KI-Elastizitätsmodelle für Sortiments- und Preisoptimierung im FMCG aufbauen

Das Problem ist nicht, dass FMCG-Unternehmen zu wenig Preisdaten hätten. Ein großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → europäischer Lebensmittelhändler erzeugt pro Woche zweistellige Millionenzahlen an Kassentransaktionen. Das Problem ist, dass die klassische Elastizitätsschätzung, meist Kleinste-Quadrate-Regression auf aggregierten wöchentlichen Sell-in-Daten, alles auf einen einzigen Koeffizienten pro Marke zusammenzieht. Dieser Koeffizient sagt nichts darüber aus, ob die 1,5-Liter-SKU eines Weichspülers bei Carrefour elastischer reagiert als ihr 750-ml-Pendant im Hard-Discount-Format in Südfrankreich, und genau das muss ein Category Manager vor einem Range Review wissen.

Die Lücke ist seit 2024 größer geworden, weil Händler inzwischen erwarten, dass Hersteller mit eigenen Demand-Modellen ins Joint Business Planning kommen, nicht nur mit syndizierten Nielsen- oder Circana-Daten. KI-Elastizitätsmodelle schließen diese Lücke, aber nur, wenn sie mit Blick auf die Datenrealität im FMCG gebaut werden: unregelmäßige Promotions, In-and-out-Listungen, Kannibalisierung zwischen Packungsgrößen und das ständige Rauschen von Wettbewerbsaktivitäten, die in Ihrem eigenen ERP nie auftauchen.

Das Modell bauen: eine konkrete Abfolge

Schritt 1: Die Entscheidung definieren, bevor Sie Daten anfassen

Bevor Sie Data Engineering betreiben, schreiben Sie auf, welche Entscheidung das Modell genau speisen soll: Sortimentsbereinigung für ein Kanal-Review, eine Listenpreisänderung vor einer Vertragsverlängerung oder eine Empfehlung zur Promotiontiefe für eine Handels-Co-Investition. Jede braucht eine andere Output-Granularität. Eine Sortimentsentscheidung braucht Kreuzelastizitäten auf Store-Cluster-Ebene zwischen Ihren SKUs und der Kategorie. Eine Listenpreisentscheidung braucht aggregierte Elastizität auf Markenebene je Account. Wer das vermischt, bekommt ein Modell, das keine der beiden Fragen gut beantwortet.

Schritt 2: Ein mehrschichtiges Feature-Set zusammenstellen

Der minimal tragfähige Datensatz für ein FMCG-Elastizitätsmodell umfasst mindestens zwei Jahre wöchentlichen Sell-out (nicht Sell-in) je SKU und Store-Cluster, verknüpft mit: Regalpreis, Aktionspreis, Display- und Feature-Flags, Wettbewerbspreisindex aus Händlerdaten oder Drittpanels, Distributionspunkten und externen Treibern wie saisonalen Nachfrageindizes oder Eigenmarkenanteil je Kategorie. Die Category-Teams von Unilever legen zum Beispiel Wetterdaten für saisonale Kategorien und Mobilitätsindizes für Convenience-Kanal-SKUs darüber. Diese kontextuelle Tiefe trennt ein Modell, das prognostiziert, von einem, das nur die Daten nachzeichnet.

Schritt 3: Die passende Modellarchitektur für Ihre SKU-Menge wählen

Für einen Hersteller mit weniger als 500 aktiven SKUs über eine Handvoll Accounts ist ein Bayesianisches hierarchisches Modell oft die richtige Wahl: Es poolt Information über ähnliche SKUs hinweg und stabilisiert Schätzungen dort, wo die Datenlage dünn ist, und es liefert Kredibilitätsintervalle statt Punktschätzern, was enorm zählt, wenn Sie eine Preiserhöhung gegenüber einem Einkaufsteam bei Tesco oder Walmart verteidigen. Bei Portfolios über 1.000 SKUs mit unregelmäßigen Promotionkalendern schneiden Gradient-Boosted Trees (XGBoost, LightGBM) auf einem reichen Feature-Set bei der Prognosegüte meist besser ab, brauchen aber explizit konstruierte Kreuzpreis-Features statt abgeleiteter. Neuronale Ansätze lohnen einen Piloten für die größten Portfolios, aber der Preis bei der Interpretierbarkeit ist real: Ein Modell, das Sie im Range Review nicht erklären kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, wird nicht genutzt.

Schritt 4: Kreuzelastizitäten schätzen, nicht nur Eigenpreiselastizitäten

Die Eigenpreiselastizität sagt Ihnen, wie sich das Volumen verändert, wenn Sie Ihren Preis bewegen. Die Kreuzpreiselastizität sagt Ihnen, welche Ihrer SKUs welche kannibalisiert und welche Wettbewerbs-SKUs profitieren. Für Sortimentsentscheidungen ist das wichtiger. Wenn die Auslistung einer 400-g-Packung Pastasauce den Absatz Ihrer 500-g-Packung um 70 % des verlorenen Volumens steigert, sieht die Auslistung in der GuV anders aus, als wenn dieses Volumen zu einem Eigenmarken-Wettbewerber abwandert. Bauen Sie eine Substitutionsmatrix auf SKU-Ebene, und sei sie unvollständig. Sie können parallel Demand Forecasting für schnelldrehende SKUs über Kanäle hinweg aufsetzen, da sich das zugrunde liegende Feature Engineering weitgehend überschneidet.

Schritt 5: Outputs an Entscheidungs-Workflows anschließen, nicht an Dashboards

Ein statisches Dashboard killt die Adoption. Der Output eines Elastizitätsmodells sollte direkt in die Tools fließen, die Category Manager ohnehin nutzen: Circana Unify+, NielsenIQ Assortment Advisor oder ein internes Category-Planning-Template. Mindestens sollte das Modell eine gerankte Liste von Preissensitivitäts-Scores auf SKU-Ebene erzeugen, samt Szenario-Outputs für definierte Preisschritte, formatiert für den Export in das Range-Review-Template des Händlers. Wenn ein Data Scientist das Modell erst interpretieren muss, bevor ein Category Manager handeln kann, überlebt der Prozess den ersten Quartalsplanungszyklus nicht.

Fallstricke, an denen diese Modelle im Betrieb scheitern

Der mit Abstand häufigste Fehler ist das Training auf Sell-in- statt Sell-out-Daten. Liefermengen spiegeln das Bestellverhalten des Händlers und Vorkäufe zu Aktionen wider, nicht die Konsumentennachfrage. Eine Promotion, die in Woche eins 10.000 Kartons bewegt und in den Wochen zwei bis vier null, sieht für ein Sell-in-Modell nach einem Nachfragepeak aus und für ein Sell-out-Modell nach stationärer Nachfrage. Nutzen Sie POS-Daten, wo immer Sie sie haben, und machen Sie die Lag-Struktur explizit, wo Sie sie nicht haben.

Der zweite Fehler ist, Distributionsveränderungen zu ignorieren. Ein Produkt, das im Beobachtungszeitraum von 60 % auf 80 % gewichtete Distribution gestiegen ist, hat nicht einfach Nachfragewachstum erlebt; es hat Regalfläche gewonnen. Modelle, die Distributionspunkte als Kontrollvariable weglassen, schreiben dieses Wachstum dem Preis oder der Promotion zu und liefern Elastizitäten, die in Richtung und Größenordnung falsch sind.

Drittens: Endogenität von Promotions. Preise werden nicht zufällig gesetzt; sie sinken, wenn das Volumen schwächelt, und steigen, wenn Kategorien laufen. Eine naive Regression unterschätzt die Elastizität, weil sie angebotsseitige Preisentscheidungen mit Nachfragereaktion vermischt. Instrumentieren Sie den Preis über kostenseitige Variablen (Rohstoffindizes, Wechselkurse, Verpackungskosten) oder nutzen Sie einen zweistufigen Ansatz.

Und schließlich: Behandeln Sie die Modell-Outputs als Input für das Urteilsvermögen, nicht als Antwort. Category Manager, die mit einem Lidl-Einkaufsteam verhandeln, arbeiten mit Beziehungskontext, Listungszusagen und Wettbewerbsinformationen, die kein Modell sieht. Das Playbook zu Pre-Deployment-Checks für Pricing- und Promotion-KI beschreibt die Governance-Schritte, die nötig sind, bevor Outputs Live-Entscheidungen beeinflussen.

Diese Woche starten

• Ziehen Sie zwei Jahre wöchentlichen POS-Sell-out für Ihre Top-20-SKUs in einem Account und erstellen Sie einen einfachen Preis-Volumen-Scatter nach Promotion-Flag. Das Muster zeigt Ihnen, ob Ihre aktuellen Preisannahmen tragfähig sind.
• Kartieren Sie, welche Ihrer SKUs einen gemeinsamen Konsumanlass bedienen, und formulieren Sie eine Substitutionshypothese, bevor das Modell Ihnen eine liefert: Das Modell soll Ihre Kategorielogik bestätigen oder infrage stellen, nicht ersetzen.
• Prüfen Sie, ob die JBP-Templates Ihres Trade-Teams ein Feld für elastizitätsbasierte Volumenszenarien haben. Falls nicht, bauen Sie jetzt ein einseitiges Format, denn der Modell-Output braucht einen Platz.
• Identifizieren Sie einen Rohstoffindex (Palmöl, Weizen, PET-Granulat), der Ihre Einstandskosten treibt, und testen Sie ihn als Preisinstrument in Ihrer ersten Regression.

Ein Elastizitätsmodell ist nur so gut wie der Entscheidungsprozess, den es speist. Bringen Sie den Workflow in Ordnung, bevor Sie das Modell skalieren.

Der komplette Kurs zu dieser Branche:KI im FMCG (Konsumgüter).