Dynamic Pricing and Artificial Intelligence – Wie Machine Learning-Algorithmen die Preisoptimierung verändern

Ein Mann kauft online Schuhe mit einem Tablet.

Diskussionen über die Häufigkeit von Preisänderungen und die Höhe der Preisvariationen sind im Zeitalter des E-Commerce allgegenwärtig. Amazon gilt als Spitzenreiter mit täglich bis zu 3 Millionen Preisanpassungen. Die durchschnittlichen Preisschwankungen auf Produktebene liegen dabei bei rund 20%. Es sind jedoch auch weitaus höhere Preisdifferenzen von bis zu 150% realistisch. Das Ziel der dynamischen Preisbildung ist branchenübergreifend eindeutig: Die Gewinnmaximierung. Kontrovers dazu sind die Methoden und Algorithmen, welche projektspezifisch Anwendung finden.

Der Dynamic Pricing Ansatz

Der Grundbaustein eines Dynamic Pricing Ansatzes, welcher historisch aus der zeitlichen Preisdifferenzierung entstanden ist, sind Demand Learning Modelle. Diese liefern Informationen über Abschöpfungspotentiale von Konsumentenrenten. Neben dem Preis, welcher in der Regel den wichtigsten Einflussfaktor auf die Nachfrage darstellt, können in Abhängigkeit der Datenbasis weitere Feature-Variablen für die Schätzung der Parameter appliziert werden. Der Datenumfang entscheidet zudem über den Algorithmus, der die Nachfragefunktion kontinuierlich mittels Echtzeitdaten approximiert. Für eine erfolgreiche Umsetzung dessen werden hauptsächlich Supervised Algorithmen oder Neuronale Netze verwendet.
Ein Hologramm eines Gehirns schwebt über einer Hand.

Algorithmen zur Preisoptimierung

Erfüllt die Anpassungsgüte des Modells die Erwartungen, sind die Modellparameter und die Preise der Input für die Optimierung. Die Zielfunktion ist unter den branchenspezifischen Nebenbedingungen aufzustellen. Dabei stellen Preisminima und -maxima, Substitutionseffekte und Kapazitätsbeschränkungen häufig vorkommende Restriktionen dar.

Optimierungsprobleme sind demnach linearer oder nichtlinearer Natur. Der Unterschied besteht lediglich in den vorhandenen Optima. Bei linearen Funktionen entspricht das lokale Optimum dem Globalen; nichtlineare Funktionen hingegen weisen mehrere lokale Optima auf, welche sich von dem globalen Maximum unterscheiden. In der Praxis besitzen Preis-Nachfrage-Funktionen meist nichtlinearen Charakter, weshalb Algorithmen als näherungsweise Lösungsverfahren genutzt werden.

Deterministische Standards sind die Simplex-Optimierung, Gradientenverfahren und die Quasi-Newton-Methode. Für komplexere Zielfunktionen mit vielen lokalen Maxima können genetische, evolutionäre und viele weitere Algorithmen eingesetzt werden.
Hände tippen auf einer Tastatur, eine Ebene darüber liegt das Bild eines durchsichtigen Diagramms.

Fazit

Sowohl für die Wahl des Demand Learning Modells als auch für den Algorithmus gilt zur Lösung des Optimierungsproblems deutlich hervorzuheben, dass nicht die eine beste Methode existiert, sondern der einzelne Praxisfall und dessen Datenbasis diese bestimmt.

SPECTRUM Tipp: Für den Verbraucher kann es von Bedeutung sein die Produkte und dessen Preisvariationen längerfristig zu beobachten und im richtigen Moment den Kauf zu tätigen.

Sie benötigen Unterstützung im Bereich Big Data und Data Analytics? Gerne beraten wir Sie im Rahmen unserer Professional Services (Link) und begleiten Sie bei verschiedensten Projektvorhaben. Kontaktieren Sie uns.

Verwandte Beiträge:
Was ist Machine Learning? Eine kurze Zusammenfassung
Künstliche Intelligenz – Einsatz der Technologie im eigenen Unternehmen?

Bildnachweise für diesen Beitrag:
211482415 © WrightStudio – stock.adobe.com
259081065 © sdecoret – stock.adobe.com
123882763 © Rido – stock.adobe.com

Schreibe einen Kommentar

Cookies erleichtern die Bereitstellung der Dienste auf dieser Website. Mit der Nutzung dieser Website erklären Sie sich mit dem Einsatz von Cookies einverstanden. OK Datenschutzerklärung