Transkript
Genau. Also mein Zitat: Die Preiselastizität ist nicht das Heilige Graal des Pricing. Warum sage ich das provokativ bewusst? Natürlich am Ende des Tages ist es natürlich ein ganz wichtiger Faktor und wir nutzen ihn natürlich auch. In der Theorie wäre die Preiselastizität die Lösung aller Probleme, aber nur dann, wenn ich in der Lage bin, alle relevanten Einflussgrößen zu kennen. Und da kann man sich ja schon vorstellen, bei vielen Effekten, die vielleicht in der Konsumentenpsychologie im Kopf vorgehen, die werde ich nie in der Lage sein zu messen. Ich kann natürlich Wettbewerbspreise messen, ich kann Lagebestand messen, ich kann Trends in Google abgreifen, aber es werden immer Faktoren geben, die nicht gemessen werden können. Herzlich willkommen zum Pricing Friends Podcast mit Sebastian Fogt. Hallo und herzlich willkommen, liebe Pricing Friends, zu einer neuen Folge.
Und in den letzten Wochen und Monaten habe ich viel Feedback erhalten, dass ihr mehr über Pricing Software erfahren wollt. Wir haben ja schon einmal eine Folge gemacht, in der wir einige Pricing Software Unternehmen vorgestellt haben. Andererseits sprechen wir häufiger über Software Pricing, weil das bei uns bei High auch einer der Fokusberatungsfelder ist. Aber heute kommen wir von einem Software Pricing wieder zu Pricing Software und sprechen über Quick Lizard und nicht nur über Quick Lizard, sondern auch über das Unternehmen mit Fabian Urich als Gast. Du bist Chief Product Officer bei Quick Lizard und deshalb ist es schön, dass du hier bist, Sebastian. Ich freue mich sehr, dich kennenzulernen. Und natürlich wollen wir uns zunächst einmal kennenlernen, bevor wir uns nun auf das Unternehmen und die Lösungen konzentrieren. Das besprechen wir gleich im Detail.
Erzähl mir doch mal, wie du zu Kick Lizard gekommen bist und was du in deiner langen Karriere bisher alles gemacht hast. Gerne. Ich beginne tatsächlich ganz hinten, weil ich finde, dass Pricing immer so ein Nischendasein hat, weil es keinen Fachbereich gibt, in dem man Pricing studiert. Das fällt immer ein bisschen zwischen den Stühlen runter. Und ich bin zu diesem Thema gekommen. Nach dem Abi habe ich überlegt, dass ich eine Mischung aus Psychologie und Analytik machen möchte. Und das führte dann bei der Studienwahl dazu, dass ich überlegt habe, wo ich das studieren könnte und bin dann am Ende bei BWL mit Informatik gelandet, wo ich sozusächlich die psychologische Komponente in der BWL gefunden habe neben der Zahlenwelt natürlich und mit der Informatik die Analytik gebunden und bin nach dem Studium in die Beratung gegangen.
Habe bei bei BCG 2006 gestartet und habe mich in der Zeit schon auf das Thema Pricing über die Projektarbeit spezialisiert und habe dann auch beschlossen, eigentlich ist es super spannend, ich würde da gern mehr erfahren und habe mir dann auch eine Auszeit gegönnt, um zum Thema Pricing zu promovieren und habe da zum Thema Behavioral Pricing promoviert. Dazu gleich später auch noch mal eine kleine Anekdote. Nach einer gewissen Zeit eine Beratung auch gesagt, okay, es ist schön über Preis zu sprechen, aber es wäre auch mal viel spannender selber Preise zu setzen. Ich bin 2014 dann raus und ähm habe eine Pricingrolle bei Z Plus übernommen und habe dort in der Zeit eigentlich aus Mangel an fertiger Software ein eigenes Pricingtool mit meinem Team zusammenwickelt, mit dem wir dann nach 2 d Jahren auch mehr als 80% der Preise automatisieren konnten.
Und 2018, dann war der Punkt, wo ich das Gefühl hatte, jetzt habe ich wirklich jeden Stein einmal umgedreht und möchte das Thema Pricing noch weiter skalieren und bin daher wieder zurück zu BCG und habe diverse Male Pricing Tools geholfen mit auszuwählen, mit dem Kunden gemeinsam Custom zu entwickeln und habe in der Zeit Quick Lizard kennengelernt. Jetzt schließt sich sozusagen der Kreis und festgestellt, eigentlich ist das doch eigentlich genau, was ich machen möchte. Und anstatt jedes Mal das Rad neu zu erfinden, gibt's dort bereits ein Rad, dass man noch besser machen kann. Und entsprechend bin ich jetzt seit Anfang des Jahres in der Rolle üsverantwortlich bei Quick Lizard und baue Pricing Tools. Also, wir hatten ja schon mal ein Vorgespräch und ich erstelle gerade unglaublich viele Parallelen in der Vita fest, die ich beim ersten Mal nicht festgestellt habe.
Also Wirtschaft in Informatik, dann ins Pricing, in die Beratung gekommen, dann operativ gearbeitet, wieder in die Beratung zurück. Also ich glaube, ich kenne meinen nächsten Job. Irgendwo wollte ich dann in in der Pricing Software landen, aber nein, bei High gefällt es mir noch ganz gut. Ein bisschen was haben wir ja noch vor. Du weißt ja, wie es so ist, wenn man etwas anteasert, dann muss man jetzt auch liefern. Also jetzt warten wir auf den Fun Fact aus der Disser. Genau. Also, ich habe auch wieder versucht, die Kombination hinzukriegen, Analytik und Psychologie und entsprechend dann bin ich auf das Thema Flatbredoßen, das mich gefesselt hat und habe dann auch entsprechend die Forschung dort gewählt. Und Flatrad Bias besagt im Endeffekt, dass es entgegen der Ökonomie ist, Konsumenten wählen eine Flatrate, obwohl sie mit Payper Tarifen Geld gespart hätten.
Und da gibt es diverse Erklärungen aus der Verhaltenswissenschaft. äh im Endeffekt Effekte wie den Insurance Effekt, der Verbraucher möchte sich gegen einen zu hohen Kostenfaktor absichern, der aus der überintensiven Nutzung entstehen kann, oder den sogenannten wo der Konsument sagt, er sei zu faul, er möchte auch nicht die Kosten im Hinterkopf behalten, wenn er jeden Moment telefonieren würde. Das sind sozusagen die verschiedenen Gründe, warum es dazu kommt. Und am Ende des Tages ist der Flatrad B eine tolle Sache, weil er eine Win-Win-Situation schafft.
Der Kunde freut sich aufgrund dieser Effekte, dass er sorglos konsumieren kann und die der Anbieter freut sich, da ja statistisch gesehen teilweise 60 bis 80% der Flatrad Kunden mit Paypius Geld gespart hätten und somit der Anbieter quasi mehr Geld verdient, als er eigentlich verdienen dürfte. soweit die Theorie und die Forschung dazu. Und dann habe ich seiner Zeit spannenderweise beobachtet, wie O2 den O2O Tarif gelauncht hatte und über die Zeit betrieben und dann aber auch wieder vom Markt genommen hat. Und meine Vermutung ist, der war einfach zu gut, um wahr zu sein.
Ähm O2O war in seiner Zeit ein Payper Tarif bis zu einem gewissen Cap-Wert und sie nannten das damals Kosten Airback und ab diesem Wert war es eine Flatrate und somit haben sie quasi genau den Teil der Zahlungskurve abgeschnitten, an dem eigentlich sie Geld verdient hätten, nämlich diesen Payper Bereich unten, wo der Kunde zu wenig nutzt, aber mit der Flatrate zu viel zahlt und sie dem Kunden quasi die Kosten für die Unbenutzung erlassen haben und ihm dann Kosten Airbag und damit die Flatrad für die Übernutzung gegeben haben. Also aus Unternehmenssicht sozusächlich das Worst of Both Worlds, aus Konsumentensicht das Best of Both Worlds. Okay, aber warum nennt man den Cap den Airbag? Weil das eigentlich aufbläht und viel mehr wird. Aber wahrscheinlich irgendwann ist der Airwack voll und dann ist das Ende erreicht.
Vielleicht ist sozusagen das Payper die Inflation in den Flugverkehr hinein und dann ist die maximale Ballungsmoment die Flat Rate. Aber gute Frage. Es klingt wahrscheinlich sowohl aus Pricing- als auch aus Kommunikationssicht superoptimal. Ich habe selbst ein paar Telefonverträge abgeschlossen. Ich habe früher schon ewig bei Skype, wo man dann so Voiceover IP Pakete gekauft hat und wir mit Erstaunen festgestellt haben, dass irgendwie 50% der Pakete nicht genutzt wurden, teilweise sogar mehr in den großen Paketen. Also äh ja, die Leute haben gerne die Pakete gekauft, wo sie mit Pay Go deutlich besser gefahren werden konnten. Also das kann ich bestätigen. Ich glaube, in der heutigen Zeit kennen die meisten Menschen gar keine Payper Tarife mehr. Heute ist ja alles flat. Ach ja, die kommen wieder.
Auch in KI jetzt, wo man die ganzen Credits kaufen muss, eher noch ein B2B-Thema, aber es kann auch wieder B2C werden. Da kommt das Thema deutlich zurück. Also, das hat ja so von e ich kaufe Software hin zu ich miete Software und jetzt hast du immer mehr Payeruse-Anwendungen wieder gerade aufgrund der großen Datenverwendung und das ist natürlich schon ganz spannend, weil tatsächlich solche Modelle aus meiner Sicht auch wiederkommen. Ich weiß nicht, wie es bei euch bei Quick Lizard ist. Wir können ja später noch über das Preismodell sprechen, äh aber da werden sicherlich, das wird sicherlich auch abhängig von einer gewissen Metriken und einer gewissen Größenordnung sein. Aber fangen wir mal vorne an. Erzähl doch mal vielleicht ähm, was Quick Lizard macht und ja, woher die Firma kommt, so historisch. Ja, tatsächlich hat sich in der Geschichte von Quick Lizard einiges getan.
ähm gegründet wurde das Unternehmen vor über 10 Jahren und seiner Zeit als Price Crawler, also Wettbewerbspreise im Internet abgrasen. Ähm das Team hat aber dann recht schnell festgestellt, dass Price Crawling immer mehr und mehr Commodity ist und der echte Mehrwert in dem liegt, was man mit den gecrollten Preisen denn machen kann, also die eigenen Preise ändern entsprechend und entsprechend wurde dann das Crawling komplett eingestellt und so gesehen kam es eigentlich zu einer zweiten Geburt von Quick Lizard in 2018.
Seitdem ist die Software nämlich ausschließlich auf Pricing und KI ausgerichtet und nutzt quasi Crawling-Daten, die entweder die Kunden selbst bereits haben und einbringen, weil sie selbst crawlen oder weil sie bereits einen Dienstleister haben, oder was wir in den vielen anderen Fällen tun, das heißt, wir treten sozusagen als eine End-to-End-Lösung auf und verbinden dann im Hintergrund Calling-Dienste, um die Daten auch unseren Kunden zur Verfügung zu stellen. Natürlich hat dies den Vorteil, dass wir weltweit jeweils die Spezialisten für jede Kategorie kennen und auch diese verbinden können, und damit also quasi auch den bestmöglichen Service Level bieten können. Aber dann konzentrieren wir uns wirklich ausschließlich auf das Thema Preisoptimierung und Automatisierung und das ist branchenüblich für Händler, Hersteller oder andere Branchen? Genau. Alles.
Wir machen sehr viel für Händler gerade in dem Kontext eben von äh Multiry Pricing Direct to Consumer ähm aber natürlich ganz klar Händler online offline Multiannel. Ähm das ist eiglich der Fokus. Wir haben tatsächlich wir tun auch Airlines und Hotels in unserer Plattform. Das war ursprünglich gar nicht der Plan. Ähm aber wir haben festgestellt, das passt eigentlich ziemlich gut. Ähm, anstatt der Produkte im Regal sind es im Endeffekt dann einfach die Routen oder die Übernachtungen an den entsprechenden Kalendertagen und nachdem unsere Software ähm Attributbasiert funktioniert, das Wort kommt vielleicht heute noch mal ein paar mal vor.
Das heißt, alle möglichen Attribute, die ein Produkt oder eben eine Route beschreiben, werden in der Software genutzt und angezeigt und können in den Algorithmen verwendet werden, lässt sich das eben wunderbar auf das ganze Thema Yield Management auch anwenden. Das heißt, Load Factor, Time to Flight sozusagen, das sind alles Attribute, die dann der Algorithmus wiederum verwertet, um entsprechend die Preise zu optimieren.
Okay, das heißt, Crawling ist so ein bisschen der Nukleus und wird wahrscheinlich immer noch verwandt, aber der Kern der Lösung ist dann die Preisoptimierung und die kann wahrscheinlich bei den Airlines noch ein bisschen dynamischer sein, weil sich ja quasi jeden Tag die die Auslastungssituation und die Time to Flight verändert und ich nehme mal an, bei den Markenherstellern oder Händlern ist es vielleicht nicht ganz so so häufig oder wie häufig wird da schon so ein so eine Preisoptimierung Das kommt dann eben ganz auf die Kategorie an.
auch hier äh ich meine sozusagen die Inspiration kam ja von der Airlinebranche, das ganze Thema Dynamic Pricing und es dann in den Handel erst später rüber geschwappt und die ersten Händler, die damit angefangen haben, war aus der Not heraus der ganze ähm Consum Electronics Bereich und entsprechend sind das auch die Kunden, mit denen wir am dynamischsten bepreisen, teilweise wirklich minütlich die Preise adjustieren für die KVI. Ähm und dann gibt's jetzt aber auch immer die, sagen wir die spätstartenden Branchen. Äh tatsächlich Fashion und Grocery kam eher später ins Spiel rein, aber so haben wir auch entsprechend eben unser Portfolio an Kunden aufgebaut. Also wir haben Händler von John Lewis in UK bis Sephora, die machen ja Perf und und eher so in dem Beauty Fashion Bereich.
Aber wir haben auch große Marken wie IKEA, Samsung oder WLPOL im Bereich Direct to Consumer Pricing in verschiedenen Ländern sind wir aktiv mit ihnen zusammen. Spezifisch im deutschsprachigen Raum arbeiten wir mit Talia oder Intersport zusammen, diversen anderen Spielern, die nicht namentlich genannt werden wollen. In der Tat ist das auch ein bisschen das Geschäftsgeheimnis der Händler, aber letztendlich machen sie alles von Hundefutter bis Campingbedarf. Aber auch dann sind es alle Firmen, die nicht irgendwie 3 Millionen Jahresumsatz haben, sondern schon eine gewisse Größe, eine gewisse Komplexität haben. Länder, Marktplätze, Kanäle sind wahrscheinlich alles Omnichannel. Viele der genannten Unternehmen sind glaube ich sowohl online als auch offline vertreten. Also das ist wahrscheinlich der Sweet Spot, über den wir bei euch sprechen. Genau.
Wir haben also reine Online- und reine Offline-Vertriebskanäle, aber der Großteil ist Multichannel, sagen wir mal ab 50 bis 100 Millionen Euro Jahresumsatz geht's in der Regel los, dass es wirklich Sinn macht, eine komplexe Lösung auch einzubauen. Wir haben auch Kunden, die in die Milliarden-Umsatzsgrenze gehen. Ehm, also da sind wir gerade gerade was das Enterprise-Bereitstellungs-Angebot angeht, sind wir ziemlich gut. Könntest du ja, wir sind ja unter uns, ne? Ich habe ja kurz pausiert die Aufnahme. Wer macht aus deiner Sicht so im Handel das Pricing richtig gut? Also weiß nicht, gute Regeln, schön differenziert, einheitlich über alle Kanäle, überall wo Pricer Herz irgendwie lacht. Wer fällt dir da als Benchmark ein? Ich möchte jetzt keinen Namen nennen. Wir haben in den Nordics eine starke Konsum Electronics-Kette, die online und offline tätig ist.
Und das sind eigentlich unsere Lieblingskunden aus zwei Gründen. Die nutzen alle Funktionen der Software und sind aber auch die, die immer mit neuen Ideen für weitere Funktionen kommen. Ähm, das heißt, die sind für uns auch noch Innovationsmotor und zugleich äh Parade Beispiel dessen, was man eben aus Pricing rausholen kann. Ähm, das sind mir natürlich die liebsten Kunden, weil dann macht es auch richtig Okay. Und jetzt erzähl vielleicht noch mal so ein bisschen, es gibt ja viele da draußen. Wir hatten ja auch schon mal über Seven Learnings hier gesprochen, die vielleicht in einem ähnlichen Segment sind, Comera und Co. Ähm, was sind so eure USPS, mit denen ihr an den Markt geht? Genau, also wir reden immer von unseren vier äh USPs, die wir haben. Ähm, ich fange mit den äh mit dem ersten Mal an. Ähm, das ganze Thema AI, da ist unsere Philosophie, wir bieten das Beste aus beiden Welten.
Das heißt, wir haben sowohl regelbasiertes Pricing als auch künstliche Intelligenz. Und unserer Erfahrung nach ist es eben am wichtigsten eben die beiden im Zusammenspiel auch ähm zu aktivieren. Regelbasiert ist einfach aus dem Grund wichtig, es gibt Herstellervorgaben, die berücksichtigt werden müssen, unternehmensstrategische Anforderungen, wie ich die verschiedenen Kategorien bepreisen möchte, welche Rahmenbedingungen, welche Korridore eingehalten werden müssen. Und innerhalb dieser Rahmenbedingung dann wiederum ist KI natürlich die Möglichkeit ähm das sogar den den Category Manager oder Pricing Manager zu hinterfragen und zu challengen und einfach die Daten sprechen zu lassen und aufgrund der Optimierung andere und bessere Preise herauszufinden.
Und das ist wirklich genau die Kombination, die die wir als klaren Webwerbsvorteil sehen, ähm dass wir eben beides anbieten und die Kunden ähm sehr transparent in diesem äh in diesem Umfeld mit diesen beiden Hebeln auch agieren können. Ähm und das ist ein einer unserer wichtigsten Punkte, die wir immer in den in den Features betonen oder auch in der Implementierung dann Darf ich mal Fragen zwischendurch, du erzählst gleich wahrscheinlich noch die anderen drei USPS, aber so hast du ein Gefühl, wie viel der deutschen Händler, also gerade so Großunternehmen, von denen du auch gesprochen hast, tatsächlich schon so richtig KI basiertes Pricing haben oder oder vielleicht auch andersrum gefragt, wie viel noch ein rein regelbasiertes Pricing haben? Ich würde starke Hypothese, dass die Mehrheit noch regelbasiert arbeitet.
Übrigens, wenn ich mich generell die sogenannte Pricing Maturity von Händlern anschaue, sind die meisten noch auf dem Niveau von Excel äh, womit natürlich selbstverständlich wenig KI eingesetzt werden sollte. Ähm, das ist natürlich immer so ein bisschen ein Schlagwort – was ist jetzt KI, was ist jetzt Machine Learning, was ist einfach nur Advanced Analytics? Aber die Mehrheit der Händler, die wir natürlich sowieso als Kunden sehen, starten natürlich von der niedrigeren Baseline. Ähm, die Kunden, die dann wiederum mit uns zusammenarbeiten, haben eigentlich alle eine Mischung aus diesen beiden Konzepten im Einsatz. Manche sind auf 8020-Basis, also 80% basierend auf Regeln, 20% KI, manche sind schon bei 5050.
Wir wir sehen Pricing immer als eine Journey und entsprechend ist es auch wichtig, dass man gemeinsam diese Journey dann beschreitet und eben sukzessive eben die KI einsetzt und nutzt, um eben die Preise besser zu optimieren. Okay, also wahrscheinlich noch kleine Anzahl vor allen die großen Companies und die halt mit Software wie mit euch arbeiten, aber ähm wahrscheinlich beginnt es mit regelbasiert und dann wird immer mehr Intelligenz reingepackt. An der Stelle vielleicht auch noch mal eine kleine ein kleiner Ausflug. Ich bin immer auf diversen Preis Konferenzen und Round Tables unterwegs und vor 4 F Jahren war großer Artikel, ich weiß nicht, war es der Stern oder der Spiegel, wo Screenshots gezeigt wurden, wie dynamisch die Airlines ihr Pricing betreiben. Ähm und sogar unterschiedlich je Device, jeder je Betriebssystem, wie oft derselbe Flug gesucht wird, ändert sich der Preis.
Und ich habe damals mit den den der der Firma gesprochen, die die Software macht, die diesen spezifischen Airlin Preis berechnet hat und die sagten, das ist spannend, wir würden das gerne können, aber wir können das tatsächlich heute noch nicht. Und oftmals ist dann einfach der Zufall dazu gekommen, dass gerade eine Buchungsklasse frei geworden ist und sich deswegen der Preis auf dem anderen Device geändert hat. Deswegen hast ja so oft alle reden über AI, aber noch nicht so viele setzen sie wirklich ein und dann wann ist denn AI wirklich AI? Von daher genau, da muss man auch realistisch bleiben. Ähm, aber wir sagen eben, es muss eine Journey sein und ich nehme die Kunden mit und AI ist natürlich eins der ganz zentralen äh Hebel hier an der Stelle. Aber das vielleicht der der Exkurs ist auch noch mal spannend.
Wir haben ja schon ein bisschen mit diesem Mythos gespielt, also mit verschiedenen Geräten, mobile Geräte gegen Desktop und Android gegen iOS und so weiter. Könntest du uns erklären, warum das nicht funktioniert? Denn natürlich könnte man die Daten nutzen, die man hat, wenn man weiß: Hey, hier ist Fabian, promovierter BWLer, führender Mitarbeiter, arbeitet in einem guten Unternehmen, dem wir jetzt mal einen Preis aufschlagen, auch für seine Fluggesellschaft. Er schaut jetzt zum dritten Mal auf die Anzeige. Hmm, warum funktioniert das vielleicht noch nicht? Nun, im Bereich der Fluggesellschaften war es in seiner Zeit so, dass die Fluggesellschaften alle noch mit den Buchungsklassen der entsprechenden 26 Buchstaben arbeiteten. Das heißt, ich habe nur 26 Preise, die ich anbieten kann.
Und dabei fallen manchmal schon zehn für irgendwelche internen Preiscodes weg und dann bleiben am Ende vielleicht noch netto irgendwie 16 Preise üben, die ich nutzen kann. Und das allein war sozusagen eine Verhinderung, dass quasi die IT-Infrastruktur über dieses, ich glaube es Amadeus Booking System, wenn ich mich nicht täusche, im Hintergrund nicht in der Lage gewesen ist, seiner Zeit das zu ermöglichen. Das ist ein wirklich großes Problem. Es klingt wie das Jahr 2000. Das ist ja völlig absurd. Aber jetzt ist es auch schon 5 Jahre her. Die Diskussion, die ich damals geführt habe und der Artikel, das hat sich in einigen Bereichen aufgelöst. Ich glaube, die Buchstaben werden immer noch verwendet, aber natürlich, wenn die Airline die Buchung selbst auf ihrer Homepage macht, können sie das Problem jetzt umgehen.
Das ist nur dann der Fall, wenn das über diese zentralen Buchungsplattformen abläuft; bei eigenem Direktvertrieb ist die Beschränkung mit den 26 Buchstaben deutlich geringer. Wenn Sie selbst direkt an den Verbraucher verkaufen, äh ist es natürlich schon deutlich flexibler. Aber auch im Handel gibt es natürlich Einschränkungen. Sie können das äh sehen Sie dies bei der Thema Preispersonalisierung nach Device. Sie können es aber auch beim Thema „Kann ich parallel und live mehrere Preise testen?“ sehen. Am Ende können Sie vieles auf der Homepage ändern und manipulieren, aber am Ende muss es irgendwo in der EP-Systeme abgerechnet werden. Und das ist oft noch die der Bottleneck, dass die Webseiten nicht in der Lage sind, da viel dynamischer und personalisierter zu arbeiten, aber wenn es am Ende in die Rechnungsstellung geht, wird selbst der Preis berechnet.
Wir haben auch tatsächlich schon ein Kunden gehabt, der damit experimentiert und gesagt hat, okay, dann zahlen einfach im alle am Ende alle weniger, aber wir haben zumindestens mal für die Testphase, um sozusagen zu lernen, ähm festgestellt, dass auch manche Kunden bereit sind zu einem höheren bereits zu kaufen. Das heiß, die Elastizität konnte aus so einem AB-Test gemessen und geschätzt werden, aber am Ende sind alle Kunden in den Genuss des günstigeren Preises gekommen. Also, da gibt's nach wie vor Legacy Themen einfach, was die IT Infrastruktur angeht. Das ist ein weniger unser Problem als Softwareanbieter. Wir sind da, wir arbeiten ja Multiannel, wo wir auch dann auch gleich beim zweiten USP sind und für uns ist im Endeffekt jedes Device oder jeder Loyalty Kanal einfach einen Kanal in der Software, den wir separat bespielen können.
Die Frage ist eigentlich nur, kann der entsprechende Handelsfachmann dann auch separat berechnen und bewerten gegenüber dem Kunden, der die Rechnungslegung übernimmt? Ah, okay. Weil ich hatte eben auch die Idee, weil Sie ja quasi Omnle by Nature meinten. Ähm, ich glaube jetzt, wenn ich mit Marktplätzen arbeite, ob es Amazon oder Idealo oder so etwas ist, dann schiebe ich den CSV Feed meistens nur einmal am Tag hoch. Ähm, aber das heißt, wenn ihr minutengerecht bewertet, dann ist das in der Praxis wahrscheinlich eher der eigene Kanal und dann gibt es bei Marktplätzen und Drittvertrieb ein paar Einschränkungen, um das dann entsprechend anzupassen. Genau. Also heißt Omn bei Nature für uns im Endeffekt oder für uns ist eigentlich alles ein Kanal, der einen anderen Preis erhalten soll, üblicherweise online oder offline in verschiedenen Ländern.
Das heißt, wenn ich in 10 Ländern aktiv bin, mit zwei Kanälen, hätte ich schon äh 20 Kanäle, die ich bepreise. Manchmal aber auch bin ich im selben Land äh mit unterschiedlichen Bannern als Retailer aktiv. Ich habe vielleicht einen Discountkanal und ich habe ein Premiumkanal und da sind wir halt in der Lage, das Pricing für jeden Kanal entweder eigenständig ähm zu definieren oder in Abhängigkeit eines anderen Kanals. Das heißt, Kanal A wird zuerst bepreist und dann bekommt Kanal B einen Preis äh als Derivat von Kanal A oder auch eine Mischung aus beiden, dass ich sag, beide Kanäle werden unabhängig bepreist, aber am Ende gibt's noch mal einen Harmonisierungskorridor, dass die Preise nicht zu stark abweichen. Das ist letztendlich eins der der Features, dass wir haben, sowohl im UI als auch eben in der in der Regelsetzung, wie wir sehr effizient mehrere Kanäle beisen bespielen können.
Und das ist auch aus der sag mal Preis Fairness Perspektive in in meinen Augen eigentlich der beste Kompromiss und der beste Weg, wie ich Preisdifferenzierung nutzen kann als Händler, um eben meine Umsätze, Absätze, Margen zu optimieren, ohne aber ein preis fernes Problem zu bekommen, weil sobald ich in die Personalisierung gehe, muss man schon sehr gut überlegen, welche Faktoren ich da nutzen möchte, dass nicht irgendwo dann doch einmal ein Zeitungsartikel auftaucht und ich dann gebrannt werde als jemand, der gewisse Kundengruppen diskriminiert. Deswegen finde ich persönlich das Thema Kanal eigentlich den idealen Kompromiss zwischen Differenzierung und auf der anderen Seite eben Preisfairness. Und auch da eben habe ich dich um eine Schätzantwort gebeten. Das versuche ich noch mal. Wie viel der der großen Händler machen so eine kanalbasierte Preisdifferenzierung?
Auch Beispiel Direct ist teurer als Google Shopping oder Idealo, um nur ein Beispiel zu nennen. Vielleicht gibt es aber auch andere. Ich schätze, ein Viertel würde vielleicht schätzen, die würden sich differenziert über die verschiedenen Onlinekanäle ausspielen oder sogar fast weniger. Also kommt es stark auf die Branche an. In der Pharmabranche ist das fast unmöglich, ohne diese Differenzierung zu leben und zu arbeiten. Also, wenn ich da nicht einen besseren Preis auf der Vergleichsseite habe, bekomme ich keinen Traffic mehr. Also Doc Morris Shop Apotheker und solche Anbieter, solche Geschichten. Genau. In anderen Kategorien ist es deutlich weniger üblich. Also korreliert es wahrscheinlich einfach stark mit der Wettbewerbsintensität der entsprechenden Kategorie.
Ich habe das Gefühl, dass diese Preisdifferenzierung nach Kanälen wieder abnimmt, einfach weil sie ohnehin schon so hochdynamisch ist. Ähm, pharmazeutische Produkte sind tatsächlich eine der Kategorien, in der ich sie am stärksten sehe. Okay. Ja, spannend. Ähm, bei zwei von vier. Langer Pitch. Mal sehen. Ähm, ich bringe dich regelmäßig aus dem Konzept. Mal sehen, ob du wieder reinkommst. Was sind die anderen beiden äh Quick Lizard von USPS? Genau. Wir kommen zum dritten Punkt und äh das Zeug ja, es ist ja kein Pitch, sondern es ist eine tiefgreifende inhaltliche Diskussion. Daher finde ich es klasse, dass wir auch hier gleich die Diskussion wieder aufgreifen. Ähm als Drittes sind wir sehr stolz darauf, eine offene Plattform zu sein. Und was meinen wir mit einer offenen Plattform?
wie genau wie die beiden Worte im Endeffekt sagen, offen zum einen, dass wir uns nicht als Blackbox verstehen, die auf magischer Weise den perfekten Preisberechneten ausspuckt und am Ende versteht ihn keiner mehr. Bei uns hat jede Preisempfehlung einen Entscheidungsbaum, der zurückverfolgt werden kann, an dem ich auch verstehen kann, warum der Preis wie folg gesetzt worden ist. Und das ist natürlich super wichtig für die Akzeptanz der Preisvorschläge seitens der P&L verantwortlichen. Also als Category Manager muss ich ja gegenüber dem Hersteller, aber vor allem gegenüber meiner Firma in der Lage sein zu erklären, warum ein Preis wie folgt ist. Ähm und das ist auch super wichtig. Es heißt jetzt nicht, dass die Preise deswegen ähm primitiv berechnet werden müssen. Das heißt vor allem, dass halt der die Rechenlogik nachvollziehbar sein muss.
Das natürlich mit der in Verbindung mit KI nicht mehr ganz so trivial, aber da haben wir einen ganz guten Kompromiss gefunden, wie eben dann sozusagen der KI Preis innerhalb dieses Korridors ähm entsprechend entlang des Entscheidungsbaums dargestellt wird. Ja, gut. Kannst du da mal ein Beispiel geben, weil das würde mich auch wieder interessieren. Wir können ja mal ein Elektronikprodukt nehmen, da hast du wahrscheinlich Kosten. Du hast wahrscheinlich irgendeine Conversion Rate im Handel, du hast wahrscheinlich irgendwelche Herstellervorgaben und dann hast du natürlich sehr viel Traffic, der dir irgendwie hilft, den richtigen Preis zu finden. Kannst du vielleicht da mal so ein Beispiel machen, wie dann das wirklich dargestellt wird, warum ein gewisser Preis genannt wird?
Jetzt hoffe ich, dass ich keine Inkonsistenz äh in meine kurzen Beispiel darlege, nehmen wir mal an, ich starte bei dem Preis A und dann würden jetzt die einzelnen Einflugsfaktoren den Korridor sozusagen aufspannen. Also ich sag, ich möchte, ich muss niedriger als die UVP sein, ich muss höher als meine minimale Marge sein und dann schaue ich mir den Wettbewerb an. Ich möchte zwischen Rang 1 und Rang 3 agieren, weil es ein KVI ist und entsprechend die Preis Image Wirkung sehr wichtig ist. Aber innerhalb dieses Korridors, der sich dann ergibt aus diesen Rahmenbedingungen, dann optimiere ich jetzt in dem Fall wahrscheinlich auf äh Umsatz. Ich habe ja von dem KWI gesprochen und nehmen den Preis, der mir die maximale ähm den maximalen Umsatz liefert. Und das werden jetzt auch im Endeffekt die Blöcke, die dann in unserem Entscheidungsbaum auftauchen würde.
Und am Ende kann natürlich immer noch eine Entscheidung vom Category Manager kommen, dass der Preis noch mal gerundet werden soll oder eben nicht gerundet werden soll, was bei dem KWI vermutlich eher der Fall ist. Und das, wenn man die einzelnen Schritte betrachtet, bei denen dann heißt, der Preis wäre so, aber dann hat diese Regel gegriffen und er wurde korrigiert. Dann hat die nächste Regel gegriffen und wurde korrigiert und dann kam der Korridor heraus und innerhalb des Korridors konnten wir die Elastizität nutzen und haben nun Umsatz optimiert. Und die Elastizität ist Teil der KI, oder? Weil das klingt viel nach Regeln, was Sie gerade beschreiben. Ja, genau. Das kommt nun eben darauf an, welche Logik es da gibt.
In diesem Fall wäre das Teil der KI, denn dann hat die Schätzung der Elastizität zumindest in dem Modell berücksichtigt, wie sich Wettbewerbspreise auf die eigenen Absätze und eigene Preisänderung auf die eigenen Absätze ausgewirkt haben. Hm, genau das wäre jetzt ein Beispiel dafür. Also ganz wichtig, höre ich da aber trotzdem raus, die Regelaufstellung vorne ist schon wichtig. Also muss da schon mal ein Preisstratege ran, der das einmal vernünftig aufsetzt, das Regelwerk oder ist das Teil eines solchen Onboarding-Prozesses bei euch? Ich glaube, du nimmst mir die Worte aus dem Mund. Hm, tatsächlich helfen wir natürlich, unterstützen wir da und haben auch eine Menge Erfahrungswerte.
Ähm, es ist aber nicht nur ein Teil, ein Schritt wichtiger Schritt sozusagen, um den Preis zu bestimmen, es ist auch ein wichtiger Schritt der ganzen des ganzen Change Management Managements. Ich muss ja auch die ganzen Leute mitnehmen und die müssen verstehen, was passiert. Ähm, das heißt, allein die Übung, um gemeinsam zu besprechen, welche Faktoren sind wichtig, worauf kommt es an, welche Parameter müssen berücksichtigt werden, die sind einerseits wichtig, um den mathematisch Preis ein Preis zu errechen, der quasi in dem in dem realistischen Korridor stattfindet.
Aber zum anderen auch wichtig, dass äh die die Mitarbeiter der Firma gehört werden und äh ihr Input aufgegriffen wird und dass sie dann am Ende auch das Gefühl haben, Codeveloper der der Pricing Algorithmik zu sein, was wiederum am am Ende dann die Akzeptanz massiv steigert und das ist uns einfach auch super wichtig, dass eben die verstanden werden und die auch akzeptiert werden. Wir haben zu oft Implementierungen ist auch meiner Vergangenheit bei in der Beratung oft Implementierungen gesehen, da ist vielleicht der perfekte Algorithmus angewandt worden. Es kam super Preise raus, aber über die Zeit wurden immer mehr und mehr Vorschläge durch die Mitarbeiter interveniert und äh zurückgewiesen und Automatisierungen umgangen und ausgesetzt und das funktioniert halt am Ende nicht.
Dann kommt dann der suboptimale Impact raus versus wenn ich sukzessiv starte, die Intelligenz zu erhöhen über die Zeit und die Mitarbeiter mitnehme, habe ich genau den gegenteiligen Effekt. Dann steigt quasi die Akzeptanz über die Zeit und sinkt nicht über die Akzeptanz. Okay, das heißt, mein gut ist jetzt eine Loaded question, die wirst du sicherlich bejahen, aber ich glaube bei so einer Pricing Software hast du immer ein bisschen die Gefahr, die die Anwender zu verlieren, indem sie vielleicht äh von Strategen nur noch Knöpfedrücker werden. Ähm und ganz wichtig ist, glaube ich, hier die Transparenz, die du zeigst, dass dann wirklich auch nachgeschärft werden kann über Personen und vielleicht weiß nicht auch Empfehlung gegeben werden, um dieses Regelwerk mal zu überarbeiten.
Das heißt, der Pricing Manager sieht auch, was da passiert und kann auch dementsprechend aktiv sozusagen mitwirken an der an der Genau. Ich glaube, da ist auch sehr wichtig innerhalb des Händlers dann, dass man es organisatorisch sauber aufsetzt. Also was die Software natürlich unterstützt, dass ich unterschiedliche Regeln habe äh ja, sag mal, wie sagt man Nutzer Nutzerrollen habe. Rollen war das Wort, was ich gesucht habe. Das heißt, es gibt Leute beim Händler, die sind dafür verantwortlich, das Regelwerk zu orchestrieren, nicht dass irgendwo Wildwuchs entsteht, nie da seine eigenen Ideen einbringt und alles manipuliert und ändert.
Und dann gibt es den anderen Teil, die anderen Rollen, die Kategorie Manager üblicherweise sind, die nach dem ersten Onboarding, wo sie noch Teil der Lösungsentwicklung sind, aber dann vor allem Konsumenten der Lösung sind, die aber dann eben durch die Transparenz wiederum nachvollziehen und verstehen, warum der Preis wie folgt vorgeschlagen wurde und die auch die Beruhigung erfahren haben und wissen, dass die Logik nicht irgendwo von oben herab kam, sondern dass sie eben gemeinsam mit dem eigenen Team entwickelt und das Gütesiegel erhalten hat. Und das hilft ihm ganz stark bei der Akzeptanz und dem Vertrauen. Okay. Und äh ja vier USPs versprochen. Äh, eins fehlt, glaube ich, eins fehlt noch und ich bin vor allem noch bei der offenen Plattform nicht an das zweite Subteil gekommen.
Im offen haben wir gerade gesprochen und Plattform ist der zweite Punkt, der uns sehr wichtig ist. Wir haben festgestellt, ähm, dass wir mit unseren Offshelf Regeln 80 bis 90% aller Uscases schon abdecken können und die fehlenden entwickeln wir natürlich laufend weiter und verbessern die Software. Nichtsdestotrotz gibt's hier und da immer wieder so spezifische Anforderungen, die der Kunde eingebaut haben möchte, dass wir gesagt haben, wir sollten den Kunden auch die Möglichkeit geben, das zu tun. Also, warum sollen wir quasi sagen, wir sind hier ein ein hardcoded System und du kannst das Friss oder Stirb nutzen, sondern neben der Konfiguration des Regelwerks und neben der Aktivierung der AI Modulen an bestimmten Faden im Regelwerk haben wir immer noch die Möglichkeit sogenannte Custom Functions zu aktivieren.
Das heißt, der Kunde kann selber in dem Python Interface seinen eigenen Code schreiben. Es können ganz banale Dinge sein, wie irgendwie eine besondere Rundung oder das Übersetzen von Preisen, von Europisen in Buchstaben, weil ich die vielleicht für Booking Class oder sonst was nutzen möchte. Kann aber auch sein, dass der Kunde sein eigenes Data Science Team hat und hier ein ganz spezifisches Skript laufen lassen möchte, die dass die Preise und die Replenishment Algorithmen synchronisiert. Und das ist bei uns total einfach möglich. Da muss ich bin ich nicht gefangen in irgendeiner geschlossenen Plattform, sondern ich kann eigent kann selber programmieren im Python und kann dieses Script dann integrieren in die Software. Das schaut später für die Nutzer genauso aus wie der of the shelf functionality.
Also, ich merke dann als Category Manager gar nicht mehr, dass an dieser Stelle der Rhythmus einen eigenen Code von unserer eigenen Firma ausübt und nicht den Standard Quick Lizard Code. Und das ist auch eine Sache, auf die wir sehr stolz sind, weil wir damit wirklich in der Lage sind, 100% der US Cases abzudecken und vor allem den Kunden nicht fangen. Der ist bei uns nicht eingeloggt in das System und sozusagen für immer verhaftet, sondern ich ich verstehe manchmal eigentlich Quick Lizzard eher wie Excel. Es ist eine Tabellenkalkulation für Pricing, nur dass wir nicht Tabellenkalkulation sind, sondern ein eine Pricing Software, aber ich habe eben gewisse Formeln, die ich nutzen kann, wie in Excel. Und wenn ich an irgendeinem Punkt an die Grenzen stoße, kann ich ein VBA Script laufen lassen, was bei uns eben dann der Python Code ist. Von daher ist das ähm Open End, was ich machen kann.
Ach, wenn das alles zu kompliziert für mich ist, muss ich natürlich nicht damit arbeiten. Natürlich haben wir auch noch Solution Architects, die helfen, und Techops, die helfen, diese Funktionen zu implementieren. Aber wir haben auch viele Kunden, gerade in den nordischen Ländern, die selbst programmiertechnisch experimentieren und dann ihre eigenen Funktionen erstellen. Und das finde ich natürlich super, weil es einfach ein lebendiges System ist, das ständig verbessert wird und immer spezifischer auf die Kundenbedürfnisse zugeschnitten wird. Und diese Kunden werden wahrscheinlich dann für Stundenstunden bezahlt, wenn sie ihre Lösung weiterentwickeln. Nein, wenn sie uns genau das geben. Was wir tatsächlich auch tatsächlich in einer Sandbox-Umgebung haben. Wir haben auch eine NLP-Schnittstelle in der Software, sodass ich Fragen an unseren Pricinguru stellen kann und er dann auf diese Fragen antwortet.
Und auch hier ist das natürlich alles ein geschlossenes System. Das heißt, auch die Elastizitäten und alle unseren Modelle werden nicht äh kundenübergreifend trainiert. Das heißt, jedes jeder Algorithmus wird nur mit den Daten des jeweiligen Kunden trainiert. Ähm einfach um da sicherzustellen, dass da sozusagen die Chinese Walls stabil bleiben. Okay, aber gecrawlette Daten, können die in irgendeiner Form weiter verwendet werden? Also, wenn jetzt drei verschiedene Händler, keine Ahnung, Amazon crawlen werden. Okay, schüttelst den Kopf, wenn wir hier ein Podcast Vide sind immer kundenspezifisch und am Ende des Tages hat jeder Kunde seine eigenen Daten. Ähm, wir da wir ja selber nicht crawen, sondern sie auch nur von dem Dienstleister anbieten oder anbinden. Wahrscheinlich crawt der Dienstleister nur einmal, aber hat sozusagen zwei Data Feeds für jeden Kunden individuell.
Auch manche Kunden nutzen die Datafeeds dann anders und splitten sie noch mal in Marktplatz versus proprietärer Preis. Äh deshalb ist das alles individuell und Ach so nee, eins fehlt ja noch die vi die vier machen wir noch voll, aber ich habe eine Frage, die ich mir jetzt mal merken möchte. Okay, den vierten Punkt geht doch ganz schnell. Ähm, so schnell wie der Punkt nämlich ist, schnelle Implementierung 12 bis 16 Wochen, dann sind wir live und das war auch der vierte USP genauso schnell wie aber ab wann 12 bis 16, weil ich ja durchaus äh äh große Daten äh Aufbereitungsprojekte kenne, die Monate oder Jahre dauern können. Ähm also ab wann zählt die Uhr? Die zählt ab Projektstart, aber vorausgesetzt, dass irgendwelche Daten vorhanden sind.
Außerdem, wenn ich zumindest mal die Preise und Kosten bekomme, dann kann ich ja schon mal die Software füllen und befüttern. Ist dann sozusagen mit diesen zwei Datenpunkten bereits der perfekte Algorithmus implementiert? Sicherlich nicht. Hmm, aber wir sind da wirklich äh flott, was das ganze Thema der Anbindung über die API oder über SFTP Upload angeht. Das haben wir schon hunderte Male gemacht und das geht wirklich innerhalb kürzester Zeit. Und dann wiederum unser Ansatz, wie wir mit den Händlern zusammen über Workshops die Strategie ähm detaillieren und entsprechend dann auch in der Software implementieren. Das haben wir auch schon hunderte Male gemacht und entsprechend geht es auch äh flott von der Hand. Das ist also der Grund, warum wir jetzt 16 Wochen live sind. Ist das jetzt schon voll ausgerollt über jede Kategorie in alle Länder und ist das die letzte Ausbaustufe des Algorithmus?
Rein, aber irgendwann kommen wir ja auch an den Punkt, wo ich sage: Pricing ist ein permanentes Prototyping. Ich finde den Begriff eigentlich ganz schön. Ich habe in der Uni Uni gelernt, es gibt Rapid Prototyping. Ich finde Pricing ist ein permanentes Prototyping. Ich werde eh nie fertig sein, weil es immer wieder neue Wettbewerbsaktionen gibt, neue Marktfälle, die man reagieren muss. Die KI entwickelt sich laufend weiter. Hmm Anforderungen sind beispielsweise Omnibus Compliance weiterentwickelt. Entsprechend ist Pricing nie am Ende. Es ist eine lebenslange Reise sozusächlich. Okay, aber dann habe ich nach 12 bis 16 Wochen den, sagen wir mal, ersten Prototyp fertig und das ist wahrscheinlich keine Ahnung, ein Land, ein Kanal.
gewisse Anzahl Produkte und dann kommen mehr und mehr, dann werdet ihr wahrscheinlich merken, wir müssen mehr klassifizieren, wir müssen mehr Datenpunkte, Attribute pro Produkt sammeln, wollen es auf mehr Kanäle ausrollen, wollen mehr Produkte, nicht nur KWI, sondern auch Longtail. Ich ich bin jetzt hier so rum, aber du nickst ein bisschen, also das geht dann wahrscheinlich klein los und wenn dann der Proof of Concept geschaffen wird, dann rollt ihr es weiter und weiter aus. Genau. Und das kommt natürlich auf den Kunden an, wenn es der Kunde eh nur in einem Land und mit einem Kanal aktiv ist, dann geht's wirklich flott. Ähm, in der Regel sind die Kunden, die in mehreren Ländern bei mehreren Kanälen aktiv sind, auch organisatorisch nicht die die agilsten Organisationen.
Das heißt, da haben wir manchmal auch das Problem, dass das Tempo nicht entsprechend gehalten werden kann. Ich sag mal andersrum. Es liegt nicht an uns, wenn es mehr als 16 Wochen dauert. Okay. Und was versprechen Sie? Was kommt typischerweise heraus, also in Umsatzsteigerung? Was sind die typischen Benchmarks, die man rechnen kann? Also erreichen wir in der Regel um die 8 oder 10 % Prozent Umsatzsteigerung. Beim Gewinn % sind übliche Hebel 3 bis 5. Natürlich viel viel weniger manuellen Arbeit, gar keine manuellen Arbeiten. Und noch ein Punkt, den man nicht unterschätzen darf: Natürlich können wir den gesamten Produktportfolio regelmäßig bewerten, was ohne ein Tool einfach unmöglich wäre; gerade im Longtail-Bereich kann man sich also die Zeit nehmen, um dort stets aktiv zu sein.
Ist denn dann die Einführung von der Lösung tatsächlich ist der größte Gewinn ein besseres Pricing der Produkte oder die Effizienzsteigerung auf der Es kommt auf den Kunden an. Wir haben tatsächlich Kunden, die genau wissen, was sie machen wollen und auch aufgrund des Geschäftsmodells auch vielleicht gewisse Restriktionen haben. Gerade, wenn wir an den Bereich Direct to Consumer denken, da ist natürlich der Spielraum der Preisynamik und Differenzierung deutlich limitierter. Da zieht vor allem das Thema Preiskonsistenz und manuelle Arbeit wird reduziert deutlich stärker. In dem Bereich Konsum Electronics im Handel ist das Thema manuelle Arbeit weniger wichtig. Jahr geht's wirklich darum noch mal den letzten Prozent oder halben Prozent Punkt Profit rauszuholen, weil es einfach ein Bereich ist mit sehr niedrigen Margen.
Je niedriger die Margen sind, desto mehr wirkt sozusagen auch ein kleiner Hebel, der einen großen Effekt erzielt. Hm, du hast mal in einem Vortrag ähäh gesagt äh habe ich mit meiner Überzeugung festgestellt, dass Preiselastizität nicht die einzige Lösung für Preisgestaltung ist. äh sehr provokativ, weil ich glaube, dass gerade viele Preisverkäufer und gerade diejenigen, die irgendwie im Einzelhandel arbeiten, sehr stark auf das Thema Preiselastizität achten. äh sag mal, was du damit meinst. Genau, also mein Zitat, die Preiselastizität ist nicht das Heilmittel für die Preisgestaltung. Warum sage ich das? Natürlich ist sie provokativ, bewusst natürlich am Ende des Tages ist sie natürlich ein ganz wichtiger Faktor und wir nutzen ihn natürlich auch. In der Theorie wäre die Preiselastizität die Lösung aller Probleme. äh, aber nur dann, wenn ich in der Lage bin, alle relevanten Einflussgrößen zu kennen.
Und da kann man sich ja schon vorstellen, bei vielen Effekten, die vielleicht in der Konsumentenpsychologie im Kopf vorgehen, die werde ich nie in der Lage sein zu messen. Ich kann natürlich Wettbewerbspreise messen, ich kann Lagebestand messen, ich kann Trends in Google abgreifen, aber es wird immer Faktoren geben, die nicht gemessen werden kann. Und dann ist der nächste Punkt ganz entscheidend, der vierte nämlich habe ich dann auch am Ende genügend Fallzahl äh um aus diesen Daten etwas statistisch signifikantes ableiten zu können, weil je mehr Daten ich erfasse, desto desto kleiner werden quasi die Zellen, die ich äh befüllt habe und desto schwieriger wird es natürlich dann auch ein statistisch signifikantes Ergebnis zu bekommen.
Und deswegen ist die Elastizität in aller Regel nicht flächendecken für den vollen Katalog vorhanden, sondern deckt in der Regel nur einen großen Teil oder einen gewissen Teil des Katalogs ab. Vor allem natürlich die schneller drehenden SKUs. Für den Rest kann man noch mit einer intelligenten und dynamischen Klusterlogik äh Elastizitäten schätzen. Ähm aber am Ende des Tages ähm ist die Elastizität einfach ein wichtiges Puzzelstück im gesamten Preisingrätsel, aber nicht die das alleinige Heilmittel. Glaubst du, wir kommen da irgendwann hin oder ist einfach aufgrund der großen Menge an SKUs und der der geringen, sag mal, Fallzahl, wie so ein Produkt gekauft oder auch gesucht wird, wird es ein wie die Suche nach dem heiligen Gral ein ewiger äh Wettlauf sein, der der nie erreicht wird? Ich glaube tatsächlich Letzteres. Ich erwarte da auch nicht die großen Wunder durch künstliche Intelligenz.
In meinen Augen sind die größten Disruptionen durch KI in Bereichen, wo ich mit Bildern und Sprache arbeite, sehr stark, weil das früher eben nicht möglich war, damit zu agieren. Pricing ist ein Bereich, der sehr stark mit strukturierten Daten arbeiten kann, mit Zahlen, die vorhanden sind. Deswegen ist sozusagen der Disruptionsgrad ähm naturgemäß etwas geringer. Nichtsdestotrotz eben, wenn es darum geht, neue Trends aufzugreifen, eben Google äh Search Information abzugreifen, ist es auf jeden Fall schon noch mal eine Möglichkeit noch granularer und noch mehr Einflussfaktoren zu erhöhen.
Aber genau am Ende des Tages aufgrund des des Long Tals und der langsamen Drehzahlen eines neu gelisteten Artikels, wo ja noch niemand genau weiß, wie der Konsument drauf reagiert, es wird nie eine volle Coverage geben, weswegen wir in meinen Augen einfach immer einen multimodalen Ansatz im Pricing brauchen, eine Mischung aus KI und Regeln aus Elastizität und Lagerbestand und minimalen Floor Prices aufgrund der Kosten. Das wird immer ein Mix Max Mischmasch aus diversen Themen sein müssen. Jetzt hast du ja vorhin gesagt, dass viele auch Elektronikhändler äh Quicklizard nutzen. Ähm klar, da habe ich vielleicht auch ein bisschen längere Produktlebenszyklen. Wenn ich jetzt an Konsolen denke oder Handys oder äh Laptops, dann sind die wahrscheinlich so ein paar Jahre immer bevor sie ihr Jahres oder ihr Lebensendzyklus erreicht haben.
Aber Sie haben auch gesagt, dass Sie in der Modebranche arbeiten, wo Halbzyklen deutlich kürzer sind und das, was im Frühjahr angesagt ist, ist im Herbst schon wieder günstig verkauft. Und ich glaube gerade, wenn man es noch weiter verbreitet, gibt es ja auch viele virale Trends, nicht wahr? Jetzt haben wir hier gerade diesen Dubai-Schokoladen-Hype äh wo plötzlich die Preise für Backlava-Schokolade stark steigen. Hm, wie weit kann man solche Trends also auch tatsächlich umsetzen und vielleicht auch noch das Thema Customer Lifetime Value mit Inbound-Outbound-Marketing zu integrieren, was ja sehr sehr schnell und sehr dynamisch ändern kann? Das waren jetzt viele Unterfragen in einer Frage. Große Frage.
Ich beginne mit dem Thema Produktinnovation, Konstantortiment versus ONOF-Sortiment oder irgendwie temporär im Sortiment. Konstantes Sortiment ist natürlich gut, weil dort ein Algorithmus lernen kann und dort können entsprechende Elastizitäten und andere Modelle völlig ausgeschöpft werden. Wenn das Sortiment geändert wird, kommt nun immer darauf an. Also, ich stelle mir jetzt mal so ein, wie das iPhone ist. Da ist es durchaus sinnvoll, dass ich zweifellos manuell sortiere. Das ist das Nachfolgemodell dieses Vorgängermodells und ich gehe davon aus, dass die Metriken, die diesen Artikel beschreiben, vermutlich ähnlich sein werden. Ich gebe dem Artikel sozusagen einen Kredit und gehe davon aus, dass er ähnlich performt wie der alte Artikel.
Und damit gebe ich den ganzen Algorithmen einen kurzen Hinweis. An dieser Stelle möchte ich auch kurz erwähnen, was bei uns immer der Startpunkt ist. Ähm, für jedes Projekt berechnen wir eine Artikelsegmentierung, bei der wir im Hintergrund 20 Metriken berechnen, anhand derer wir abschätzen können, ob es sich um einen Leuchtturmartikel, einen KWI, einen Eckartikel handelt, wo eben die Preisempfindlichkeit extrem hoch ist und der super wichtig für die Preiswahrnehmung ist oder das Gegenteil, den Profit Generator. Und diese 20 Metriken, sei es die Kosten für den Online-Traffic, sei es eben die Warenkorbposition, erste, zweite oder dritte Artikel im Warenkorb, sei es der Lifetime Value, all diese Metriken erheben wir über die Zeit. Und das wären z.B. Metriken, die wir in einem solchen Fall auf das neue iPhone übertragen würden, unter der Annahme, dass es vermutlich hinsichtlich dieser Merkmale ähnlich ist.
Und dann wird dieser dieser Scoring Modell alle ähm 4 F Wochen aktualisiert und lernt dann quasi von der Realität und stellt fest, haben wir vielleicht überschätzt, läuft doch nicht so gut, kommt nicht so gut an. Das vielleicht an bei dem Thema, wie geht man mit dem Wechsel Assortment um? Ähm beim Fashion Bereich jetzt vielleicht noch mal, wo ich das jetzt nicht für jeden Rock und jede Hose eins zu eins mappen kann, da haben wir ja eh noch mal die Sondersituation, dass es durchaus ja gelerntes Verhalten vom Konsumenten ist, dass ich zum Ende der Saison einen Abverkauf habe, gibt's den den Summersale und den Wintersale.
Und das ist natürlich der Paradezweck für eine Automatisierung der Clearance- oder Markdown-Funktionen, die dann ja sehr kurzfristig auch lernen kann, wo ich eingreifen kann und sagen kann, aufgrund der saisonalen Verlaufskurve der Unterkategorie weiß ich, wie Kleidung im Laufe des verhandelten Zeitraums sich verhält. Dann wird es wahrscheinlich bei diesem schwarzen Kleid genauso sein wie beim roten Kleid letztes Jahr – ich kann schon mal sagen, wann ich aktiv werden muss, und dann ist der Algorithmus wiederum sehr sensibel und reaktionsschnell auf die kurzfristige Veränderung der Nachfrage.
Das heißt, ich unterstelle eine gewisse Discountkurve und aktiviere sie entsprechend und jede Woche lernt der Algorithmus aus der Konsumentenreaktion, ob die ob der der Nachfrage Boost von 20% Rabatt so groß wie vorher gesagt ist oder schwächer und wenn schwächer, damit in der nächsten Woche nachgebessert, entweder früher oder stärker wieder diskontiert. Das heißt, für dieses Sortiment können wir sehr gut mit kurzfristigen Algorithmen arbeiten, die dann sozusagen kompensieren, dass die die lange Erfahrung für den einzelnen Artikel nicht existiert, bzw. die lange Erfahrung wird von der Kategorie vererbt und die kurzfristige Adjustierung wird durch entsprechenden kurzfristigen Algorithmus äh eingeleitet. Okay, also super spannend auch gerade wie die äh verschiedenen Algorithmen zusammenwirken äh und zu unterschiedlichen vielleicht Zielen.
Ach, ich habe noch so zwei oder drei Fragen, die ich gerne stellen würde, weil ich glaube, wir nähern uns langsam dem Ziel. Aber die eine, die ich natürlich fragen muss, Sie haben gestern gesagt, ich glaube, 6 bis 8, nein, 8%, sind eine grobe Umsatzsteigerung plus oder minus. Ach, was kostet das Ende von Quick Lizard? Äh, wie bewerten Sie Ihre Lösung, äh um auch konkurrenzfähig zu sein? Also, wir stellen unseren Preis aus verschiedenen Komponenten zusammen oder verschiedene Komponenten beeinflussen den Preis. Das heißt zum einen, ähm, es geht um die Preisgestaltung der Zyklen. Das heißt, wie oft wird die Preisgestaltung durchgeführt, für wie viele Artikel und in welchen Kanälen. Das heißt, das sind die drei Faktoren, die letztendlich im Hintergrund die Rechenleistung bestimmen und wie oft ich quasi Preise berechnen muss, äh wie differenziert auf die Kanäle und eben für wie viel Artikel.
Das sind die drei Hauptfaktoren, die unsere Lizenzgebühr bestimmen. Und dann sind es üblicherweise keine festen Jahresverträge oder so, oder wenn ich jetzt mein Land anschalte, dann wird es auch wieder ein bisschen mehr oder weniger, je nachdem. Also genau. Genau. Natürlich funktioniert das jetzt auch nicht wie ein blinder Algorithmus. Das wird natürlich in Absprache mit dem Kunden gestaltet und wir erklären immer am Anfang, was sozusagen das maximale, was passieren kann. Wir wissen ja, wie viel Artikel, wie viele Kanäle für diesen Kunden bepreist werden können, und dann entscheiden wir uns aber auch vielleicht für einen POC, der etwas kleiner geschnitten ist. Das heißt, der Kunde tappt da nicht in eine Flachrad-Falle hinein ähm oder andersrum.
Hat jetzt kein Payeruse Bias sozusagen, aber das ist die Mechanik Okay. Und wie entscheide ich mich dann als äh Händler oder potenzieller Kunde zwischen Make or buy? Also, ob ich jetzt mein Excel Tool fortführe äh oder ob ich dann äh doch eine professionelle Software nutzen will. Das ist eine spannende Frage, weil in meinen Augen muss es gar nicht make or buy sein, sondern es kann eigentlich auch Make and buy sein. Und das ist letztendlich genau wieder das Thema offene Plattform. Ähm und auch der Grund, warum ich von von der Beratung weg bin und gesagt habe, ich möchte eine Software machen. Es gibt einfach viele Bereiche bei einem Pricing Tool, die muss ich nicht neuer finden und die sind auch kein USP. Ich brauche ein Userinface, das natürlich spezifisch auf die Branche passt und auf Handel passt.
Ich brauche ein Governance Modell, ich brauche Freigabeprozesse, ich brauche API, ITnellen, Upload Interfae, die muss ich nicht neuer finden, weil dadurch werde ich nicht mehr Umsatz oder mehr Profit generieren als Händler. Und das ist ein Ding, was ich durchaus sinnigerweise immer auf the Shelf von einer guten Software nutzen kann. Und wenn es dann darum geht, genau zu definieren, wie jetzt der Preis meiner Artikel optimiert werden soll, eben die Artikelsegmentierung und für die einzelnen Segmente dann die Algorithmik, ist es eher der Wettbewerb, ist es eher eine Profitmaximierung, ist es eher eine Das ist dann sozusagen meine meine Magic meine Magic Source, die ich dann reinbringen möchte.
Und das ist der Bereich, in dem wir eben bereits viele Sprachwerkzeuge mitbringen und in dem der Kunde dann im Zweifelsfall auch Make innerhalb unserer Plattform erstellen kann, indem er seinen eigenen Python Code entwickelt und dann noch ganz spezifisch seine eigene Strategie dort implementiert. Okay, also viel Input kommt natürlich von der Organisation, aber ich habe das Gefühl, dass die Secret Source, die sehr schwer nachzubilden ist, bei jedem Händler sehr viel Input erhält. Und äh wenn jeder Händler seine eigene Software baut, glaube ich, machen große das. Ich weiß nicht, so ein Zalando, glaube ich, macht sehr viel intern mit eigenen Lösungen. Ich glaube auch Amazonen, aber ich sage es so, die etwas kleineren, die immer noch sehr sehr groß sind und viele 100 Millionen Umsatz generieren, glaube ich, sind dann wahrscheinlich der Sweet Spot für euch, wie ich das verstanden habe, bei den Referenzkunden, die Sie genannt haben. Absolut.
Und selbst bei denjenigen, die ich nennen möchte, haben wir in sehr, sehr fortgeschrittenen Gesprächen mit einem der drei Top-Händler weltweit. Selbst da ist die Überlegung nicht ausgeschlossen, warum müssen wir eben die Standard-Inhaltsstoffe neu finden? Hm, wir können ja immer noch im Algorithmus experimentieren, aber die gesamte Benutzeroberfläche in der Preisberechnung muss ja nicht neu erfunden werden. Ja, super, wir sind quasi schon durch, aber ich werde dich natürlich nicht mit unserer letzten Standardfrage enttäuschen. Im Pricing-Fail hast du vorhin bereits mit dem O2 Tarif geholfen. Hm, aber hat ein Preis der Woche in den letzten Wochen noch einen Preis besonders ins Auge gespiegelt?
Es ist jetzt schon eine kleine Weile her, aber dafür ums plakativer und äh wahrscheinlich auch ein Dauerbrenner als Witz in der Pricing Community, die die Black Fridays bzw. die Black Week mittlerweile ja schon und auch ein guter Grund, warum mittlerweile ja Omnibus Compliance erfunden wurde, aber der Klassiker, der Preis, der bleibt gleich, der Preis, der bleibt gleich. Dann kommt irgendwie ähm der Black Friday und auf einmal ähm bleibt der Preis immer noch gleich, aber wird beworben als wäre jetzt besonders günstig, indem man einen imaginären äh erhöhten Preis erfindet. Und das finde ich nach wie vor ein sehr passendes Beispiel, warum die Omnibus Compliance in Europa eine sehr sinnvolle Richtlinie ist und dass am Ende des Tages ja auch der Konsument nicht dumm ist, entsprechend Preis Fairness und diese Themen sind natürlich absolut Ja, absolut.
Wir haben eine kleine WhatsApp-Gruppe mit den Berlin Pricing Friends. Also alle Hörers aus Berlin, die noch nicht Teil der Gruppe sind, melden Sie sich gerne bei mir. Wir haben vor ein paar Wochen eine spannende Diskussion darüber geführt, wie man die Omnibus-Compliance optimal umsetzt, die Kommunikation im Hinblick auf die Compliance und was als Best Practice gilt, was rechtlich möglich ist und was nicht. Hm, also wer Interesse hat, meldet sich gerne auch alle an, die vielleicht nicht aus dem Retail kommen. Judi, also vielen Dank erstmal für die Antwort zu Fabi und Urich zu Quick Lizard. Hm, wer jetzt unbedingt eine Pricing-Software ins Haus holen will oder einfach mal ein bisschen wissen will, wie man das am besten erreichen kann, wie kann er dich denn am besten erreichen? Hm, über LinkedIn auf jeden Fall. Hm, wie macht ihr das? In der Regel? Gibt man da die E-Mail-Adresse raus? Schon oder macht das eigentlich Sinn?
Sie wissen nicht, was Sie hier teilen möchten? Wir sind ja alle hier zusammen, aber wahrscheinlich ist LinkedIn auch einer der ersten Wege, über LinkedIn oder ganz einfach natürlich. Natürlich freuen wir uns jederzeit über jeden Austausch, um Fachsimpeln zu haben, äh oder um eine Demo zu geben. Genau so einfach. Und jetzt fragen sich natürlich alle Zuhörer, warum eigentlich Quick Lizard? Woher kommt der Name? Das kommt tatsächlich noch aus den alten Zeiten des Price Crawlings, als der Lizard, der die Farbe wechseln kann, ganz unauffällig war, aber schnell die entsprechenden Webseiten abgecrawlet hat und die Wettbewerbspreise gesammelt hat. Und wir fanden die Metapher immer noch gut, weil wir nach wie vor in der Implementierung sind, weshalb wir den Begriff beibehalten haben.
Ein Quick Champion fast schon. Super. Also Fabian, schön, dass du da warst. Es hat viel Spaß gemacht und auch viel gelernt. Ich hoffe, alle anderen haben das auch gemacht. Hm und äh, genau, ich kann nur wie immer die Werbung für nächste Woche machen, jeden Donnerstag um 14 Uhr die neue Folge. Wenn ihr nichts verpassen wollt, dann drückt doch gerne mal die Glocke bei Spotify oder Apple Podcast, dann werdet ihr auch regelmäßig erinnert, ohne dass ich das hier von mir hören muss. Und insofern vielen Dank an alle auch da draußen und ich hoffe, wir hören uns nächste Woche wieder. Das war der Pricing Friends Podcast für diese Woche, eine Produktion der Axel Springer High GmbH. Wenn euch Pricing Friends gefällt, abonniert uns und verpasst keine unserer nächsten Folgen. Habt ihr Fragen oder Themenvorschläge? Schreibt uns. Wir freuen uns über euer Feedback.