Datenbasiertes Pricing, Markdowns und Elastizität in der Praxis

# Datenbasiertes Pricing, Markdowns und Elastizität in der Praxis

Ein Wintermantel kostet den Händler 60 $. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → startet bei 180 $. Im Februar geht ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → für 89 $ weg, und der KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufer ist zufrieden. Warum 89 $ und nicht 99 $ oder 79 $? Vor einer Generation kam diese Antwort aus dem Bauch eines Händlers. Heute kommt sie aus Daten: eine gemessene Schätzung, wie viele Mäntel zusätzlich verkauft werden, wenn Sie den Preis um einen Dollar senken, abgewogen gegen die Kosten dafür, Ware zu halten, die im März niemand mehr will.

Diese Lektion zeigt, wie diese Schätzung entsteht und wie sie zwei Entscheidungen steuert: den Einstiegspreis und die Markdown-Kadenz (den Zeitplan der Preissenkungen, der die Ware vor Saisonende abverkauft).

Der Kerngedanke: PreiselastizitätPreiselastizitätWie stark die Nachfrage auf eine Preisänderung reagiert. Eine hohe Elastizität bedeutet, dass Kunden stark auf Preiserhöhungen reagieren.Vollständige Definition ansehen →

Preiselastizität der Nachfrage misst, wie empfindlich das Absatzvolumen auf den Preis reagiert. Die Formel ist einfach:

> Elastizität = (% Veränderung der verkauften Stückzahl) / (% Veränderung des Preises)

Wenn eine Preissenkung von 10 % den Absatz um 20 % steigert, liegt die Elastizität bei etwa -2,0. Die Zahl ist fast immer negativ (höherer Preis, weniger Stück). Händler lassen das Minuszeichen meist weg und sprechen von einer „Elastizität von 2".

Zwei praktische Kategorien:

• Elastisch (größererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → als 1): Kunden reagieren stark. Fashion-Basics, Elektronikzubehör, alles mit leicht verfügbaren Substituten. Rabatte erzeugen echtes Volumen.
• Inelastisch (kleiner als 1): Kunden reagieren kaum. Grundbedarf, einzigartige Artikel, dringende Bedürfnisse. Rabatte verschenken hier nur Marge.

Das ganze Spiel besteht darin zu wissen, welcher Artikel wozu gehört, zu welchen Zeiten und in welchen Filialen.

Elastizität aus der eigenen Historie schätzen

Sie brauchen kein Labor. Ihr Point-of-Sale-System (POS) hat bereits hunderte natürliche Experimente durchgeführt: Jede vergangene Promotion war eine Preisänderung mit messbarer Absatzreaktion.

Schritt 1: Das Panel aufbauen

Bauen Sie eine Tabelle auf SKU-Filiale-Woche-Ebene. SKU steht für Stock Keeping Unit, die einzelne Produktvariante (genau dieser Mantel, in Navy, Größe M). Jede Zeile braucht:

• verkaufte Stückzahl
• tatsächlicher Verkaufspreis (nach Promotion)
• ob eine Promotion aktiv war
• vorhandener Bestand
• einfache Saisonalitäts-Flags (Kalenderwoche, Feiertage)

Schritt 2: Den Preiseffekt isolieren

Die Falle: Der Absatz steigt im Dezember, weil es Dezember ist, nicht nur weil Sie die Preise gesenkt haben. Sie müssen das Preissignal von Saisonalität, Wetter und Stockouts trennen. Ein verbreiteter Ausgangspunkt ist eine Log-Log-Regression, bei der der Koeffizient auf den logarithmierten Preis direkt die Elastizität ist.

import statsmodels.formula.api as smf

# df enthält: units, price, is_promo, week_of_year, store_id
df["log_units"] = np.log(df["units"])
df["log_price"] = np.log(df["price"])

model = smf.ols(
    "log_units ~ log_price + C(week_of_year) + C(store_id) + is_promo",
    data=df
).fit()

# der Koeffizient auf log_price IST die Elastizitätsschätzung
print(model.params["log_price"])

Ein Koeffizient von -1,8 bedeutet etwa 1,8 % mehr Stück für jedes Prozent Preissenkung. Prüfen Sie immer das Konfidenzintervall: Eine breite Spanne heißt, dass Ihnen die Preisvariation fehlt, um der Zahl zu trauen.

Schritt 3: Wettbewerbskontext ergänzen

Ihre eigene Historie sagt Ihnen, wie Kunden auf Ihre Preise reagieren. Sie sagt Ihnen nicht, was ein Wettbewerber gleich daneben verlangt. Hier kommt Competitive Price Scraping ins Spiel: das automatisierte Sammeln von Wettbewerbspreisen aus öffentlichen Websites.

Einige Hinweise, weil das oft missverstanden wird:

• Das Scraping öffentlicher Preise ist gängige Praxis, aber achten Sie auf die Nutzungsbedingungen der jeweiligen Seite und das geltende Recht. Die Regeln unterscheiden sich je Land. Behandeln Sie das als operative und rechtliche Frage, nicht als rein technische.
• Preise veralten schnell. Ein Scrape von Montag kann am Freitag falsch sein.
• Matchen Sie sorgfältig. Ein „ähnlicher" Mantel mit anderer Isolierung ist nicht dasselbe Produkt.

Wettbewerbspreise schärfen das Modell, weil sie Nachfrage erklären, die Ihre eigene Historie nicht erklären kann. Wenn Ihr Absatz in einer Woche eingebrochen ist, obwohl Sie den Preis nicht verändert haben, kann die Promotion eines Wettbewerbers der Grund sein.

Eine solide, verständliche Einführung in die Elastizität selbst bietet das Kapitel zur Elastizität in OpenStax Principles of Economics, kostenlos und verlässlich.

Den Einstiegspreis setzen

Mit einer Elastizitätsschätzung je Produktfamilie hören Einstiegspreise auf, Ratespiel zu sein.

Arbeiten Sie von Ihren Zielen rückwärts. Bei einem neuen Fashion-Artikel besteht das Ziel meist darin, die meisten Stück in den Peak-Wochen zum oder nahe am Vollpreis zu verkaufen und einen beherrschbaren Restbestand für den Markdown übrig zu lassen. Hohe Elastizität spricht für einen schärferen Einstiegspreis, um früh Volumen aufzubauen. Geringe Elastizität erlaubt Ihnen, ein Premium zu halten.

Zwei Anker halten das Modell ehrlich:

1. Kostenuntergrenze. Modellieren Sie nie unterhalb der Landed Cost plus der mindestens erforderlichen Marge.

2. Wettbewerbsobergrenze. Gescrapte Wettbewerbspreise begrenzen, wie hoch Sie bei vergleichbarer Ware gehen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Die Elastizitätsschätzung zeigt dann, wo zwischen Unter- und Obergrenze Sie landen sollten, um die erwartete Bruttomarge in Euro zu maximieren, nicht nur die Marge in Prozent. 55 % Marge auf 100 Stück verliert gegen 45 % Marge auf 300 Stück.

Das Markdown-Problem

Hier ist die Spannung, mit der jeder Saisonhändler lebt. Sie haben eine feste Menge Mäntel gekauft. Sie haben eine Haltbarkeit: Nach der Saison ist Restbestand totes Kapital, oft für Centbeträge liquidiert. Aber jeder frühe Markdown verschenkt Marge auf Mänteln, die sich ohnehin zum Vollpreis verkauft hätten.

Markdown-Optimierung ist die Disziplin, Preissenkungen so zu planen, dass der Bestand bis zu einem Termin abfließt und die Gesamtmarge geschützt bleibt.

Die zwei Kosten, die Sie ausbalancieren

• Kosten des zu langen Haltens: unverkaufte Stück am Saisonende, weit unter Einstand abgeräumt, plus Lagerung und gebundenes Kapital.
• Kosten des zu frühen Senkens: aufgegebene Marge auf Stücken, die sich zu einem höheren Preis verkauft hätten.

Der optimale Pfad verläuft zwischen beiden.

Wie das Modell konzeptionell funktioniert

Sie brauchen drei Bestandteile je SKU:

1. Eine Nachfrageprognose für jeden Kandidatenpreis, getrieben von Ihrer Elastizitätsschätzung und der Saisonalität.

2. Restbestand und verbleibende Tage der Saison.

3. Einen Restwert (Salvage Value): was ein übrig gebliebenes Stück nach dem Termin wert ist.

Die Engine simuliert Markdown-Pläne (zum Beispiel: vier Wochen Vollpreis halten, dann 20 % Rabatt, dann 40 % Rabatt) und prognostiziert für jeden den Endbestand und die Gesamtmarge. Sie empfiehlt den Plan, der den Bestand bis zum Termin abräumt und die höchste erwartete Marge liefert.

Eine durchgerechnete Intuition

Angenommen, Sie haben 500 Stück, acht Wochen verbleibend und ein aktuelles Tempo von 30 Stück pro Woche zum Vollpreis. In diesem Tempo bleiben am Ende 260 Stück unverkauft. Das ist der Auslöser.

Ihre Elastizität von 2,0 legt nahe, dass eine Senkung um 20 % das Wochentempo in Richtung 42 Stück hebt. Rechnen Sie die Prognose neu: näher am Abverkauf, aber vielleicht nicht ausreichend. Das Modell empfiehlt eventuell 20 % jetzt und eine tiefere Senkung um 40 % in Woche fünf, falls das Tempo weiter hinterherhinkt. Der Punkt ist die Kadenz, gestaffelte Senkungen, nicht ein panischer Totalausverkauf.

Sell-Through als tägliches Signal

Händler verfolgen die Sell-Through-Rate: verkaufte Stück geteilt durch erhaltene Stück, in Prozent. Wenn Ihr Ziel 80 % Sell-Through bis Woche sechs ist und Sie bei 60 % liegen, zeigt das Modell die Lücke früh genug, um zu handeln. Moderne Markdown-Systeme rechnen das wöchentlich, teils täglich neu und speisen frische POS- und Scrape-Daten zurück.

Wo es in der Realität bricht

Modelle führen in die Irre, wenn die Daten lügen. Achten Sie darauf:

• Stockouts tarnen sich als schwache Nachfrage. Wenn Sie am Dienstag ausverkauft waren, unterschätzt Ihr Wochenabsatz die echte Nachfrage. Markieren Sie Out-of-Stock-Zeiträume und schließen Sie sie aus oder korrigieren Sie sie, sonst wirkt Ihre Elastizität kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ünstlich schwach.
• Halo und Kannibalisierung. Ein Rabatt auf den Mantel kann den Absatz passender Schals heben (Halo) oder einem ähnlichen Mantel Absatz wegnehmen (Kannibalisierung). Modelle auf SKU-Ebene übersehen das. Sichtweisen auf Kategorieebene helfen.
• Schaden an Marke und Wahrnehmung. Ständige Tiefrabatte erziehen Kunden dazu, zu warten. Das Modell optimiert diese Saison; es sieht nicht die erodierte Vollpreisnachfrage der nächsten Saison. Das ist eine Führungsentscheidung, keine Formel.
• Dünne Preisvariation. Wenn ein Produkt nie rabattiert wurde, haben Sie kein Signal zu seiner Elastizität. Leihen Sie Schätzungen von ähnlichen Artikeln und markieren Sie die Unsicherheit.

Praktische Governance

Halten Sie Menschen im Prozess. Die besten Setups lassen das System empfehlen und einen Händler freigeben, mit Guardrails: kein Preis unter Einstand, keine Senkung tiefer als X % ohne Freigabe, nicht mehr als ein Markdown je zwei Wochen. Der Algorithmus übernimmt die Skalierung; Menschen übernehmen Urteil und Ausnahmen.

Wichtigste Erkenntnisse

• Elastizität ist messbar, nicht mystisch. Ihre POS-Historie ist eine Bibliothek vergangener Preisexperimente. Eine Log-Log-Regression, kontrolliert für Saisonalität und Stockouts, macht daraus eine nutzbare Zahl je Produktfamilie.
• Optimieren Sie Margen-Euro, nicht Margen-Prozent. Eine niedrigere Marge auf höherem Volumen gewinnt oft. Die Elastizität sagt Ihnen, wann.
• Markdowns sind eine Kadenz, kein Ereignis. Gestaffelte Senkungen, gesteuert über Sell-Through, schlagen einen verzweifelten Totalausverkauf am Saisonende.
• Bereinigen Sie zuerst die Inputs. Stockouts, Kannibalisierung und veraltete Wettbewerbs-Scrapes verzerren jede nachgelagerte Entscheidung. Korrigieren Sie sie, bevor Sie dem Output trauen.
• Behalten Sie das Urteil über dem Algorithmus. Guardrails und menschliche Freigabe schützen Brand EquityBrand EquityDer kommerzielle Wert, den Ihre Marke über die funktionalen Produkteigenschaften hinaus schafft: Preispremium, Präferenz und Loyalität.Vollständige Definition ansehen → und die Vollpreisnachfrage der nächsten Saison, die kein Einzelsaison-Modell sehen kann.