Sortiment und Preis mit KI-Elastizitätsmodellen optimieren

# Sortiment und Preis mit KI-Elastizitätsmodellen optimieren

Eine Sprudelwasser-Marke aus dem mittleren Segment geht in ihr Quartalsgespräch mit einem nationalen Lebensmittelhändler und erfährt, dass sie zwei Shelf Facings (die sichtbaren Plätze in der ersten Reihe im Regal) an die Handelsmarke des Händlers verliert. Die Handelsmarke kostet weniger, verkauft sich ordentlich und bringt dem Händler eine dickere Marge. Die Bitte der Marke ist einfach: Behaltet unseren Platz. Die Frage des Händlers ist schärfer: Beweisen Sie, dass Sie ihn verdienen.

Das ist das tägliche Kampffeld im FMCG-Geschäft (fast-moving consumer goods, also verpackte Lebensmittel, Getränke und Haushaltsprodukte, die schnell und mit geringer Marge verkauft werden). Regalplatz ist endlich. Jede SKU (stock-keeping unit, eine einzelne Produktvariante wie „12oz Lemon-Lime, 6er-Pack") konkurriert darum. KI-Elastizitätsmodelle sind heute das Werkzeug, das entscheidet, wer gewinnt.

Das Kernproblem: Platz ist ein Nullsummenspiel

Ein Planogramm ist die visuelle Karte, was wo im Regal steht. Ein Produkt hinzuzufügen bedeutet, ein anderes zu entfernen. Der Händler muss also zwei verbundene Fragen beantworten:

1. Sortiment: Welche SKUs sollten wir überhaupt listen?

2. Preis: Welcher reguläre Regalpreis maximiert den Kategoriegewinn, nicht nur den Absatz einer Marke?

Früher hieß das Bauchgefühl plus Spreadsheets. Heute schätzt man mit Machine Learning zwei Dinge präzise: wie die Nachfrage auf Preis reagiert und wie Produkte sich gegenseitig Absatz wegnehmen.

Preiselastizität, definiert

Die Preiselastizität der Nachfrage misst, wie stark sich der Absatz in Stück verändert, wenn sich der Preis ändert. Erhöhen Sie den Preis um 10 Prozent und das Volumen fällt um 20 Prozent, liegt die Elastizität bei etwa -2,0 (elastisch, preissensibel). Fällt das Volumen nur um 3 Prozent, liegt sie bei etwa -0,3 (inelastisch, treue 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 →äufer).

FMCG-Kategorien unterscheiden sich enorm:

• Premiumkaffee, Energy Drinks: oft inelastisch. 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 →äufer zahlen mehr.
• Flaschenwasser, Zucker, Küchenrolle: oft elastisch. Shopper wechseln bei ein paar Cent.

Der Haken: Elastizität ist keine einzelne Zahl. Sie ändert sich je Händler, Region, Saison, Promo-Status und Wettbewerbspreis. Eine einzige gemischte Schätzung ist nutzlos. Genau deshalb ist KI relevant. Sie kann Elastizität bedingt auf Dutzende Variablen gleichzeitig schätzen.

Warum Machine Learning eine einfache Regression schlägt

Eine einfache lineare Regression liefert Ihnen eine Elastizität pro Produkt. Echte Nachfrage ist unordentlicher:

• Elastizität ist nichtlinear. Den Preis von 4,00 $ auf 3,50 $ zu senken bringt vielleicht wenig, aber das Überschreiten der Schwelle von 2,99 $ löst einen Sprung aus.
• Effekte interagieren. Regen, Feiertage, Wettbewerbspromotions und Endcap-DisplaysDisplaysThe total number of times an ad or piece of content is displayed, regardless of clicks. Each display counts as one impression, even to the same person.Vollständige Definition ansehen → verschieben alle die Kurve.
• Daten sind dünn für neue oder Nischen-SKUs.

Gradient-Boosted Trees und zunehmend Deep-Learning-Nachfragemodelle bewältigen diese Interaktionen, ohne dass Sie jede Regel von Hand codieren. Als solide, kostenlose Einführung in die ökonomische Seite vor dem ML dienen Ressourcen im Stil der FRED / economics elasticity overview und offene Kursmaterialien, aber die Modellierungsideen unten sind das, was Teams tatsächlich einsetzen.

Der Punkt, den alle übersehen: Kannibalisierung

Kannibalisierung liegt vor, wenn eines Ihrer Produkte Absatz von einem anderen Ihrer eigenen Produkte abzieht statt vom Wettbewerber. Bewerben Sie Ihren 6er-Pack, kann das Volumen Ihres 12er-Packs fallen. Das ist kein inkrementelles Wachstum. Das ist verschobener Umsatz.

Die Kreuzpreiselastizität misst das. Sie erfasst, wie der Preis von Produkt B die Nachfrage nach Produkt A beeinflusst.

• Positive Kreuzelastizität: Substitute. Eine Preissenkung bei Coke Zero zieht 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 →äufer von normaler Coke ab.
• Negative Kreuzelastizität: Komplemente. Günstigere Chips 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 den Salsa-Absatz heben.

Eine Kannibalisierungsmatrix bildet jedes SKU-Paar ab. Das ist das wichtigste Artefakt für Sortimentsentscheidungen. Sie sagt Ihnen, ob das Streichen einer langsamen SKU tatsächlich Absatz kostet oder ob diese 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 →äufer einfach zu Ihren anderen Produkten im gleichen Regal wechseln.

Eine einfache Kannibalisierungsmatrix

| | Std Cola senkt Preis | Diet Cola senkt Preis | Handelsmarke senkt Preis |

|----------------|----------------------|-----------------------|---------------------------|

| Std Cola Stück | +18% (eigen) | -6% (kannibalisiert) | -9% (an HM verloren) |

| Diet Cola Stück | -5% (kannibalisiert) | +15% (eigen) | -7% (an HM verloren) |

Lesen Sie die Zellen außerhalb der Diagonale. Die -6% und -5% sind interner Diebstahl. Die -9% und -7% sind echte Wettbewerbsverluste. Händler interessiert der Netto-Effekt über die gesamte Kategorie, nicht eine einzelne Zeile.

Das Modell bauen: was hineingeht

Ein funktionsfähiges KI-Elastizitätssystem braucht diese Inputs, von denen Händler und Marken die meisten schon erheben:

• POS-Scandaten (point-of-sale, tatsächliche Kassentransaktionen) je Store, Woche, SKU.
• Preis- und Promotionshistorie, inklusive Display- und Feature-Anzeigen.
• Wettbewerbs- und Handelsmarkenpreise.
• Store-Attribute: Format, Region, Shopper-Demografie.
• Saisonalität und Kalenderereignisse.

Ein minimaler Modellierungs-Loop sieht so aus:

# Illustrative only: estimate demand, then simulate a price change
import lightgbm as lgb

features = ["price", "comp_price", "pl_price", "promo_flag",
            "week_of_year", "store_format", "region"]

model = lgb.LGBMRegressor()
model.fit(X_train[features], y_train_units)

# Simulate: what if we cut price 5%?
X_sim = X_current.copy()
X_sim["price"] *= 0.95
predicted_units = model.predict(X_sim)
# Compare predicted_units vs baseline to get implied elasticity
# Then repeat for neighboring SKUs to capture cannibalization

Sie vertrauen der rohen Prognose nie allein. Sie fahren kontrafaktische Simulationen: einen Preis ändern, andere fixieren, den Effekt auf die Ziel-SKU und ihre Nachbarn ablesen. So extrahieren Sie die Elastizität und Kreuzelastizität, die das Modell implizit gelernt hat.

Vom Modell ins Regal: der Optimierungsschritt

Die Nachfrage zu schätzen ist die halbe Arbeit. Die andere Hälfte ist die Wahl von Sortiment und Preisen, die eine Zielgröße maximieren, meist den Kategoriegewinn, unter realen Nebenbedingungen:

• Das Regal hat eine feste Anzahl Facings.
• Manche SKUs sind Pflicht (Must-Stock-Marken, die Shopper erwarten).
• Minimale Lagerumschläge, um Dead Stock zu vermeiden.
• Margenuntergrenzen des Händlers.

Daraus wird ein Optimierungsproblem mit Nebenbedingungen. Das Modell schlägt vor: die langsame 500-ml-Variante streichen, ihre zwei Facings der schnellen 1-l-Variante geben, den regulären Preis bei 2,79 $ statt 2,99 $ halten, weil der Volumengewinn den Margenverlust pro Stück mehr als ausgleicht, und der Netto-Kategoriegewinn steigt.

Zurück zu unserer Sprudelwasser-Marke

Mit einer Kannibalisierungsmatrix im Gepäck geht die Marke zurück ins Gespräch. Ihr Pitch wechselt von „Bitte behaltet unseren Platz" zu einer Datenaussage: „Ihre Handelsmarke und unsere Marke bedienen unterschiedliche Shopper. Die Kreuzelastizität ist niedrig. Wenn Sie unsere Facings reduzieren, verlässt der Großteil unseres verlorenen Volumens die Kategorie komplett, statt zu Ihrer Marke zu wandern. Hier ist die Kategoriegewinn-Simulation."

Halten die Zahlen, behält der Händler die Facings, weil das ganze Regal mehr verdient. Zeigen die Zahlen, dass die Marke tatsächlich ersetzbar ist, lautet die ehrliche Antwort: stattdessen über Preis oder Handelspromotion neu verhandeln. In beiden Fällen ist die Entscheidung fundiert.

Praktische Vorbehalte

Korrelation ist nicht Kausalität. Wenn Preis und Absatz in einer Rezession beide fallen, „lernt" ein naives Modell vielleicht, dass niedrige Preise niedrigen Absatz verursachen. Nutzen Sie Holdout-Tests, Geo-Experimente (Preis in manchen Stores ändern, in anderen nicht) und, wo möglich, kausale Methoden.

Elastizität driftet. Nach der Inflation wurden viele Shopper bei Basisprodukten preissensibler. Modelle, die auf alten Daten trainiert sind, unterschätzen die Elastizität. Regelmäßig neu trainieren.

Endogenität. Preise werden oft als Reaktion auf Nachfrage gesetzt, was naive Schätzungen verzerrt. Das ist eine bekannte ökonometrische Falle. Analysten nutzen Instrumentvariablen oder experimentelle Preisvariation zur Korrektur. Wenn Ihr Anbieter nicht erklären kann, wie ererThe 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 → damit umgeht, seien Sie skeptisch.

Pro Händler, nicht One-size. Ein auf einen nationalen Durchschnitt getuntes Modell setzt bei jeder einzelnen Kette falsche Preise. Der Wert liegt in der Konditionierung auf Händler, Region und Format.

Wohin das 2026 führt

Drei Verschiebungen laufen bereits:

• Retail-Media-Daten (die Shopper- und Werbedaten, die Händler an Marken verkaufen) speisen reichhaltigere, schnellere Elastizitätsschätzungen.
• Schnellere Reprice-Zyklen. Manche Händler mit elektronischen Regaletiketten aktualisieren reguläre Preise häufiger, also müssen Modelle öfter laufen.
• Gemeinsame Optimierung. Sortiment, Preis und Promotion werden zunehmend zusammen statt in Silos gelöst.

Key Takeaways

• Elastizität ist bedingt, keine einzelne Zahl. KI zahlt sich aus, indem sie schätzt, wie sich Preissensibilität je Händler, Region, Saison und Wettbewerbslage verschiebt.
• Kannibalisierung ist der entscheidende Input fürs Sortiment. Die Kreuzelastizitätsmatrix trennt echten Wettbewerbsverlust von interner Verschiebung, und genau das rechtfertigt Regalplatz.
• Modellieren ist nur die halbe Arbeit. Kombinieren Sie Nachfrageschätzungen mit Optimierung unter echten Regal- und Margengrenzen, um umsetzbare Planogramme und Preise zu erhalten.
• Schützen Sie sich vor Bias. Endogenität, Korrelationsfallen und Elastizitätsdrift ruinieren naive Modelle leise. Mit Experimenten validieren und häufig neu trainieren.
• Bauen Sie den Pitch um den Kategoriegewinn. Ob Sie die Marke oder der Händler sind, das Gewinnargument ist die Gesamtleistung des Regals, nicht der Absatz einer einzelnen SKU.