Handel

Dynamic Pricing im Onlinehandel: Preise per Machine Learning steuern

Wer Preise im Onlineshop noch per Tabelle und Bauchgefühl nachzieht, reagiert zu spät auf Wettbewerber, Lagerstände und Nachfragespitzen. Pricing-, Category- und E-Commerce-Verantwortliche lernen an diesem Tag, wie Elastizitätsmodelle, Wettbewerbsdaten und Machine Learning zu einer dynamischen Preissteuerung zusammenfinden. In zwei Übungen modellieren Sie einen Preis-Absatz-Zusammenhang und entwerfen eine Repricing-Regel mit festen Grenzen. Abschließend geht es um die Anbindung an Shop und ERP und darum, das Vertrauen der Kundschaft nicht zu verspielen.

Für wen

Pricing Manager, Category Manager und Verantwortliche im E-Commerce, die Preise auf Datenbasis und dynamisch steuern wollen.

KI-Tagesseminar · 1 Tag

Preise aus Nachfrage, Wettbewerb und Bestand ableiten und mit Leitplanken steuern

Das nehmen Sie mit

  • Preiselastizität und Zahlungsbereitschaft lesen Sie aus Ihren Absatzdaten heraus.
  • Einen Preis-Absatz-Zusammenhang haben Sie selbst modelliert und dabei Wettbewerbsdaten und Bestände berücksichtigt.
  • Regelbasierte, ML-basierte Ansätze und Reinforcement Learning können Sie für Ihr Sortiment einordnen.
  • Eine Repricing-Regel mit Preisunter- und -obergrenzen liegt als Entwurf vor.
  • Für Anbindung, Wirkungsmessung und Kommunikation gegenüber der Kundschaft haben Sie einen Umsetzungsplan.

Ablauf

  1. Teil 1

    Modul 1 – Ökonomie: Elastizität, Zahlungsbereitschaft und Preisstrategie

    • Preiselastizität und Zahlungsbereitschaft am Beispiel von Markenartikel und Eigenmarke
    • Feste Listenpreise gegenüber dynamischen Preisen: wann sich der Wechsel lohnt
    • Chancen und Risiken dynamischer Preise für Vertrauen und Rechtssicherheit
    • Live-Demo: Vorgeführt wird, wie ein Modell aus Nachfrage- und Wettbewerbsdaten einen Preisvorschlag berechnet
    • Bestandsaufnahme: nach welchem Verfahren Ihr Team Preise derzeit festlegt
  2. Teil 2

    Modul 2 – Datenbasis: Nachfrage modellieren, Wettbewerb und Lager einbeziehen

    • Nachfrage- und Elastizitätsmodelle aus Abverkaufshistorie schätzen
    • Preise der Wettbewerber und Lagerbestände als zusätzliche Signale einbinden
    • Datenqualität als Voraussetzung: Lücken, Ausreißer durch Aktionen, falsch zugeordnete Artikel
    • Übung: Sie modellieren für eine Artikelgruppe den Zusammenhang zwischen Preis und Absatz
  3. Teil 3

    Modul 3 – Strategien: Von der Regel bis zum Reinforcement Learning

    • Regelbasiert, ML-basiert oder Reinforcement Learning: Reifegrad, Datenbedarf, Steuerbarkeit
    • Aktionspreise und Abverkauf von Saison- oder Auslaufware gezielt optimieren
    • Guardrails: Preisunter- und -obergrenzen, Mindestmarge, maximale Änderung pro Tag
    • Übung: Sie entwerfen eine Repricing-Regel samt Leitplanken für einen Preiskampf mit Wettbewerbern
    • Kundenvertrauen wahren: Preissprünge vermeiden, die als unfair empfunden werden
  4. Teil 4

    Modul 4 – Umsetzung: Anbindung, Recht, Wirkungsmessung

    • Integration in Shop- und ERP-Systeme: Preisübergabe, Freigaben, Rückfallebene
    • Rechtliche Leitplanken klären und eine Kommunikationsstrategie zur Preisdynamik festlegen
    • Fallstudie: Einführung von Dynamic Pricing in einem Onlineshop
    • Wirkung belastbar messen, etwa über Vergleichsgruppen bei Marge und Absatz
    • Umsetzungsplan zur dynamischen Preissteuerung für Ihr Sortiment

VoraussetzungenVorausgesetzt werden ein Grundverständnis der Handelsprozesse und sicheres Arbeiten mit Excel.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen