jahreszeit, der Preisentwicklung, der Wettbewerbslandschaft und des zu bewertenden Geschäftsszenarios – nur den Preis ändern würden?

Um diese Frage zu beantworten, wird in Stufe 1 ein Vorhersagemodell anhand der historischen Daten des Produkts trainiert und dazu verwendet, ein kontextspezifisches Nachfragesignal zu erzeugen: Unter Beibehaltung des gewählten Referenzkontexts wird die Nachfrage über die beobachtete Preisspanne des Produkts hinweg erfasst. Bei der Live-Preisneufestsetzung ist dieser Referenzkontext häufig die aktuelle Geschäftslage; in der Simulation kann es sich um ein anderes Szenario handeln, das das Unternehmen bewerten möchte. In Stufe 2 wird dann eine parametrische Nachfragekurve an dieses Signal angepasst, wobei aus einer Reihe von Kandidatenmodellen die am besten geeignete Funktionsform ausgewählt wird – was besonders wichtig ist, wenn die Nachfrageprofile so stark variieren, wie dies bei einem realen Einzelhandelssortiment der Fall ist. Das Ergebnis ist eine analytische Nachfragekurve, die auf der relevanten geschäftlichen Realität basiert und für die Optimierung nützlicher ist als eine einfache Regression von Preis gegen Umsatz.

Die Logik lässt sich kurz gesagt wie folgt zusammenfassen: Anstatt davon auszugehen, dass jedes Produkt direkt, eindeutig und unabhängig modelliert werden kann, erweitert die Methodik zunächst das verwertbare Nachfragesignal und passt erst danach ein für Preisentscheidungen geeignetes Nachfragemodell an, wodurch die nützliche Abdeckung maximiert und gleichzeitig die Glaubwürdigkeit gewahrt wird.

Abbildung 3. Die zweistufige Logik der Methodik: Zunächst wird aus spärlichen Produktdaten ein verwertbares Nachfragesignal gewonnen, anschließend wird ein Nachfragemodell angepasst, das die Optimierung unterstützen kann.

Beispielhafte Produktpfade von den beobachteten Daten zu den angepassten Nachfragekurven

Abbildung 4. Die zweistufige Methodik wurde auf drei reale Produkte angewendet, die die Preisempfindlichkeitsstufen „niedrig“, „mittel“ und „hoch“ abdecken. Jede Spalte verfolgt ein Produkt über die gesamte Pipeline hinweg. Die oberste Zeile zeigt die rohen, beobachteten Verkaufszahlen im Vergleich zum Preis, wobei alle beobachteten kommerziellen Kontexte über die gesamte Produktgeschichte hinweg berücksichtigt werden. Die mittlere Zeile zeigt das Ergebnis von Stufe 1: Die Vorhersageebene hält einen ausgewählten Referenzkontext fest und ermittelt die Nachfrage bei Preisen über den gesamten beobachteten Bereich hinweg. Diese Diagramme stellen eine Projektion der vollständigen Modellansicht dar: Saisonalität, Preise der Wettbewerber und andere kontextbezogene Merkmale, die der Prädiktor verwendet, werden in einem zweidimensionalen Preis-gegen-Stückzahl-Diagramm zusammengefasst, weshalb das prognostizierte Signal möglicherweise anders aussieht als die obige Rohstreuung. Die untere Zeile zeigt das Ergebnis von Stufe 2: eine parametrische Nachfragekurve, die an dieses kontextspezifische Signal angepasst wurde. Die vertikale gestrichelte Linie markiert den Referenzpreis, bei dem der in der jeweiligen Spaltenüberschrift angegebene Elastizitätswert ermittelt wird. Ein anderer Referenzpreis oder ein anderer kommerzieller Kontext würde eine andere Kurve und einen anderen Elastizitätswert ergeben.

Im Großen und Ganzen folgt der Ansatz vier Grundsätzen.

 1.  Gehen Sie von der beobachtbaren wirtschaftlichen Realität aus

Die Grundlage bilden Transaktions- und Preisdaten, die das tatsächliche Marktverhalten im Zeitverlauf widerspiegeln. Die Methodik ist darauf ausgelegt, aus beobachteten Reaktionen unter realen Einzelhandelsbedingungen zu lernen und nicht auf der Grundlage idealisierter Annahmen.

Dies ist wichtig, da Preisgestaltungsteams Schätzungen benötigen, die über verschiedene Produktkategorien, Märkte und Kundenkontexte hinweg aussagekräftig bleiben.

 2. Signal von Verzerrungen trennen

Nicht jede beobachtete Volumenänderung liefert gleichermaßen aussagekräftige Informationen über die Elastizität. Eine praxisorientierte Methodik muss beurteilen, welche Beobachtungen nützliche Preissignale liefern und welche vor dem Ziehen von Schlussfolgerungen weniger stark gewichtet werden sollten.

Dies ist einer der wichtigsten Unterschiede zwischen einem Preisstufensystem und einer vereinfachten Preis-Reaktions-Berechnung.

Bestimmte Preisniveaus wirken auf Käufer wie psychologische Schwellenwerte: Eine Preisbewegung, die eine solche Schwelle überschreitet, kann sich anders auf die Nachfrage auswirken als eine Bewegung gleichen Ausmaßes, die dies nicht tut. Um dies zu berücksichtigen, wertet unsere Methodik Preise nicht allein in ihrer Rohform aus. Zunächst werden die Preise in psychologisch verankerte Preisklassen eingeteilt, mit feineren Abstufungen bei niedrigen Preisniveaus und gröberen Abstufungen bei höheren, sodass eine Bewegung, die eine Preisklassengrenze überschreitet, als eigenständiges Preisereignis registriert wird. Eine Verschiebung von $9,99 auf knapp über $10 wird als echte Preisänderung gewertet, während eine Abweichung von einem Cent innerhalb einer Preisklasse dies nicht tut. Durch diese Art der Preisauswertung wird verhindert, dass das Modell das Überschreiten einer Schwelle und eine gewöhnliche Bewegung innerhalb einer Preisklasse als dasselbe Ereignis behandelt.

 3. Verwenden Sie die spezifischste unterstützte Granularität

Die Methodik wendet eine qualitätsorientierte Kaskade an, um zu bestimmen, welcher Prädiktor der Stufe 1 für jedes Produkt verwendet wird.

Bei gut abgestützten Produkten, d. h. solchen mit ausreichender Historie und Preisvariation, versucht die Methodik zunächst, einen auf der Produktebene liegenden Prädiktor zu erstellen, der auf den produktbezogenen Daten basiert. Verfügt dieser Prädiktor nicht über eine ausreichende Konfidenz oder erfüllt die daraus resultierende Nachfragekurve nicht den Schwellenwert für die Anpassungsqualität, greift das Produkt auf einen Gruppenprädiktor zurück, wobei seine eigenen Daten weiterhin zur Erstellung dieses Gruppenmodells beitragen. In beiden Fällen wird in Stufe 2 eine individuelle Nachfragekurve angepasst.

Produkte mit sehr spärlichen Daten stellen eine andere Herausforderung dar: Ihre Historie ist zu dünn, um selbst als zuverlässiger Prädiktor auf Produktebene zu dienen. Für diese Produkte nutzt die Methodik eine Clustering-Logik, die wir als „Propagation“ bezeichnen: Dabei wird jedes Produkt mit spärlicher Historie der am besten geeigneten modellierten Gruppe zugeordnet, basierend auf Produkteigenschaften wie dem kommerziellen Segment (Schlüsselartikel, Umsatztreiber oder Gewinnbringer), Produktkategorien, Preisniveau und Absatzvolumen. Das Gruppenmodell generiert dann in Stufe 1 ein Nachfragesignal für dieses Produkt, wobei es dessen eigenen geschäftlichen Kontext, seine Preise, die Wettbewerbsdynamik und das saisonale Muster berücksichtigt. In Stufe 2 wird anschließend eine individuelle Nachfragekurve angepasst, sodass das Produkt trotz seiner spärlichen Historie individuell optimierbar bleibt.

Wenn die Gesamtdaten eines Einzelhändlers begrenzt sind, steht für einige Produkte mit spärlichen historischen Daten möglicherweise keine ausreichend zuverlässige Gruppenzuordnung zur Verfügung. In solchen Fällen ist ein konservativer Ausweichansatz erforderlich, um eine umfassende Abdeckung zu gewährleisten, anstatt das Produkt unberücksichtigt zu lassen.

Das zentrale Prinzip besteht darin, den spezifischsten Prädiktor zu verwenden, den die Daten glaubhaft stützen können, und das verwertbare Signal durch Vorhersagen zu erweitern, bevor ein optimierungsfähiges Nachfragemodell angepasst wird.

 4. Robustheit ist wichtiger als scheinbare Genauigkeit

Bei der Preisgestaltung in der Produktion ist eine etwas weniger präzise Schätzung, die jedoch stabil, nachvollziehbar und entscheidungssicher ist, oft wertvoller als eine mathematisch elegante Schätzung, die jedoch anfällig ist.

Dies gilt insbesondere dann, wenn die Ergebnisse von Merchandisern, Preismanagern und Vertriebsleitern genutzt werden, die nicht nur Koeffizienten, sondern auch Sicherheit benötigen.

Robustheit erfordert zudem Qualitätsschwellenwerte. Ist die Prognosestufe nicht genau genug oder erklärt das angepasste Nachfragemodell das beobachtete Muster nicht ausreichend, sollte die Methodik auf ein konservativeres Niveau zurückgreifen, anstatt das Konfidenzniveau zu hoch anzusetzen.

Abbildung 5. Die Produktionspipeline von den Rohdaten bis zur Preisberechnung. Produkte mit ausreichender Historie durchlaufen in Stufe 1 zunächst einen Prädiktor auf Produktebene. Ist die Konfidenz oder die Anpassungsqualität zu gering, wird das Produkt zu einem Gruppenprädiktor weitergeleitet, trägt aber weiterhin zu diesem Gruppenmodell bei. Produkte mit spärlichen historischen Daten durchlaufen den Propagationspfad: Sie werden anhand ihrer Produkteigenschaften einer geeigneten Gruppe zugeordnet, und der Gruppenprädiktor nutzt den individuellen kommerziellen Kontext jedes Produkts, um dessen Nachfragesignal zu erzeugen. Alle Pfade laufen in Stufe 2 zusammen, wo für jedes Produkt eine individuelle Nachfragekurve angepasst wird, unabhängig davon, welcher Prädiktor verwendet wurde. Das Ergebnis fließt sowohl in die Preisempfehlungsebene als auch in die kontinuierliche Überwachung ein.

Überwachung des Systems im Produktivbetrieb

Ein System zur Produktionselastizität sollte wie eine Entscheidungsmaschine für die Preisgestaltung überwacht und nicht als einmaliger Modelllauf betrachtet werden. Die entscheidende Frage ist nicht nur, ob ein Modell ein Ergebnis geliefert hat, sondern ob das System nach wie vor mit dem gleichen Maß an Aussagekraft und Zuverlässigkeit arbeitet wie zuvor.

Eine sinnvolle Überwachung sollte sowohl die Abdeckung als auch die Qualität erfassen: Wie viel des Sortiments und des Umsatzes wird abgedeckt, wie viele Produkte werden direkt modelliert und wie viele über Gruppen- oder Ausbreitungslogik, wie oft wird auf Ausweichlösungen zurückgegriffen und ob sich Konfidenz, Passgenauigkeit oder Ablehnungsquoten im Laufe der Zeit verändern. Zudem sollte sie vorgelagerte Signale zur Datenintegrität überwachen, wie z. B. fehlende Tage, Bestandsengpässe, Preisschwankungen, Katalogänderungen und die Verfügbarkeit von Wettbewerberdaten.

Zusammen bilden diese Indikatoren eine Frühwarnebene. Wenn die Abdeckung auf Produktebene plötzlich sinkt, die Ausbreitung zunimmt oder die Nutzung von Ausweichlösungen sprunghaft ansteigt, kann das Unternehmen vorgelagerte Datenabweichungen, Katalogänderungen, Bestandsprobleme oder Probleme in der Lieferkette untersuchen, bevor sich die Veränderung als unerwünschtes Preisverhalten bemerkbar macht. Die Überwachung bietet den Preisgestaltungsteams zudem einen praktischen Überblick über die Steuerung: Welche Empfehlungen sind bereit für die Automatisierung, welche sollten überprüft werden und welche werden nur durch eine konservative Fallback-Logik gestützt?.

Verteilung der Granularität im Zeitverlauf

Abbildung 6. Entnommen aus einem realen Handelssortiment, anonymisiert. Jedes Produkt wird je nach Datenqualität und -abdeckung einer von vier Modellierungsebenen zugeordnet (Produkt, Gruppe, Propagation oder Fallback). „Produkt“ bedeutet, dass das Nachfragesignal aus der eigenen Historie des Produkts gewonnen wird. „Gruppe“ wird verwendet, wenn die Datenlage auf Produktebene unzureichend ist, das Produkt aber dennoch zu einem übergeordneten Modell beitragen kann. „Propagierung“ wird für Produkte mit spärlicher Historie verwendet, die anhand ihrer Produkteigenschaften einer passenden Gruppe zugeordnet werden. „Fallback“ ist für Produkte reserviert, die keiner geeigneten modellierten Gruppe zugeordnet werden können. Die vorübergehende Verschlechterung Mitte Januar verdeutlicht, warum Überwachung wichtig ist: Daten- oder Code-Probleme können sich als unerwartete Verschiebungen in der Granularitätszusammensetzung zeigen, und eine gut konzipierte Methodik sollte hierauf hinweisen und sich schnell erholen, sobald das zugrunde liegende Problem behoben ist.

Warum dies für Preisgestaltungsteams von Bedeutung ist

Die Preiselastizität der Nachfrage entfaltet ihre größte Wirkung, wenn sie zur Optimierung von Preisentscheidungen genutzt wird. Für Praktiker bedeutet dies in der Regel, bessere Lösungen für typische geschäftliche Konflikte zu finden:

• Kurzfristige Margenerholung versus strategischer Absatzschutz: Manche Produkte lassen Preiserhöhungen mit begrenztem Absatzrisiko zu, während andere eine wichtige Rolle für die Kundenfrequenz, die Kundenbindung oder das Preisimage spielen, sodass der Schutz der Nachfrage wichtiger ist als die unmittelbare Marge.
• Globale Politik versus lokale Realität: Preisregeln auf Kategorieebene sorgen für Einheitlichkeit, doch die Elastizität auf Produktebene hilft dabei, festzustellen, wo lokale Nachfrage, Wettbewerb, saisonale Schwankungen oder die Rolle des Produkts eine abweichende Empfehlung rechtfertigen.
• Automatisierung versus Kontrolle durch Analysten: Zuverlässige, stabile Schätzungen können automatisierte Preisentscheidungen unterstützen, während Produkte mit hohen Schwankungen, hohe Sensitivität oder strategischer Bedeutung zur Überprüfung durch einen Mitarbeiter weitergeleitet werden sollten.
• Umfassende Abdeckung versus Zuverlässigkeit der Schätzung: Das System sollte einen möglichst großen Teil des Sortiments abdecken und dabei klar zwischen zuverlässigen Schätzungen auf Produktebene und Schätzungen auf Gruppenebene, durch Hochrechnung ermittelten Schätzungen oder Ausweichschätzungen unterscheiden.

Für keine dieser Spannungen gibt es eine einzige richtige Antwort; die Lösung hängt von der kommerziellen Rolle des jeweiligen Produkts und dem jeweiligen Geschäftsziel ab. Die Methodik hilft Kategorie-Managern dabei, diese Herausforderungen zu meistern, indem sie einen fundierten Überblick über die Nachfragesensitivität im gesamten Sortiment bietet, was die Priorisierung, das Ausnahmemanagement und den intelligenteren Einsatz von Automatisierung unterstützt.

Außerdem hilft es dabei, Analysen in Maßnahmen umzusetzen. Zwei Produkte können zwar beide eine Margenlücke aufweisen, doch die richtige Empfehlung kann sich stark unterscheiden. Ein stabiles Produkt mit geringer Sensitivität kann ein sinnvoller Kandidat für eine Margenverbesserung sein. Ein Produkt, das viel Traffic generiert und eine steile Nachfragekurve aufweist, benötigt möglicherweise Volumenschutz, eine straffere Wettbewerbspositionierung oder eine manuelle Überprüfung, bevor automatisierte Änderungen vorgenommen werden. Die Nachfragekurve macht diesen Unterschied deutlich.

Wenn die Elastizität in eine verwertbare Nachfragekurve umgesetzt wird, können Preisgestaltungsteams nicht nur beurteilen, ob ein Produkt preissensitiv ist, sondern auch, welcher Preisbereich am besten zum jeweiligen Ziel passt – sei es Margenverbesserung, Umsatzwachstum, Reaktion auf den Wettbewerb oder ein ausgewogenes wirtschaftliches Ziel.

Beispiel für Elastizitätsdaten: Anonymisierter Einzelhändler

Abbildung 7. Beispielhafte Elastizitätswerte aus einem realen Einzelhandelssortiment, anonymisiert. Das obere Diagramm zeigt die Gesamtverteilung der geschätzten Elastizitäten. Die Streuung spiegelt erhebliche Unterschiede in der Preissensitivität bei Zehntausenden von Produkten wider. Das untere Diagramm schlüsselt diese Verteilung nach Geschäftssegmenten auf. KVI-Produkte (Key Value Items), SD-Produkte (Sales Drivers) und PG-Produkte (Profit Generators) weisen deutlich unterschiedliche Elastizitätsprofile auf.

Elastizitätsmuster über Kategorien und Segmente hinweg

Verschiedene Produktkategorien ziehen Kunden mit sehr unterschiedlicher Preissensibilität an. Ein Käufer, der ein Grundnahrungsmittel erwirbt, reagiert anders auf eine Preisänderung als jemand, der über den Kauf eines nicht lebensnotwendigen Spielzeugs oder Accessoires nachdenkt. Das kommerzielle Segment fügt eine weitere Ebene hinzu: Produkte, die als Schlüsselartikel, Umsatztreiber oder Gewinnbringer eingestuft werden, weisen in der Regel selbst innerhalb derselben Kategorie unterschiedliche Elastizitätsprofile auf, was ihre unterschiedlichen kommerziellen Rollen und die Erwartungen der Kunden widerspiegelt.

Die folgende Tabelle veranschaulicht diese Unterscheidung anhand eines realen Einzelhandelssortiments, wobei sich über beide Dimensionen hinweg konsistente und wirtschaftlich interpretierbare Muster zeigen. Was diese Muster aussagekräftig macht, ist die Tatsache, dass Segmentbezeichnungen niemals als Modellmerkmale verwendet werden. Bei Produkten mit ausreichender Historie basiert die Elastizitätsschätzung auf beobachteten Preis- und Absatzmustern. Bei Produkten mit spärlicher Historie, die über Propagation Gruppen zugeordnet werden, beeinflusst das Segment zwar die Gruppenzuordnung, wird jedoch niemals als Modellmerkmal verwendet. Wenn die Ergebnisse also weiterhin mit bekannten wirtschaftlichen Rollen übereinstimmen, ist dies ein nützliches Anzeichen dafür, dass die Methodik interpretierbare Ergebnisse liefert und keine willkürlichen Kurvenanpassungen.

Durchschnittliche Elastizität nach Kategorie und Geschäftsbereich

Abbildung 8. Durchschnittliche angepasste Elastizität nach Produktkategorie und Handelssegment, abgeleitet aus einem aktuellen Einzelhandelssortiment. Die Daten sind echt; bestimmte identifizierende Angaben wurden geändert, um die Offenlegung wirtschaftlich sensibler Informationen zu vermeiden. Jede Zeile steht für eine Kombination aus Kategorie und Segment. In der Praxis gruppiert die Methodik Produkte anhand umfassenderer Merkmale als nur dem Segment allein (Preisstufe, Verkaufshistorie und andere Produktattribute tragen alle zur Gruppenzuordnung bei), doch diese Dimensionen werden hier nicht dargestellt, um sowohl die Lesbarkeit der Visualisierung zu gewährleisten als auch die Offenlegung der firmeneigenen Gruppierungslogik zu vermeiden. Segmentbezeichnungen (KVI: Key Value Items, SD: Sales Drivers, PG: Profit Generators) dienen der Gruppenzuordnung und werden nicht als Modellmerkmale verwendet. Die Farbskala reicht von Blau (weniger elastisch, näher an Null) bis Rot (elastischer, stärker negativ).

Schlussfolgerung

Die Elastizität ist nach wie vor eines der wichtigsten Instrumente bei der Preisgestaltung, doch ihr Nutzen hängt davon ab, wie sie in die Praxis umgesetzt wird. Eine brauchbare Methodik muss mehr leisten, als nur die Nachfragereaktion grundsätzlich abzuschätzen. Sie muss in großem Maßstab funktionieren, den Unwägbarkeiten des Einzelhandels standhalten und Unsicherheiten verantwortungsbewusst kommunizieren.

Eine zweistufige Methodik erfüllt diesen Standard, indem zunächst das verwertbare Nachfragesignal erweitert und anschließend ein Nachfragemodell angepasst wird, das die Optimierung unterstützt. Diese Kombination hilft den Preisgestaltungsteams dabei, sich von rein intuitiven Entscheidungen hin zu strukturierteren, datengestützten Entscheidungen zu entwickeln.

Das ist das Versprechen der modernen Flexibilität: keine perfekte Vorausschau, sondern ein besseres unternehmerisches Urteilsvermögen.

Häufig gestellte Fragen