KI im Preismanagement: Was heute wirklich funktioniert

Kaum ein Thema wird im Preismanagement so überhöht diskutiert wie künstliche Intelligenz — und kaum eines wird in Projekten so pragmatisch eingesetzt. Zwischen der Erwartung, ein Modell finde den optimalen Preis von selbst, und dem, was tatsächlich funktioniert, liegt ein erheblicher Abstand. Dieser Text beschreibt, was in der Praxis trägt, was Voraussetzung dafür ist und wo klassische Statistik die ehrlichere Antwort bleibt.

Die Erwartung und die Realität

Die verbreitete Vorstellung lautet: Man gibt einem Modell die Verkaufsdaten, und es liefert für jeden Artikel den gewinnmaximalen Preis. Technisch ist das nicht falsch formuliert — praktisch scheitert es an einer Eigenschaft der Daten, die sich nicht wegrechnen lässt.

Um zu lernen, wie die Nachfrage auf Preise reagiert, braucht ein Modell Preisvariation. In den meisten Unternehmen gibt es die nicht: Preise wurden über Jahre kaum verändert, und wenn, dann für alle Artikel gleichzeitig. Das Modell sieht dann keine Reaktion auf Preise, sondern Saison, Konjunktur und Sortimentsveränderungen — und schreibt diese Effekte fälschlich dem Preis zu.

Vier Anwendungsfelder, die tatsächlich funktionieren

1. Nachfrageprognose statt Preisoptimierung

Der stabilste Einsatz ist nicht die Preis-, sondern die Mengenprognose. Gradient-Boosting-Verfahren prognostizieren Absatzmengen aus Saison, Wochentag, Wetter, Beständen, Aktionen und Wettbewerbsverhalten mit deutlich geringerem Fehler als klassische Zeitreihenverfahren. Das wirkt indirekt auf den Preis: Wer weiß, dass ein Artikel in sechs Wochen knapp wird, senkt heute nicht.

2. Elastizitätsschätzung mit Pooling

Für einen einzelnen Artikel lässt sich die Preiselastizität selten sauber schätzen — zu wenige Beobachtungen. Der Ausweg ist hierarchische Modellierung: Artikel werden zu Gruppen mit ähnlichem Verhalten zusammengefasst, die Elastizität wird auf Gruppenebene geschätzt und für den einzelnen Artikel angepasst. Das liefert für die große Masse an Artikeln erstmals überhaupt eine Schätzung — nicht perfekt, aber deutlich besser als eine Faustregel.

3. Attributbasierte Preisfindung für neue Artikel

Ein neu aufgenommener Artikel hat keine Historie. Ein Modell, das aus dem bestehenden Sortiment gelernt hat, welchen Preisbeitrag einzelne Produkteigenschaften leisten — Material, Leistung, Marke, Gewicht, Verfügbarkeit —, kann für den neuen Artikel einen konsistenten Einstiegspreis vorschlagen. In Sortimenten mit zehntausenden Positionen ersetzt das die manuelle Ableitung „nehmen wir das Ähnlichste und schlagen zehn Prozent drauf".

4. Sprachmodelle für Datenaufbereitung

Der unterschätzteste Einsatz. Ein großer Teil des Aufwands in Pricing-Projekten entfällt auf das Zusammenführen unsauberer Daten: Produkttexte vereinheitlichen, Wettbewerbsangebote dem eigenen Artikel zuordnen, Attribute aus Freitextbeschreibungen extrahieren, Kategorien konsistent vergeben. Große Sprachmodelle erledigen das heute zuverlässig und verkürzen die Vorbereitungsphase erheblich. Das ist unspektakulär und liefert den unmittelbarsten Nutzen.

Wo klassische Verfahren die bessere Antwort sind

Nicht jedes Preisproblem ist ein Lernproblem. In drei Situationen ist ein einfaches, regelbasiertes Verfahren überlegen:

• Wenn die Entscheidung erklärbar sein muss. Preise gegenüber Kunden, Vertrieb und Geschäftsführung zu begründen ist kein Nebenschauplatz. Eine Regel lässt sich in einem Satz erklären, ein Gradient-Boosting-Modell nicht.
• Wenn die Datenlage dünn ist. Bei wenigen hundert Transaktionen pro Jahr je Artikel — im B2B der Normalfall — schlägt strukturierte Wertanalyse jedes Modell.
• Wenn sich der Markt strukturell ändert. Modelle lernen aus der Vergangenheit. Nach einem Wettbewerbereintritt, einer Sortimentsumstellung oder einem Lieferkettenbruch ist die Vergangenheit kein guter Ratgeber.

Voraussetzungen, ohne die es nicht geht

Bevor über Modelle gesprochen wird, müssen vier Dinge vorhanden sein. Fehlt eines davon, ist jedes Projekt eine teure Übung:

1. Historische Transaktionsdaten auf Positionsebene, mindestens 24 Monate, inklusive gewährter Rabatte — nicht nur Listenpreise.
2. Vollständige Kostendaten je Artikel, damit jede Empfehlung gegen den Deckungsbeitrag geprüft werden kann.
3. Preisvariation in den Daten, sei es historisch gewachsen oder durch bewusste Tests erzeugt.
4. Eine Person, die Verantwortung übernimmt. Modelle liefern Vorschläge. Jemand muss entscheiden, ob sie übernommen werden, und die Konsequenz tragen.

Fehlt die Preisvariation, ist der erste sinnvolle Schritt kein Modell, sondern ein strukturiertes Testprogramm: kontrollierte Preisänderungen an abgegrenzten Artikelgruppen über acht bis zwölf Wochen. Das erzeugt genau die Daten, aus denen später gelernt werden kann — und liefert schon währenddessen belastbare Erkenntnisse.

Ein realistischer Fahrplan

Auffällig ist, wie spät im Ablauf die Modelle kommen. Das ist kein Versäumnis, sondern die Reihenfolge, die funktioniert: Erst wenn Daten, Segmentierung und Grenzwerte stehen, hat ein Modell etwas, worauf es aufsetzen kann. Wer umgekehrt beginnt, baut ein technisch elegantes System auf einer Datenbasis, der niemand traut — und schaltet es nach dem ersten unplausiblen Vorschlag wieder ab.

Was das für Ihr Unternehmen heißt

Wenn Sie heute anfangen wollen, ist die produktivste Frage nicht „welches KI-Tool?", sondern: Wie viel Preisvariation steckt in unseren Daten, und wie sauber sind unsere Kosten je Artikel? Die Antwort darauf bestimmt, ob Sie in drei Monaten mit Modellen arbeiten können oder ob der erste Schritt ein Testprogramm ist. Beides ist ein guter Ausgangspunkt — nur sollte man wissen, an welchem man steht.