In dieser Folge von Preisgestaltung Freundehatte ich das Vergnügen, mit Dr. Sebastian Voigt über die Zukunft der Preisoptimierung im Einzelhandel zu sprechen. Ich erzählte, wie wir bei Quicklizard Unternehmen in die Lage versetzen, flexible Preisstrategien zu entwickeln, die nahtlos über verschiedene Kanäle hinweg funktionieren - sei es in verschiedenen Ländern, online und offline oder zwischen Discount- und Premium-Bannern. Unsere Software ermöglicht Preisanpassungen in Echtzeit und führt zu Umsatzsteigerungen von 8-10% und Gewinnsteigerungen von 3-5%.
Für mich ist die Preisgestaltung eine lebenslange Reise - ein Prozess des ständigen Prototypings. Die Strategien müssen sich weiterentwickeln, um mit der Marktdynamik Schritt zu halten. Deshalb plädiere ich für einen gemischten Ansatz: Anstatt sich für "make or buy" zu entscheiden, warum nicht "make and buy"? Die Kombination von internem Fachwissen mit externen Lösungen liefert oft die besten Ergebnisse.
Wir erörtern auch meine nuancierte Sichtweise der Preiselastizität: "Sie ist nicht der heilige Gral der Preisgestaltung". Sie ist zwar zweifellos wichtig, aber auch psychologische und immaterielle Faktoren beeinflussen das Verbraucherverhalten. Bei Quicklizard setzen wir KI ein, um diese zusätzlichen Trends und Einflüsse zu berücksichtigen und dabei die bestehenden Preisgestaltungsprozesse unserer Kunden zu verbessern - nicht zu überarbeiten.
Das folgende Transkript fasst die wichtigsten Fragen und Antworten zwischen Dr. Sebastian Voigt und Dr. Fabian Uhrich zusammen und stellt keine direkte Wiedergabe des Gesprächs dar.
Fabian, was war dein Weg in die Welt der Preisgestaltung? Und wie bist du zu Quicklizard gekommen?
Durch die Kombination von Psychologie und Analytik während meines Studiums der Betriebswirtschaftslehre bin ich zur Preisgestaltung gekommen. Nach Tätigkeiten in der Beratung (BCG), in der operativen Preisgestaltung (Zooplus) und in der akademischen Forschung zur verhaltensorientierten Preisgestaltung kam ich 2024 zu Quicklizard, um mich auf die Produktentwicklung von Preisgestaltungswerkzeugen zu konzentrieren.
Was ist Quicklizard, und wie hat es sich entwickelt?
Quicklizard begann vor über einem Jahrzehnt als Preis-Crawler, verlagerte aber 2018 seinen Schwerpunkt auf Preisoptimierung und KI. Die Preisgestaltungssoftware integriert Crawling-Daten von Kunden oder Drittanbietern und richtet sich an Einzelhändler, Fluggesellschaften und Hotels, indem sie die Preise mithilfe attributbasierter Algorithmen dynamisch optimiert.
Wir arbeiten intensiv mit Einzelhändlern und Marken zusammen, insbesondere bei der Preisgestaltung für mehrere Kanäle und Länder sowie im Direct-to-Consumer-Kontext. Der Einzelhandel, sowohl online als auch offline, ist ein Hauptschwerpunkt. Interessanterweise haben wir auch Fluggesellschaften und Hotels auf unserer Plattform. Das war ursprünglich nicht geplant, aber wir haben festgestellt, dass unsere Software gut dazu passt. Anstelle von Produkten in einem Regal optimiert sie Routen oder Zimmerbuchungen für bestimmte Kalendertage.
Wir arbeiten mit reinen Online-Anbietern, reinen Offline-Anbietern und vor allem mit Multi-Channel-Unternehmen. Unsere Kunden haben einen Jahresumsatz von 50-100 Millionen Euro bis hin zu mehreren Milliarden Euro. Was die Bereitschaft der Unternehmen angeht, sind wir auf große Operationen gut vorbereitet. Quicklizard ist in Kontinentaleuropa gut etabliert - 40-50% des Umsatzes stammen aus der Region, aber wir bedienen auch Kunden in den USA und sogar in Australien.
Unsere Software ist attributbasiert - ein Begriff, der heute häufig auftauchen dürfte. Im Wesentlichen wird jedes Attribut, das ein Produkt, eine Route oder eine Dienstleistung beschreibt, in der Software verwendet und in die Algorithmen einbezogen. Das macht sie sehr anpassungsfähig für Yield-Management-Szenarien, wie z. B. die Optimierung auf der Grundlage des Auslastungsfaktors oder der Zeit bis zum Flug.
Was sind die Alleinstellungsmerkmale von Quicklizard?
- KI und regelbasierte Kombination: Wir kombinieren regelbasierte Preisgestaltung mit künstlicher Intelligenz - die effektivsten Ergebnisse werden durch die Kombination der beiden erzielt. Regeln sind unverzichtbar, um Faktoren wie Herstelleranforderungen, strategische Geschäftsziele, die Art und Weise, wie verschiedene Kategorien bepreist werden, und Einschränkungen wie Korridore zu berücksichtigen. Innerhalb dieser Grenzen dient die KI dazu, die Entscheidungen von Category Managern oder Pricing Managern zu hinterfragen und zu verfeinern, um bessere Preise zu erzielen, indem sie die Daten sprechen lässt.Diese Kombination ist ein klarer Wettbewerbsvorteil für uns. Wir bieten beide Ansätze an und befähigen unsere Kunden, innerhalb dieser Rahmen transparent zu arbeiten. Das ist eine der Hauptstärken, die wir bei unseren Funktionen und der Implementierung betonen.
Unter den deutschen Einzelhändlern basiert die Mehrheit der Preisentscheidungen immer noch auf einer regelbasierten Preisgestaltung. Wenn es um die Reife der Preisgestaltung geht, befinden sich die meisten Unternehmen noch in der Excel-Phase, die nicht viel KI beinhaltet. Die meisten Kunden, mit denen Quicklizard zusammenarbeitet, gehen von einer niedrigeren Ausgangsbasis aus. Bei denjenigen, die die Quicklizard-Software nutzen, gibt es immer eine Mischung aus beiden Konzepten - einige sind 80% regelbasiert und 20% KI, während andere bei 50/50 sind.
- Omnichannel-Flexibilität: Wir unterstützen unterschiedliche Preise für mehrere Kanäle; jeder Kanal, der einen anderen Preis erfordert, wird als eigener Kanal behandelt. Unsere Software ermöglicht eine unabhängige Preisgestaltung für jeden Kanal oder eine abhängigkeitsbasierte Preisgestaltung, bei der Kanal A zuerst bepreist wird und Kanal B als Derivat folgt. Alternativ können beide Kanäle unabhängig voneinander bepreist werden, wobei ein Harmonisierungskorridor dafür sorgt, dass die Preise nicht zu sehr voneinander abweichen.Dieser Ansatz ist aus Sicht der Preisfairness ideal - er ist der beste Kompromiss zwischen Differenzierung und Wahrung der Fairness. Sobald Sie zur vollständigen Personalisierung übergehen, müssen Sie extrem vorsichtig sein, welche Faktoren Sie verwenden, um nicht als diskriminierend wahrgenommen zu werden. Aus diesem Grund kann eine kanalbasierte Differenzierung das perfekte Gleichgewicht darstellen.
Etwa ein Viertel der großen Einzelhändler unterscheidet die Preise für Offline- und Online-Käufe, sogar nach Suchmaschine. Dies ist je nach Branche sehr unterschiedlich. In der Pharmabranche ist es fast unmöglich, ohne Differenzierung der Vertriebskanäle zu konkurrieren. Sie korreliert oft mit der Intensität des Wettbewerbs in einer bestimmten Kategorie. In der Elektronikbranche beispielsweise war die kanalbasierte Differenzierung früher weit verbreitet, scheint aber aufgrund der allgemein hohen Dynamik in diesem Sektor abzunehmen.
- Offene Plattform: Unsere Preissoftware ist keine Blackbox. Jede Preisempfehlung ist mit einem Entscheidungsbaum versehen, aus dem genau hervorgeht, warum der Preis so festgelegt wurde, wie er festgelegt wurde. Diese Transparenz ist für die Preisakzeptanz bei den GuV-Verantwortlichen, z. B. den Category Managern, unerlässlich. Sie müssen in der Lage sein, Preise zu verstehen und zu rechtfertigen, und zwar sowohl intern innerhalb ihrer Organisation als auch extern gegenüber den Herstellern.Das bedeutet nicht, dass die Preise auf einfache Weise berechnet werden müssen; es bedeutet nur, dass die dahinter stehende Logik transparent gemacht werden muss. Das ist besonders wichtig, wenn man KI einbezieht, da sich diese oft weniger intuitiv anfühlen kann. Es ist ein solider Kompromiss, um auch KI-generierte Preise innerhalb eines bestimmten Korridors verständlich zu machen, der im Entscheidungsbaum klar dargestellt wird.
Die Festlegung der Preisbildungsregeln im Vorfeld ist von entscheidender Bedeutung - sie ist ein zentraler Bestandteil des Onboarding. Quicklizard hilft seinen Kunden bei der Festlegung dieser Regeln und nutzt dabei seine umfassende Erfahrung. Bei diesem Schritt geht es nicht nur um die Festlegung der Preise, sondern auch um das Änderungsmanagement. Die Mitarbeiter müssen verstehen, worum es geht: In Workshops wird besprochen, welche Faktoren wichtig sind, welche Parameter einbezogen werden sollen und wie sie zu priorisieren sind. Dies dient zwei Zwecken:
A. Stellen Sie sicher, dass die mathematische Logik innerhalb realistischer Grenzen liegt.
B. Geben Sie den Mitarbeitern ein Mitspracherecht, damit sie sich als Mitentwickler der Preisgestaltungsalgorithmen fühlen.Implementierungen, bei denen der "perfekte" Algorithmus eingesetzt wird, können von den Mitarbeitern aufgrund von Misstrauen häufig außer Kraft gesetzt werden. Mit der Zeit wird die Automatisierung umgangen, und die Wirkung nimmt ab. Ein schrittweiser Aufbau von Intelligenz und die Einbeziehung der Mitarbeiter sorgen dafür, dass das Gegenteil eintritt: Akzeptanz und Vertrauen nehmen mit der Zeit zu.
Außerdem bieten wir unseren Kunden die Möglichkeit, die Software individuell anzupassen. Anstatt ein fest kodiertes System zu präsentieren, ermöglicht unsere Preisgestaltungssoftware den Kunden, benutzerdefinierte Funktionen über eine Python-Schnittstelle zu erstellen.
Das Besondere daran ist, dass sich diese benutzerdefinierten Skripte nahtlos in die Software einfügen. Für Category Manager sieht es genauso aus wie die Standardfunktionalität und fühlt sich auch so an. Sie werden nicht bemerken, ob der im Hintergrund laufende Algorithmus ein Quicklizard-Standard oder eine von ihrem Team erstellte Funktion ist.
Diese Flexibilität bedeutet, dass wir 100% Anwendungsfälle bearbeiten können, ohne die Kunden an unser System zu binden. Ich vergleiche Quicklizard oft mit Excel. Wie Excel bieten wir integrierte Formeln für die meisten Anforderungen. Aber wenn Sie an eine Grenze stoßen, können Sie Ihre eigenen VBA-Skripte erstellen - oder, in unserem Fall, Python-Code.
Wenn es Ihnen zu komplex erscheint, müssen Sie diese Funktion nicht nutzen. Unsere Lösungsarchitekten und unser technisches Betriebsteam sind immer zur Stelle, um zu helfen. Es ist erwähnenswert, dass alle Daten und Modelle kundenspezifisch bleiben. Elastizitäten und Algorithmen werden ausschließlich auf den Daten des jeweiligen Kunden trainiert, um eine strikte Datentrennung zu gewährleisten.
- Geschwindigkeit: Die Erstimplementierung erfolgt innerhalb von 12-16 Wochen, vorausgesetzt, dass grundlegende Daten wie Preise und Kosten verfügbar sind. Die Lösung wird schrittweise erweitert - durch Hinzufügen von Kategorien, Kanälen und Attributen - und passt sich durch kontinuierliche Verfeinerung an Marktveränderungen und kundenspezifische Anforderungen an. Bei kleineren Kunden, die vielleicht nur in einem Land und über einen Kanal tätig sind, kann die Implementierung schneller erfolgen als bei größeren Unternehmen mit mehreren Ländern und Kanälen, bei denen die organisatorische Flexibilität der Engpass sein kann. Der begrenzende Faktor ist in der Regel das Tempo des Kunden.
Welche messbaren Ergebnisse können die Kunden erwarten?
Typische Ergebnisse liegen zwischen 8-10% Umsatzsteigerung oder 3-5% Gewinnverbesserung. Ein weiterer großer Vorteil ist die Verringerung - oder sogar Abschaffung - der manuellen Arbeit. Außerdem kann der gesamte Produktkatalog regelmäßig mit Preisen versehen werden. Ohne ein solches Tool können sich die Category Manager nicht auf den Long Tail konzentrieren.
Der Hauptnutzen hängt vom jeweiligen Kunden ab. Bei Unternehmen, die direkt an Verbraucher verkaufen, ist der Spielraum für eine dynamische Preisgestaltung naturgemäß begrenzt. In diesen Fällen liegen die Hauptvorteile in einer konsistenten Preisgestaltung und einer erheblichen Verringerung des manuellen Aufwands.
Andererseits können in Sektoren wie dem Einzelhandel mit Unterhaltungselektronik, wo die Gewinnspannen gering sind, selbst kleine Preisverbesserungen eine große Wirkung haben. Hier ist die Effizienz weniger entscheidend - es geht darum, diese zusätzlichen 0,5% Gewinn zu erzielen.
"Preiselastizität ist nicht der heilige Gral der Preisgestaltung". Warum?
Obwohl sie häufig verwendet wird, ist die Elastizität allein nicht die Lösung. Theoretisch könnte sie alle Preisgestaltungsprobleme lösen, aber nur, wenn wir alle Einflussfaktoren messen könnten, was unmöglich ist. Wir können zum Beispiel die Preise der Wettbewerber, die Lagerbestände und die Trends bei Google messen. Die Faktoren, die das Verbraucherverhalten beeinflussen, sind jedoch oft nicht greifbar.
Außerdem müssen die erhobenen Daten statistisch signifikant sein. Mit zunehmender Granularität der Daten wird die Anzahl der Beobachtungen pro Segment oft zu klein, um zuverlässige Schlussfolgerungen zu ziehen. In der Praxis deckt die Elastizität nur einen Teil des Katalogs ab, in der Regel die Artikel mit schnellerer Umschlagshäufigkeit. Für Artikel, die sich langsamer bewegen, oder den Long Tail, stützen wir uns bei der Schätzung der Elastizität auf intelligentes Clustering.
Elastizität ist ein wichtiger Teil des Preispuzzles, aber eben nur ein Teil. KI kann unsere Fähigkeit verbessern, Trends zu erfassen und mehr Einflussfaktoren einzubeziehen, aber bei der Preisgestaltung - wo strukturierte Daten und numerische Eingaben dominieren - ist der Spielraum für Störungen im Vergleich zu Bereichen wie Bild- oder Spracherkennung naturgemäß begrenzt.
Faktoren wie Long-Tail-Artikel und neue Produkte, für die es kaum historische Daten gibt, werden immer eine Herausforderung darstellen. Deshalb funktioniert ein multimodaler Ansatz am besten: eine Kombination aus KI, Regeln, Elastizität, Lagerbeständen und kostenbasierten Mindestpreisen. Die Preisgestaltung wird immer einen Mix von Methoden erfordern.
Wie geht Quicklizard mit Herausforderungen wie Trends um?
Stabile Sortimente eignen sich hervorragend für Algorithmen, da sie Zeit haben, zu lernen. Temporäre Sortimente, wie saisonale Artikel oder schnelle Trends, erfordern einen anderen Ansatz.
Nehmen Sie zum Beispiel ein iPhone. Wenn ein neues Modell auf den Markt kommt, könnten wir es manuell als Nachfolger seines Vorgängers einstufen und davon ausgehen, dass seine Merkmale ähnlich sind. Diese "Vererbung" verschafft den Algorithmen einen Vorsprung.
Einer der ersten Schritte bei den meisten Projekten ist die Segmentierung der Produkte anhand von 20 Kennzahlen. Dazu gehören Faktoren wie die Kosten für den Online-Verkehr, die Position des Warenkorbs (z. B. erster, zweiter oder dritter Artikel im Warenkorb) und der Lebenszeitwert. Wir wenden diese Metriken auf das neue iPhone an und gehen davon aus, dass seine Leistung mit der seines Vorgängers übereinstimmt. Wenn dann echte Daten eintreffen, wird das Bewertungsmodell alle vier bis fünf Wochen aktualisiert, um die Marktrealität widerzuspiegeln.
Nun zur Mode: Hier wird das Verbraucherverhalten durch erlernte Muster beeinflusst, wie z. B. Ausverkäufe am Ende der Saison. Algorithmen können diese Preisnachlässe effektiv handhaben. Beispielsweise können wir auf der Grundlage der historischen Leistung ähnlicher Artikel einen Rabattplan erstellen.
Der Algorithmus lernt kontinuierlich aus den Nachfragedaten. Wenn ein vorhergesagter 20% Umsatzschub durch einen Rabatt nicht eintritt, passt der Algorithmus für die nächste Woche an, möglicherweise durch Erhöhung des Rabatts oder Beschleunigung des Zeitplans. Kurzfristige Algorithmen eignen sich gut für diese Sortimente. Sie kompensieren den Mangel an langfristigen Daten, indem sie Muster aus breiteren Kategorien übernehmen und in Echtzeit Anpassungen vornehmen.
Wie ist die Kostenstruktur von Quicklizard?
Die Preisstruktur von Quicklizard basiert auf mehreren Faktoren, darunter (1) die Häufigkeit der Preisanpassung, (2) die Anzahl der SKUs, die bepreist werden, und (3) die Anzahl der beteiligten Kanäle. Diese Faktoren bestimmen die erforderlichen Rechenressourcen auf unserer Seite, die unsere Lizenzgebühren bestimmen.
Wie entscheidet ein Einzelhändler, ob er eine eigene Lösung entwickelt oder eine kauft?
Es muss nicht heißen "herstellen oder kaufen" - es kann "herstellen und kaufen" sein.
Dies steht im Zusammenhang mit der Philosophie der offenen Plattform von Quicklizard. Viele Elemente eines Preisfindungstools müssen nicht neu erfunden werden: die Benutzeroberfläche, Governance-Modelle, Genehmigungsworkflows, APIs, Upload-Schnittstellen usw. Diese Standardfunktionen sind nicht ausschlaggebend für die Rentabilität oder den Umsatz - sie sind einfach nur grundlegend.
Es ist sinnvoll, für diese Elemente eine Standardlösung wie unsere zu verwenden. Die wirkliche Differenzierung liegt in der Definition von Preisstrategien, der Segmentierung von Produkten und der Entwicklung von Algorithmen. Hier können die Kunden ihre "magische Sauce" hinzufügen.
Die Preisgestaltungssoftware von Quicklizard ermöglicht es ihnen, dies direkt zu tun, indem sie ihren Ansatz mit Python anpassen.
Gab es in den letzten Wochen einen Preis, der Ihnen besonders aufgefallen ist, z. B. den "Preis der Woche"?
Es ist zwar schon eine Weile her, aber es ist immer noch ein ziemlich krasser und wahrscheinlich ein Running Gag in der Preisgestaltung - der Schwarze Freitag, oder besser gesagt, die Schwarze Woche mittlerweile. Und auch ein guter Grund, warum die Omnibus Compliance erfunden wurde. Aber das klassische Beispiel ist der Preis, der gleich bleibt und gleich bleibt. Dann kommt der Black Friday, und plötzlich ist der Preis immer noch derselbe, aber er wird so vermarktet, als sei er besonders billig, indem ein imaginär höherer Preis erfunden wird. Und das finde ich nach wie vor ein sehr passendes Beispiel dafür, warum Omnibus Compliance in Europa eine so sinnvolle Regelung ist - die wir natürlich automatisch übernehmen können. Schließlich sind die Verbraucher nicht dumm, und eine faire Preisgestaltung ist natürlich sehr wichtig.
Warum Quicklizard? Woher stammt der Name?
Es stammt aus den alten Tagen des Preis-Crawling, bei dem die Eidechse, die ihre Farbe ändern kann, unauffällig, aber schnell durch die relevanten Websites krabbelt und wettbewerbsfähige Preise sammelt. Wir dachten uns, dass diese Metapher immer noch gut passt, weil wir in unserer Umsetzung immer noch schnell sind. Deshalb haben wir den Begriff beibehalten.
Über Dr. Sebastian Voigt, Gastgeber von 'Pricing Friends'
Bevor er zu hy kam, hatte Dr. Sebastian Voigt Führungspositionen bei der Axel Springer SE und der ProSiebenSat.1 Media SE inne, wo er sich auf Pricing, Monetarisierung und digitale Transformation konzentrierte. Zuvor war er acht Jahre lang bei Simon-Kucher & Partners tätig, wo er sich auf die Bereiche Strategie und Pricing spezialisierte. Er promovierte an der TU Darmstadt im Bereich der Monetarisierung digitaler Märkte und hat einen Abschluss in Betriebswirtschaft und Informatik der TU Braunschweig.
