Wieso der Preis im Onlinehandel eine Teamleistung sein muss

Ein günstigerer Produktpreis steigert die Conversion, eine höhere Werbeinvestition bringt zusätzliche Käufer und größere Bestellmengen sichern die Warenverfügbarkeit. Für sich betrachtet - alles richtig; schüttet man alles zusammen, kann es allerdings unerwartete Reaktionen geben, die erhebliche Verluste verursachen. Denn in vielen Handelsunternehmen arbeiten Einkauf, Pricing und Performance-Marketing weiterhin mit unterschiedlichen Kennzahlen, Datengrundlagen und Zielsetzungen. Die Folgen reichen von unrentablen Werbekampagnen bis zu Warenüberbeständen, die sich nur noch mit hohen Rabatten verkaufen lassen.

Wie sich diese Zielkonflikte mithilfe Künstlicher Intelligenz vermeiden lassen, erläuterte Felix Hoffmann , Mitgründer und CEO des Berliner Technologieunternehmens 7Learnings   , auf der iBusiness-Veranstaltung Transformation des Handels 26. Hoffmann war zuvor bei Zalando    für den globalen Preisoptimierungsalgorithmus verantwortlich. Bereits dort beschäftigte ihn die Frage, wie sich Preis- und Marketingentscheidungen besser miteinander verzahnen lassen.

Wenn mehr Umsatz weniger Gewinn bedeutet

Besonders deutlich wird das Problem im Performance-Marketing. Während die Preisabteilung häufig den Gewinn vor Marketingkosten maximiert, konzentriert sich das Marketing auf Kennzahlen wie Return on Advertising Spend (ROAS) oder Advertising Cost of Sales (ACoS). Beide Bereiche können damit ihre jeweiligen Ziele erreichen, während das Unternehmen insgesamt Geld verliert. Verdeutlichen wir diesen Zusammenhang am Beispiel eines stark umkämpften Produkts wie Aspirin, würde etwa das Marketing die Ausgaben für Google Shopping erhöhen, um zusätzliche Verkäufe zu generieren. Gleichzeitig senkt das Pricing-Team den Verkaufspreis, um die Wettbewerbsfähigkeit zu verbessern. Die Conversion steigt, allerdings reicht die verbleibende Marge möglicherweise nicht mehr aus, um die Werbekosten zu decken. "Ich mach zwar sehr viele Verkäufe, aber jeder einzelne Verkauf kostet mich Geld, weil ich halt nicht genug Marge übrig habe aufgrund der Preisreduktion, um halt Google Shopping die Klickkosten zu bezahlen", sagt Felix Hoffmann.
Auch die umgekehrte Konstellation kann teuer werden. Erhöht das Pricing-Team den Verkaufspreis, während das Marketing weiterhin hohe Klickpreise bezahlt, sinkt eventuell die Conversion. Die Anzeigen generieren dann zwar Besucher, aber kaum einer davon wird zum Käufer. In beiden Fällen fehlt die Abstimmung zwischen Preisgestaltung und Werbeinvestitionen. Vermeiden lässt sich dieser Effekt, indem man den Gewinn nach Marketingkosten zur gemeinsamen Steuerungsgröße macht. Dafür müssten Marketingkosten zunächst auf Produktebene verfügbar sein und in die Preisoptimierung einfließen. Anschließend könnten auch Marketingbudgets an die jeweiligen Produktpreise angepasst werden.

KI hilft - doch der Einkauf muss mitmachenDie technische Grundlage bildet eine vorhersagebasierte Optimierung. Statt Preise anhand starrer Regeln oder ausschließlich anhand dessen festzulegen, was 'die anderen so verlangen', analysieren KI-Modelle historische Preisänderungen, Verkaufszahlen, Margen und weitere Einflussfaktoren. Idealerweise berücksichtigt die KI auch externe Informationen wie Wetterdaten und Wettbewerbspreise, soweit relevant. Aus diesen Daten berechnet das System, wie sich unterschiedliche Preise auf Nachfrage, Absatz und Gewinn auswirken könnten. Zusätzlich lassen sich verschiedene Marketingintensitäten simulieren. So bekommt man für jedes Produkt eine Prognose, welche Kombination aus Preis und Werbeausgaben unter den gegebenen Bedingungen den höchsten Gewinn verspricht.

Die Steuerung erfolgt dabei nicht ausschließlich auf Produktebene. Händler können übergeordnete Ziele definieren, beispielsweise fünf Prozent Umsatzwachstum oder eine höhere Profitabilität. Der Algorithmus ermittelt anschließend die passenden Preis- und Marketingentscheidungen für das Sortiment. Auch die Warenverfügbarkeit beeinflusst die Berechnung. Ist ein Produkt ohnehin knapp, kann das System die Werbeintensität reduzieren, damit man nicht für's leere Lager Marketing macht.

Noch komplexer wird die Optimierung, wenn der Einkauf einbezogen wird. Nach Hoffmanns Beobachtung orientieren sich viele Einkaufsteams weiterhin stark an den Bestellmengen des Vorjahres. Das kann problematisch sein, wenn der damalige Absatz beispielsweise nur durch erhebliche Preisnachlässe zustande gekommen ist.

Es erscheint banal, aber wurden beispielsweise große Warenmengen erst mit 60 Prozent Rabatt verkauft, wäre es fehlgeleitet, im Jahr drauf dieselben Mengen zu bestellen, ohne die damalige Preisentwicklung zu berücksichtigen. Umgekehrt kann ein Produkt mit knappem Bestand deutlich mehr Nachfragepotenzial besitzen, als die tatsächlichen Verkaufszahlen vermuten lassen.

Bisher müssen Pricing und Marketing oft Feuerwehr spielen und solche Fehlentscheidungen des Einkaufs ausbessern, wenn die Hütte schon brennt. Hohe Rabatte beschleunigen dann den Abverkauf von Überbeständen, während höhere Preise oder geringere Werbeausgaben die Nachfrage bei knapper Ware bremsen. Eine Alternative dazu sind Nachfrageprognosen, die bereits bei der Einkaufsplanung berücksichtigen, wie teuer man verkaufen will und mit welchen Werbemaßnahmen man das begleiten wird. Und auf einmal hat man miteinander abgestimmte Entscheidungen über Bestellmengen, Werbeinvestitionen und Verkaufspreise. Eine magische Kur gegen jede Fehlprognose ist das zwar nicht; allerdings sinkt der nachträgliche Korrekturbedarf, wenn alle drei Bereiche miteinander auf derselben Datengrundlage planen.

Regeln sind sinnvoll - wenn man weiß, was man tut

Für Händler stellt sich die Frage, wie sich unterschiedliche Preis- und Rabattstrategien auf Umsatz und Gewinn auswirken. Dabei können je nach Sortiment unterschiedliche Ziele sinnvoll sein: Während aktuelle Saisonware möglichst profitabel verkauft werden soll, kann bei älteren Beständen der schnelle Abverkauf Vorrang haben. Auch vermeintlich sinnvolle Preisregeln, etwa feste Mindestmargen, können die wirtschaftlichen Handlungsspielräume einschränken. Hoffmann warnt deshalb: "Regeln machen durchaus Sinn, aber man sollte vorher wissen, was man da tut, was für einen Einfluss diese Regeländerungen haben." Entscheidend sei, die wirtschaftlichen Folgen solcher Entscheidungen vorab abzuschätzen.

Für die technische Implementierung veranschlagt Hoffmann etwa vier bis sechs Wochen, um die notwendige Datengrundlage aufzubauen. Anschließend folgt üblicherweise ein A/B-Test über ungefähr sechs weitere Wochen, bevor bei positiven Ergebnissen eine breitere Einführung erfolgen kann. Die Datenübernahme erfolgt nach Unternehmensangaben über bestehende Programmierschnittstellen, beispielsweise zu Shopify   und Google-Diensten. Alternativ können CSV-Exporte genutzt werden. Die größte Herausforderung liegt damit nicht allein in der Technologie, sondern in der Organisation. Solange Marketing, Pricing und Einkauf unterschiedliche Erfolgskennzahlen verfolgen, bleiben Zielkonflikte bestehen.

Als ersten konkreten Schritt empfiehlt Hoffmann, die Marketingkosten auf Produktebene an das Pricing-Team weiterzugeben. Damit würden beide Abteilungen zumindest auf derselben wirtschaftlichen Grundlage entscheiden. "Das ist erst mal ein einfacher erster Schritt und dann optimieren ja beide schon mal zumindest nach demselben KPI, nach Profit nach Marketingkosten." Erst danach müsse die Preisentscheidung auch in die Marketingsteuerung einbezogen und schließlich der Einkauf integriert werden. Die KI übernimmt dabei nicht die Unternehmensstrategie, sondern berechnet, mit welchen Entscheidungen sich vorgegebene Ziele voraussichtlich am besten erreichen lassen.

Für Händler bedeutet das einen grundlegenden Perspektivwechsel: Nicht mehr die isolierte Optimierung einzelner Abteilungen entscheidet über den wirtschaftlichen Erfolg, sondern das Zusammenspiel aller Maßnahmen. Denn zusätzlicher Umsatz ist nur dann ein Erfolg, wenn am Ende auch mehr Gewinn übrig bleibt.