Wie kann KI den richtigen Einstiegspreis für ein Modeprodukt festlegen?

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI legt Einstiegspreise in der Mode fest, indem sie die Preiselastizität schätzt, also wie sich die Nachfrage mit dem Preis verändert, und zwar anhand vergleichbarer früherer Produkte, Attribute und kontrollierter Preistests.
2. Bei neuen Produkten ohne eigene Historie wird die Elastizität von ähnlichen Artikeln übernommen, und die Schätzung verbessert sich, sobald erste Verkäufe vorliegen.
3. Forschung mit dem Onlinehändler Rue La La ergab, dass die Nachfrage nach einem Artikel von den Preisen anderer Artikel seiner Kategorie abhing. Die Preise mussten deshalb über die ganze Kategorie hinweg optimiert werden statt einzeln.
4. Ein Feldexperiment bei Rue La La im Januar 2014 steigerte laut Harvard Business School den Umsatz mit den Versuchsprodukten um rund 9,7 Prozent bei minimalen Auswirkungen auf die verkauften Stückzahlen.
5. Modelle für Einstiegspreise brauchen saubere, um Fehlbestände und Promotionen bereinigte Verkaufsdaten, und ihre Empfehlungen sollten sich innerhalb der Regeln der Preisarchitektur der Marke bewegen.

KI legt einen Einstiegspreis fest, indem sie schätzt, wie die Nachfrage nach einem Produkt auf verschiedene Preispunkte reagiert, gestützt auf vergleichbare frühere Produkte, Produktattribute und, wo möglich, kontrollierte Preistests. Das Modell empfiehlt den Preis, der ein Ziel wie die Marge zum vollen Preis oder den Abverkauf am besten erreicht, innerhalb der Preisarchitektur der Marke. Ein guter Einstiegspreis verringert die später nötigen Abschriften.

Warum ist der Einstiegspreis in der Mode so wichtig?

In einem saisonalen Geschäft setzt der Einstiegspreis die Obergrenze für alles, was folgt. Ist der Preis zu hoch, stockt das Produkt und wartet auf die erste Abschrift. Ist er zu niedrig, verschenkt die Marke Marge bei Artikeln, die sich ohnehin verkauft hätten. Die meiste Aufmerksamkeit im KI-Pricing gilt den Abschriften, doch die Forschung zur Abverkaufspreisgestaltung bei Zara zeigt, dass selbst optimierte Abschriften nur einen Teil des Werts zurückholen: Im Feldexperiment von Caro und Gallien aus dem Jahr 2008 steigerte der optimierte Prozess den Abverkaufsumsatz um rund 6 Prozent. Stimmt der erste Preis, muss weniger zurückgeholt werden.

Was ist Preiselastizität, und wie schätzt KI sie?

Die Preiselastizität misst die prozentuale Veränderung der Nachfrage bei einer prozentualen Preisänderung. Ein Produkt mit hoher Elastizität verliert bei einer Preiserhöhung viele Verkäufe, eines mit geringer Elastizität reagiert kaum. Die klassische Analyse schätzt die Elastizität aus der eigenen Preishistorie eines Artikels, doch neue Modeprodukte haben keine. KI-Modelle schätzen sie deshalb aus Mustern über viele frühere Produkte hinweg: wie Produkte mit ähnlichen Attributen, Preislagen und Kanälen auf Preisunterschiede und Preisänderungen reagiert haben.

MIT News beschreibt den Ansatz, den David Simchi-Levi und Kollegen entwickelt haben: neue Produkte ähnlichen Artikeln zuordnen, mit maschinellem Lernen den Zusammenhang zwischen Preis und Nachfrage vorhersagen, Preise an echten Verkäufen testen und die Kurve anpassen und schliesslich die Preise über viele Produkte hinweg optimieren. Eine zentrale Erkenntnis bei Rue La La war laut Harvard Business School, dass die Nachfrage nach einem Artikel von den Preisen anderer Artikel seiner Kategorie abhing. Wer ein Produkt isoliert bepreist, übersieht, dass Kundinnen und Kunden vergleichen.

Lesen Sie auch

KI und Preisgestaltung: Markdown-Optimierung erklärt

Welche Daten braucht ein Modell für Einstiegspreise?

Zwei Bereinigungen sind am wichtigsten. Verkäufe ausverkaufter Artikel unterschätzen die Nachfrage, deshalb schätzten die Forschenden bei Rue La La vor der Modellierung die entgangenen Verkäufe mit maschinellem Lernen. Und Promotionszeiträume müssen gekennzeichnet werden, sonst lernt das Modell, dass sich jedes Produkt zu seinem reduzierten Preis verkauft.

Wie legt man mit KI Schritt für Schritt einen Einstiegspreis fest?

1. Das Ziel definieren. Entscheiden Sie, ob der Preis die Marge zum vollen Preis, den Abverkauf oder den Umsatz maximieren soll und wie diese Ziele gewichtet werden.
2. Die Preisarchitektur festlegen. Geben Sie dem Modell die zulässigen Preispunkte und die Abstufung zwischen Einstiegs-, Kern- und Premiumlinien vor.
3. Die Historie aufbereiten. Bereinigen Sie die Verkäufe von zwei oder mehr Saisons um Fehlbestände, Promotionen und Distributionsbreite.
4. Die Elastizität nach Segment schätzen. Gruppieren Sie Produkte nach Kategorie, Attribut und Kanal und schätzen Sie die Preisreaktion für jede Gruppe.
5. Szenarien simulieren. Vergleichen Sie für jedes neue Produkt prognostizierte Stückzahlen, Umsatz und Marge bei mehreren möglichen Preisen, einschliesslich der Auswirkungen auf benachbarte Produkte.
6. Gemeinsam mit dem Merchandising entscheiden. Behandeln Sie das Ergebnis als Empfehlung und halten Sie fest, wann und warum davon abgewichen wird.
7. Aus ersten Verkäufen lernen. Vergleichen Sie die tatsächliche Reaktion in den ersten Wochen mit der Prognose und aktualisieren Sie die Elastizitätsschätzungen für den nächsten Drop oder die nächste Saison.

Lassen sich Preise testen, ohne der Marke zu schaden?

Preistests sind der direkteste Weg, die Elastizität kennenzulernen, bergen in der Mode aber Risiken. Wer verschiedenen Kundinnen und Kunden für denselben Artikel unterschiedliche Preise zeigt, riskiert Fairnessbeschwerden, und in der EU müssen Händler nach dem durch die Richtlinie (EU) 2019/2161 geänderten Verbraucherrecht offenlegen, wenn ein Preis durch automatisierte Entscheidungsfindung personalisiert wurde. Sicherere Testdesigns variieren den Preis über vergleichbare Produkte, Märkte oder Zeiträume statt über einzelne Kundinnen und Kunden und halten die getestete Bandbreite innerhalb der Preisarchitektur der Marke.

Welche Ergebnisse kann eine Marke realistischerweise erwarten?

Die veröffentlichten Belege sind ermutigend, aber spezifisch. Die Harvard Business School berichtet, dass das Feldexperiment von Rue La La im Januar 2014 den Umsatz mit den Versuchsprodukten um rund 9,7 Prozent bei minimalen Auswirkungen auf die verkauften Stückzahlen steigerte. MIT News berichtete zudem über einen Test bei Groupon, bei dem der Umsatz mit Deals insgesamt um rund 21 Prozent stieg. Beides sind preisgetriebene Onlinegeschäfte mit vielen kurzlebigen Artikeln, was Experimente erleichtert. Eine Modemarke, die auf den vollen Preis setzt, sollte kleinere und langsamere Gewinne erwarten und diese auf eigenen Daten im Vergleich zur bisherigen Preisfindungsmethode messen.

Lesen Sie auch

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren

Wo liegen die Grenzen der KI-gestützten Einstiegspreisfindung?

• Die aus früheren Produkten gelernte Elastizität gilt möglicherweise nicht für wirklich neue Kategorien oder Kollaborationen.
• Modelle erfassen, was die Kundschaft bezahlt hat, nicht wofür die Marke stehen will. Die Preispositionierung bleibt eine strategische Entscheidung.
• Preis und Einkaufstiefe hängen zusammen: Ein niedriger Preis bei geringer Einkaufstiefe führt nur schneller zum Ausverkauf. Preis- und Mengenentscheide sollten deshalb gemeinsam getroffen werden.
• Wholesale-Kunden und Marktplätze reagieren möglicherweise auf Preispunkte, die von den unverbindlichen Preisempfehlungen abweichen. Die Konsistenz über Kanäle hinweg braucht deshalb eine menschliche Prüfung.

Unter Berücksichtigung dieser Grenzen gibt ein Elastizitätsmodell dem Merchandising einen strukturierten Blick auf den Zielkonflikt zwischen Marge und Volumen bei jedem Preispunkt. Das ist eine belastbarere Grundlage für einen Einstiegspreis als der Preis des nächstliegenden Vergleichsartikels der Vorsaison.

Häufige Fragen

Was ist Preiselastizität in der Mode?

Die Preiselastizität in der Mode misst, wie stark sich die Nachfrage nach einem Produkt verändert, wenn sich sein Preis ändert. Produkte mit hoher Elastizität verlieren bei Preiserhöhungen viele Verkäufe, während Produkte mit starker Markenanziehung oder wenigen Alternativen weniger reagieren. KI schätzt die Elastizität neuer Artikel anhand vergleichbarer früherer Produkte.

Wie bepreist man ein neues Bekleidungsprodukt ohne Verkaufshistorie?

Man stützt sich auf ähnliche frühere Produkte, zugeordnet nach Attributen, Kategorie, Preislage und Kanal, und schätzt, wie deren Nachfrage auf den Preis reagiert hat. KI-Modelle automatisieren diese Zuordnung und simulieren die Nachfrage bei mehreren Preispunkten. Erste Verkäufe dienen anschliessend dazu, die Schätzung zu verfeinern.

Kann KI das Merchandising bei der Preisfestlegung ersetzen?

Nein. KI kann die Nachfrage bei verschiedenen Preispunkten schätzen und Optionen empfehlen, doch Markenpositionierung, Preisarchitektur und Kanalstrategie bleiben menschliche Entscheidungen. Am wirksamsten sind Setups, in denen das Modell vorschlägt und das Merchandising entscheidet, wobei Abweichungen festgehalten und überprüft werden.

Sind Preistests in der EU erlaubt?

Preistests sind grundsätzlich möglich, doch das EU-Verbraucherrecht verlangt, dass Händler Konsumentinnen und Konsumenten informieren, wenn ein Preis auf Grundlage automatisierter Entscheidungsfindung personalisiert wurde. Tests über Märkte, Zeiträume oder vergleichbare Produkte vermeiden eine individuelle Personalisierung. Vor jedem Test empfiehlt sich eine rechtliche Prüfung.

LeitfadenDer umfassende Leitfaden zu KI in Merchandising und EinkaufDen ganzen Leitfaden lesen