Für die meisten Unternehmen im FMCG Markt (Fast Moving Consumer Goods) ein sehr bekanntes Problem: Wie ermittele ich für meine Produktpalette, die meist aus sehr vielen und sehr ähnlichen Produkten besteht, den besten Mix aus Absatz und Preis (Preiselastizität)? Das Problem lässt sich weiter unterteilen:
- Welchen Preis will man für ein neues Produkt verlangen, für das noch keinerlei historische Daten existieren?
- Welchen Preis verlangt man für ein Produkt, das schon länger auf dem Markt ist und umfangreiche Daten zur Verfügung stehen?
Die Antwort auf die erste Frage ist einfach. Gar nicht. In der Praxis sieht dies jedoch anders aus. Meistens verfügen Unternehmen über zahlreiche Daten zu ähnlichen Produkten wie zu dem neuen Produkt oder haben Informationen zu Wettbewerberprodukten, die als Indikator für eine initiale Preisbestimmung herangezogen werden können.
Die Antwort auf die zweite Frage ist ebenfalls einfach. Aus den vorhandenen historischen Daten kann ich die Preiselastizität bestimmen, wenn es in der Vergangenheit Preisunterschiede für das gleiche Produkt gab.
Kurze Zusammenfassung:
- Für ein neues Produkt ziehe ich Informationen aus ähnlichen Produkten heran, eigene Produkte oder Produkte von Wettbewerbern
- Für Produkte, die den Markteintritt hinter sich haben, verwende ich historische Daten zu diesem Produkt (Bei nicht ausreichend Daten lassen sich auch hier ähnliche Daten von ähnlichen Produkten hinzuziehen, dies sollte inhaltlich aber genau recherchiert sein)
- Für beide Varianten gilt: Ich brauche Preisunterschiede in der Vergangenheit
Mit diesen Thesen ließe sich argumentieren, dass man einfach den Preis aus der Vergangenheit nimmt, der zu dem maximalen Ergebnis aus Preis * Absatz geführt hat. Leider wird dies in der Praxis nicht funktionieren, weil es viele Variablen und deren Interaktion nicht beachtet. Diese Variablen sind (kein Anspruch auf Vollständigkeit):
- Gezeigte Werbung (direkt im Supermarkt, Display, TV, Internet, usw.)
- Geografie (incl. soziodemografische Merkmale)
- Zeit (Saisonale Aspekte, Trends, Uhrzeit beim Kauf, usw.)
- Makroökonomie (Inflation, Einkommensstatistik, usw.)
- Markentreue (Kauf von gleichen oder ähnlichen Produkten in der Vergangenheit)
- Preisänderung im Zeitverlauf (gestern 10% billiger, usw.)
Kurz: Aus dem beschriebenen Fall ergibt sich eine multivariates, autoregressives Optimierungsproblem mit oder ohne gleitendem Durchschnitt.
Wenn wir den optimalen Preis bestimmen wollen, nutzen wir eine Abfolge/Transfer aus drei Modellen in der Grundform:
- Nicht stationäre Zeitserie
- Stationäre Zeitserie (T+1 Forecast)
- Generelles lineares Modell (nicht das allgemeine Modell, uns interessieren auch nicht lineare Verteilungsfunktionen)
Für unseren Kunden steht die Erklärbarkeit und vor allem der Einfluss einzelner Variablen auf den Preis im Vordergrund, weshalb die Wahl auf ein parametrisches Modell wie das oben beschriebene fällt. Der jeweilige Produktowner wird aus marketingrelevanten und technischen Gründen nicht immer den Preis ändern, nur weil ein Modell sagt, dies würde den Umsatz maximieren. Er möchte z.B. vielmehr verstehen, ob er bei oder nach einer bestimmten Marketingmaßnahme den Preis erhöhen kann oder für bestimmten Kundengruppen (diversifiziert nach Supermarkt) unterschiedliche Preise verlangen kann, um nur einige Beispiele zu nennen.
Ergebnis
Es wurden deutschlandweit Preismodelle für ca. 80 Produkte eines bekannten Nahrungsmittelproduzenten erstellt, die es erlauben, präzise Handlungsempfehlungen für die Preisgestaltung zu liefern.
Für nähere Informationen zu dynamischen Preisen und Pricing Engines kontaktieren Sie uns. Wir freuen uns.
Andreas Baudisch