KI-gestütztes Pricing und Markdown-Optimierung

# KI-gestütztes Pricing und Markdown-Optimierung

Ein Fashion-Retailer startet in den Februar mit 40.000 Wintermänteln im Regal. Jede Woche, die sie dort liegen, kostet Wert: Die Mäntel kommen aus der Mode, Lagerfläche kostet Geld, und die Frühjahrsware kommt schon an. Die Frage ist nicht, *ob* reduziert wird. Sie lautet: *wann*, *wie tief* und *welche Artikel*, damit der Retailer die Ware abverkauft, ohne Marge zu verschenken, die 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 → nicht hätte verschenken müssen.

Das ist das Markdown-Problem. Es verfolgt den Handel seit Jahrzehnten. KI geht es jetzt mit Mathematik an, die kein menschlicher Einkäufer per Hand rechnen 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 →önnte.

Warum Pricing im Handel so schwer ist

Preissetzung im Handel sieht einfach aus: Zahl festlegen, Artikel verkaufen. Ist es nicht.

Ein einzelner Fashion-Retailer führt vielleicht Zehntausende SKUs (stock keeping units, also jede einzelne Produktvariante, etwa ein roter Mantel in Größe M). Jede SKU hat ihre eigene Nachfragekurve, ihre eigenen Wettbewerber und ihre eigene Lebensdauer im Regal. Ein Wollmantel verhält sich völlig anders als ein einfaches weißes T-Shirt.

Drei Kräfte treffen aufeinander:

• Marge: der Gewinn nach Kosten. Reduzieren Sie zu früh, verbrennen Sie sie.
• Sell-through: der Anteil des Bestands, der bis Saisonende verkauft ist. Reduzieren Sie zu spät, bleiben Sie auf wertloser Ware sitzen.
• Markenwahrnehmung: dauerhaft tiefe Rabatte erziehen Kunden dazu, auf Sales zu warten.

Menschliche Einkäufer arbeiteten traditionell mit Bauchgefühl und einfachen Regeln („ab Woche 6 um 20 % reduzieren“). KI ersetzt die Daumenregel durch ein Modell, das auf jedes Produkt abgestimmt ist.

Preiselastizität: die Grundlage

Preiselastizität der Nachfrage misst, wie stark sich das Verkaufsvolumen verändert, wenn Sie den Preis ändern. Hebt eine Preissenkung von 10 % die verkauften Stück um 30 %, ist die Nachfrage *elastisch*: 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 sind preissensibel. Hebt die gleiche Senkung den Absatz nur um 3 %, ist die Nachfrage *inelastisch*: Der Preis bewegt sie kaum.

Das ist der zentrale Input für jedes Pricing-Modell.

Ein konkretes Beispiel:

• Ein trendiges Sweatshirt mit Print ist stark elastisch. 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 vergleichen Preise, ein kleiner Rabatt räumt viele Stück ab.
• Ein Basic wie schwarze Socken ist inelastisch. Menschen kaufen, was sie brauchen, unabhängig von einer kleinen Preisänderung.

KI schätzt die Elastizität pro Produkt (oder Produkt-Cluster) aus historischen Verkäufen, Promotions, Wetter, Wettbewerberpreisen und Web-Traffic. Wo ein Produkt neu ist und keine Historie hat, leiht sich das Modell Daten von ähnlichen Artikeln, eine Technik namens *Cold Start*-Handling.

Hier eine vereinfachte Log-Log-Regression, der klassische Startpunkt, den Elastizitäts-Teams noch immer nutzen:

import numpy as np
import statsmodels.api as sm

# Historische Wochendaten für ein Produkt
log_price = np.log(price)      # z. B. Wochenpreis
log_units = np.log(units_sold) # z. B. Stück pro Woche

X = sm.add_constant(log_price)
model = sm.OLS(log_units, X).fit()

elasticity = model.params[1]   # die Steigung IST die Elastizität
print(f"Elasticity: {elasticity:.2f}")
# -1.8 bedeutet: 1 % Preiserhöhung senkt die Stückzahl um ~1,8 %: elastisch

Die Steigung von Preis gegen Volumen, auf logarithmischer Skala, *ist* die Elastizität. Ein Wert unter minus eins bedeutet elastisch; zwischen null und minus eins bedeutet inelastisch. Echte Systeme legen Saisonalität, Wettbewerberdaten und Machine-Learning-Modelle darüber, die eine einfache Regression schlagen, aber die Intuition bleibt.

Wenn Sie ökonomisch tiefer einsteigen wollen: Das Kapitel zur Elastizität in OpenStax Principles of Economics ist eine kostenlose, solide Einführung.

Den Basispreis festlegen

Vor den Markdowns setzt KI den *Basispreis*: den vollen Ticketpreis beim Launch.

Das Modell wägt ab:

• Kosten und Zielmarge: die Untergrenze, unter der Sie nicht verkaufen.
• Wettbewerberpreise: oft täglich von Websites der Konkurrenz gescraped.
• Zahlungsbereitschaft: aus der Elastizität abgeleitet.
• Positionierung: eine Premiummarke kann sich bewusst über dem Markt positionieren, um Qualität zu signalisieren.

Das Ergebnis ist ein Preis, der den erwarteten Gewinn bei gegebener Nachfragekurve maximiert, nicht bloß Kosten plus fixer Aufschlag. Deshalb kann die gleiche Jacke bei einer Discount-Kette einen anderen Preis tragen als im Kaufhaus: Ihre Modelle und die Elastizität ihrer Kunden unterscheiden sich.

Das Markdown-Problem, und warum Timing alles ist

Zurück zu den 40.000 Mänteln.

Ein Markdown ist eine permanente Preissenkung zur Abverkaufssteuerung, im Unterschied zu einer temporären Promotion. Das Ziel: die verbleibenden Stück verkaufen, bevor ihr Wert zum Saisonende auf null fällt.

Die Falle: Markdowns potenzieren sich. Senken Sie jetzt um 20 %, müssen Sie später vielleicht nicht um 50 % senken. Senken Sie aber zu früh bei einem Produkt, das sich zum Vollpreis verkauft hätte, haben Sie Marge an Kunden verschenkt, die mehr gezahlt hätten.

Das ist ein *sequenzielles Entscheidungsproblem*. Die Wahl jeder Woche verändert, was übrig bleibt und was als Nächstes möglich ist. Genau für diese Struktur ist Reinforcement Learning gemacht.

Reinforcement Learning für Markdowns

Reinforcement Learning (RL) ist eine KI-Art, bei der ein „Agent“ durch Versuch und Irrtum lernt, eine langfristige Belohnung zu maximieren. Denken Sie an das Erlernen eines Spiels: Der Agent handelt, sieht Ergebnisse und passt sich an.

Übertragen auf Markdowns:

• State: aktueller Bestand, verbleibende Wochen der Saison, aktueller Preis, jüngster Sell-through, Wettbewerberpreise.
• Action: Preis halten oder um einen Betrag senken.
• Reward: erzielter Gewinn, mit einer Strafe für Restbestand am Saisonende.

Der Agent lernt eine *Policy*: eine Regel, welchen Markdown 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 → in welchem State setzt. Entscheidend ist, dass 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 → über die *gesamte* Saison optimiert, nicht nur über diese Woche. 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 → hält den Preis vielleicht jetzt, weil das Modell einen Nachfragepeak vorhersagt (ein Feiertag, ein 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 →älteeinbruch), bei dem ein früher Rabatt verschwendet wäre.

Warum RL fixe Regeln schlägt:

• Es reagiert auf reale Bedingungen. Ein warmer Winter, der den Mantelabsatz bremst, löst frühere, tiefere Senkungen aus.
• Es wägt kurzfristigen Umsatz gegen das Saisonendrisiko automatisch ab.
• Es lernt Wechselwirkungen zwischen Produkten: Rabatte auf Mäntel 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 Schal-Absatz kannibalisieren oder heben.

Retailer lassen ein Modell selten schon am ersten Tag vollständig autonom laufen. Meist arbeiten sie mit *Human in the Loop*: Die KI empfiehlt, ein Pricing-Manager genehmigt, und Overrides fließen ins Modell zurück. Weil reines Ausprobieren an Live-Preisen riskant und langsam ist, trainieren Teams RL-Agenten zuerst in der *Simulation*, mit einem Nachfragemodell aus historischen Daten als synthetischer Sandbox.

Guardrails und Constraints

Ein Modell ohne Einschränkungen macht dumme Dinge: ein Flagship-Produkt auf null herunterfahren oder identische Artikel so unterschiedlich bepreisen, dass Kunden sich ärgern. Echte Systeme schrauben Geschäftsregeln davor:

• Preisuntergrenzen: nie unter Kosten plus Mindestmarge.
• Endungsregeln: Preise enden auf ,99 oder ,95 für die Wahrnehmung.
• Grenzen der Änderungsfrequenz: kein Preis-Schleudertrauma, das Vertrauen zerstört.
• Konsistenz in der Produktfamilie: dasselbe Hemd in fünf Farben sollte üblicherweise denselben Preis haben.

Es gibt auch rechtliche Grenzen. Preissetzung auf Basis geschützter Merkmale oder Preisabsprachen mit Wettbewerbern 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 in vielen Märkten illegal sein. Und *Dynamic PricingDynamic PricingAutomatically adjusting prices in real time based on demand, competition or user behaviour to optimise revenue, margin or conversion.Vollständige Definition ansehen →* (Preise, die sich mit Nachfrage oder Zeit verschieben) zieht Verbraucherschutzprüfungen an, wenn es nach Preistreiberei wirkt. Halten Sie Legal und Compliance eng dabei. Diese Lektion ist keine Rechtsberatung.

Alles zusammen: das Mantel-Beispiel

Zurück zu den 40.000 Mänteln, zehn Wochen vor Saisonende.

Woche 1: Das Elastizitätsmodell weist Mäntel als moderat elastisch aus. Der RL-Agent sieht gesunden Bestand und eine 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 →älteprognose. 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 → empfiehlt, den Vollpreis zu *halten*. Der menschliche Manager genehmigt.

Woche 4: Eine milde Phase bremst den Absatz. Der Bestand liegt hinter Plan. Der Agent empfiehlt 15 % Markdown nur auf die langsamsten Farben und hält Bestseller zum Vollpreis. Das ist ein *gezielter* Markdown, kein flächendeckender.

Woche 7: Noch 12.000 Stück übrig. Der Agent geht, unter Abwägung des nahezu null Restwerts übriger Mäntel, auf 35 %. 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 → legt die Senkung auf ein Wochenende und den Sale eines Wettbewerbers, wo die Elastizität am höchsten ist.

Woche 10: Finaler Abverkauf zu 60 %, um den Ziel-Sell-through zu erreichen und die Fläche für das Frühjahr freizumachen.

Das Ergebnis, das der Retailer will: höhere Gesamtmarge als bei einer fixen Regel „20 % ab Woche 6“, weil die Rabatte kleiner, später und nur dort gesetzt wurden, wo sie Stückzahlen bewegten.

Was es braucht, damit das funktioniert

Die Mathematik ist der einfache Teil. Die harten Teile:

• Saubere Daten: korrekte Verkaufs-, Bestands- und Kostenfeeds. Garbage in, garbage priced.
• Wettbewerberdaten: legales, verlässliches Price Scraping oder ein Datenanbieter.
• Vertrauen in der Organisation: Einkäufer müssen dem Modell glauben. Mit Empfehlungen starten, Lift nachweisen, dann Autonomie ausweiten.
• Messung: A/B-Tests oder Holdout-Filialen fahren, um zu belegen, dass die KI die alten Regeln schlägt, statt es anzunehmen.

Key Takeaways

• Elastizität ist der Motor. Jede Pricing-Entscheidung beginnt damit, wie preissensibel die Nachfrage je Produkt ist, geschätzt pro SKU aus Historie und Kontext.
• Markdowns sind ein sequenzielles Spiel, keine Einzelentscheidung. Reinforcement Learning optimiert über die gesamte Saison, hält erst, senkt dann, um Marge zu schützen und Bestand abzubauen.
• Gezielt, nicht flächendeckend. Langsamdreher reduzieren, Bestseller halten; Senkungen auf Momente maximaler Elastizität legen, etwa Wettbewerber-Sales oder Wochenend-Traffic.
• Guardrails sind Pflicht. Preisuntergrenzen, Konsistenzregeln und rechtliche Grenzen für Dynamic PricingDynamic PricingAutomatically adjusting prices in real time based on demand, competition or user behaviour to optimise revenue, margin or conversion.Vollständige Definition ansehen → verhindern, dass das Modell Marge zerstört oder gegen Gesetze verstößt.
• Nachweisen, bevor Sie vertrauen. Mit Human-in-the-Loop-Genehmigung und Holdout-Tests zeigen, dass die KI einfache Regeln übertrifft, bevor Sie mehr Autonomie geben.