KI und Preisgestaltung: Markdown-Optimierung erklärt
Markdown-Optimierung nutzt Nachfragemodelle, um zu entscheiden, wann und wie stark reduziert wird. Wie sie funktioniert, was sie braucht und warum Marke und Wholesale-Beziehungen ihre Grenzen setzen müssen.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Markdown-Optimierungsmodelle schätzen, wie die Nachfrage im Zeitverlauf auf den Preis reagiert, und empfehlen Zeitpunkt und Tiefe von Reduzierungen, um ein Bestands- oder Margenziel zu erreichen.
- Das Ziel muss ausdrücklich definiert werden, etwa die Marge zu maximieren und den Bestand bis zu einem festen Datum abzubauen, denn unterschiedliche Ziele führen zu unterschiedlichen Empfehlungen.
- Verlässliche Schätzungen der Preisreaktion erfordern eine saubere Historie früherer Preisänderungen, Aktionen und Bestände.
- Markenpositionierung und Vereinbarungen mit Wholesale-Partnern sollten als harte Grenzen für das wirken, was das Modell empfehlen darf.
- Die grössten Gewinne entstehen meist durch frühere, gezieltere Reduzierungen, nicht durch tiefere oder häufigere.
Jede Saison endet mit Ware, die sich nicht zum vollen Preis verkauft hat. Die folgenden Entscheidungen, wann die Preise gesenkt werden, um wie viel und bei welchen Artikeln, wirken sich direkt auf die Marge aus. Traditionell werden sie mit festen Kalendern und Faustregeln getroffen: eine erste Reduzierung zu einem festgelegten Zeitpunkt, später ein tieferer Schnitt, am Ende der Ausverkauf. Markdown-Optimierung ersetzt einen Teil dieser Routine durch Nachfragemodelle. Sie kann die Ergebnisse verbessern, aber nur, wenn Ziele und Grenzen von Menschen gesetzt werden, die die Marke verstehen.
Wie funktioniert Markdown-Optimierung?
Kern jedes Markdown-Modells ist eine Schätzung der Preiselastizität: wie stark sich die Nachfrage nach einem Produkt verändert, wenn sich sein Preis ändert. Das Modell lernt dies aus früheren Preisänderungen und ihrer Wirkung auf die Verkäufe, bereinigt um Faktoren wie Saison, Restbestand, Produktalter und Aktionen.
Mit dieser Schätzung simuliert das Modell für jedes Produkt oder jede Produktgruppe Szenarien: jetzt oder später reduzieren, um einen kleinen oder grossen Betrag, und berechnet die erwarteten verkauften Stück, den Umsatz und die Marge bis zum Ende der Verkaufsphase. Dann empfiehlt es den Weg, der das definierte Ziel am besten erfüllt.
Ein Beispiel zur Veranschaulichung: Von einem Modell ist eine feste Zahl an Stück übrig, und die Saison läuft noch mehrere Wochen. Beim vollen Preis zu bleiben, verkauft vielleicht einige Stück, hinterlässt aber einen grossen Rest für einen tiefen Ausverkauf. Eine moderate Reduzierung jetzt verkauft womöglich mehr Stück mit vernünftiger Marge und vermeidet den Ausverkauf. Das Modell beziffert diese Zielkonflikte für viele Modelle zugleich, was von Hand kaum machbar ist.
Bessere Modelle arbeiten zudem auf der richtigen Aggregationsebene. Einzelne Modelle haben oft zu wenige Daten für eine stabile Schätzung, deshalb bündeln die Modelle Informationen über ähnliche Produkte, etwa dieselbe Warengruppe und Preisstufe, und berücksichtigen dennoch Unterschiede bei Restbestand und Abverkaufstempo. Planer sollten wissen, auf welcher Ebene die Elastizität geschätzt wurde, denn das beeinflusst, wie viel Vertrauen eine einzelne Empfehlung verdient.
Welches Ziel sollte das Modell optimieren?
Das ist eine Managemententscheidung, keine technische. Gängige Ziele sind:
- Die Bruttomarge über die verbleibende Saison maximieren
- Einen festgelegten Anteil des Bestands bis zu einem bestimmten Datum abbauen, um Platz für neue Lieferungen zu schaffen
- Den Restbestand minimieren, der in Outlets oder Off-Price-Kanäle gehen muss
- Aus Markengründen ein Mindestpreisniveau schützen
Jedes Ziel führt zu anderen Empfehlungen. Ein Modell, das nur den Umsatz maximieren soll, empfiehlt womöglich aggressive Rabatte, die Marge und Markenwahrnehmung schaden. Das Ziel und die Grenzen darum herum ausdrücklich festzulegen, ist der wichtigste Schritt.
Wie schneidet KI im Vergleich zu regelbasierten Reduzierungen ab?
| Aspekt | Regelbasiert | Modellbasiert |
|---|---|---|
| Zeitpunkt | Fester Kalender für alle Produkte | Produktspezifisch, basierend auf Verkäufen und Bestand |
| Tiefe | Standardstufen wie feste Rabattstufen | Pro Produkt oder Gruppe berechnet |
| Datennutzung | Begrenzt, meist aggregierter Sell-through | Elastizität, Bestand, Produktalter und Saisonalität |
| Transparenz | Leicht verständlich | Erfordert Erklärung der Treiber |
| Typisches Risiko | Zu spät oder zu einheitlich reduzieren | Schlechte Schätzungen bei dünner Historie |
Welche Grenzen und Risiken gibt es?
- Dünne Historie: Produkte, die selten reduziert wurden, liefern wenig Information über die Preisreaktion, sodass die Schätzungen auf ähnlichen Artikeln beruhen.
- Vermischte Effekte: Fielen frühere Reduzierungen mit Marketingkampagnen oder Wetterumschwüngen zusammen, ordnet das Modell die Wirkung womöglich falsch zu.
- Markenerosion: Häufige oder sichtbare Rabatte erziehen Kunden dazu, auf den Sale zu warten, ein Effekt, den kurzfristige Modelle nicht erfassen.
- Kanalkonflikte: Reduzierungen in den eigenen Kanälen einer Marke können Wholesale-Partner unterbieten, die dieselben Produkte noch zum vollen Preis führen.
Wie sieht eine sinnvolle Einführung aus?
- Definieren Sie das Ziel und die harten Grenzen: Mindestpreise, geschützte Produkte, Partnervereinbarungen und Kanalregeln.
- Bereinigen Sie die Preis- und Aktionshistorie, damit frühere Reduzierungen, Kampagnen und Ausverkäufe klar erfasst sind.
- Pilotieren Sie in einer definierten Warengruppe oder Region und vergleichen Sie die Ergebnisse mit einer Gruppe, die den bestehenden Regeln folgt.
- Prüfen Sie die Empfehlungen wöchentlich mit dem Merchandising und erlauben Sie Übersteuerungen mit dokumentierter Begründung.
- Bewerten Sie am Saisonende nach Marge, Sell-through und Restbestand, nicht nur nach verkauften Stück.
Was sollten Pricing- und Merchandising-Verantwortliche erwarten?
Der häufigste Nutzen liegt nicht in tieferen Rabatten, sondern im besseren Timing. Modelle erkennen Langsamdreher meist früher und empfehlen früher moderate Reduzierungen, während sie starke Verkäufer länger zum vollen Preis belassen. Diese Kombination schützt die Marge in der Regel besser als einheitliche Kalender.
Ebenso wichtig ist, was das Modell nicht entscheidet. Ob eine Marke in bestimmten Kanälen überhaupt reduziert, wie sie ihre Wholesale-Partner behandelt und wie wichtig Preiskonsistenz für ihre Positionierung ist, sind strategische Entscheidungen. Markdown-Optimierung ist ein Werkzeug, um diese Entscheidungen gut umzusetzen, kein Ersatz dafür, sie zu treffen.
Häufige Fragen
Was ist Preiselastizität in der Mode?
Die Preiselastizität beschreibt, wie stark sich die Nachfrage nach einem Produkt verändert, wenn sich sein Preis ändert. In der Mode variiert sie nach Warengruppe, Markenposition, Produktalter und Saison, weshalb Modelle sie pro Produkt oder Produktgruppe schätzen statt mit einem einzigen Wert zu arbeiten.
Funktioniert Markdown-Optimierung für Marken, die hauptsächlich über Wholesale verkaufen?
Am direktesten anwendbar ist sie in den eigenen Retail- und E-Commerce-Kanälen einer Marke. Für wholesale-getriebene Marken liegt der Hauptnutzen darin, Reduzierungen in den eigenen Kanälen mit den Partnervereinbarungen abzustimmen und anhand von Sell-through-Daten vorherzusehen, wo Partner Unterstützung brauchen werden.
Bedeutet KI-Pricing mehr Rabatte?
Nicht unbedingt. Gut konfigurierte Modelle empfehlen oft frühere, gezieltere Reduzierungen bei Langsamdrehern und weniger Rabatte bei starken Verkäufern, was die Rabatte insgesamt im Vergleich zu einheitlichen Kalendern senken kann.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
