Künstliche Intelligenz (KI) ist, neben der Digitalisierung, eines den meistgenutzten Schlagworten der jüngsten Zeit. Das praktische Interesse an KI spiegelt sich in einer internationalen CEO-Umfrage in 92 Ländern von PwC wieder. Dort gaben etwa 85 Prozent der CEOs an, dass sie der Meinung sind, dass KI die Geschäftspraxis in den nächsten fünf Jahren deutlich verändern wird.

Was aber auch deutlich wird und wahrscheinlich die entscheidende Information aus der Studie ist, ist die Tatsache, dass die Durchdringung der Unternehmen mit KI noch nicht groß ist. Dies ist auch dem Fakt geschuldet, dass KI erstmal nur ein Schlagwort ist, was für eine große Facette von Konzepten, von der Bilderkennung über die Prognose bis zur Mensch-Computerinteraktion, steht.

Deutlich wird das auch daran, dass der Gartner Hype Cycle für Emerging Technologies, dieses Jahr zur Hälfte Technologien neu aufnimmt, die "AI" beinhalten oder der KI zugeordnet werden können. Beispiele dafür sind:

• Formative AI,

• Explainable AI,

• Embedded AI,

• Responsible AI oder

• Self-Supervised Learning.

Dennoch wird kaum ein Experte, der wirklich versteht, was hinter den Technologien steht, die zunehmende Bedeutung abstreiten. Die Erkenntnis vieler Unternehmen, dass Daten wichtig sind und kontinuierliche technologische Verbesserungen, die zur weiteren Verbreitung von KI-Methoden, insbesondere dem maschinellen Lernen (ML), führen, lässt sich auf mehrere Faktoren zurückzuführen.

Gerade in Bezug auf den ersten Punkt ist in der Praxis zu beobachten, wo der ein oder andere Konzern ein Datawarehouse oder einen Data Lake auf die Agenda gesetzt hat und alles an Daten sammelt, was irgendwie verfügbar ist – allerdings ohne zu wissen was genau das Unternehmen damit machen will. Auch wenn dies erstmal lustig klingt, so scheint es doch das richtige Vorgehen zu sein - besonders in Anbetracht der weiter sinkenden Preise für Festplatten und Speicherplatz in der Cloud.

Mit KI von der Business Intelligence zur Business Analytics

Jede rationale Preisgestaltung muss sich auf Daten stützen. Angesichts der immer größer werdenden Datenmengen und der steigenden Komplexität der Umwelt werden herkömmliche Lösungen aus dem Bereich der Business Intelligence (BI) bald nicht mehr zeitgemäß sein. Gerade der Wandel von der manuellen Entscheidung im Rahmen der BI hin zur Automatisierung der Entscheidung mit Business Analytics (BA), ist dabei das zentrale Merkmal, welches einige Autoren aus der wissenschaftlichen Literatur anführen.

Lesetipp: Business Intelligence - 9 Fehler, die Sie vermeiden sollten

Und auch beim Preismanagement zeigt sich dieser Trend. Denn die manuelle Preissetzung, auch unterstützt mit BI und Analysen, findet sein Ende, wenn eine Lebensmitteleinzelhändler 30.000 Produkte in 5.000 Filialen zwei Mal in der Woche ändern will. Amazon ändert im Vergleich dazu bis zu 2,5 Millionen Mal am Tag die Preise und das für ein einzelnes Produkt bis zu zehn Mal täglich. Insbesondere das maschinelle Lernen (ML) zeigt dabei Potenziale auf, dieses Problem zu lösen. Dabei ist das Ziel von ML, vereinfacht gesagt, Muster aus Beobachtungsreihen (historischen Daten) zu extrahieren und daraus zu lernen.

KI zur Optimierung von Preisen

Fast alle Unternehmen haben Schwierigkeiten, den 'richtigen' Preis für ein Produkt oder eine Dienstleistung zu bestimmen. Es ist unklar, wie die Kunden auf unterschiedliche Preise reagieren und was die maximale Preisbereitschaft in jedem Kundensegment in einem Markt ist. Und genau hier kommt Machine Learning ins Spiel. Eine genaue Preisfestsetzung ist vor allem aufgrund der Komplexität und der Vielzahl der verfügbaren internen und externen Daten, die analysiert werden müssen, schwierig. ML kann diese großen Datenmengen in kurzer Zeit präzise analysieren und daraus Muster und geschäftsleitende Erkenntnisse ableiten.

Dies gilt dabei für jegliche Art der Preisstrategie, die ein Unternehmen nutzt. Allgemein wird angenommen, dass nur eine wettbewerbsorientierte Preisstrategie (immer den günstigsten Preis setzen) für den Einsatz von KI geeignet ist, was nicht stimmt. Auch für eine wertorientierte Strategie oder eine Abschöpfungsstrategie ist KI sinnvoll einsatzbar. Nicht nur, dass die Zusammenhänge zwischen den möglichen Einflussfaktoren automatisiert erkannt werden, in vielen Fällen können die Zusammenhänge erstmalig systematisch berücksichtigt werden.

Lesetipp: Mit Machine Learning die Zukunft gestalten

Sicherlich existiert das notwendige Wissen, beispielsweise über die Reaktion des Verkaufs von Kaffee in Zusammenhang mit der Preisveränderung oder Promotion beim Konkurrenten, schon jetzt in den Unternehmen. Meistens ist dies aber verstreut bei den Filialleitern oder Verkaufsbereichsverantwortlichen, nicht systematisiert - und schon gar nicht formalisiert aufgenommen. ML schafft es aus verschiedenen Quellen allgemeingültige Muster zu erkennen, die zur Optimierung und Verbesserung der Preisentscheidung beitragen können. Beispiele dafür sind:

historische Transaktionen,

Bestandsinformationen,

Promotionen,

das Preisniveau der Wettbewerber und

kontextbezogene Daten (lokale Ereignisse oder Eigenschaften, aber auch Markttrends usw.).

Das Ergebnis kann dabei automatisiert verarbeitet und die Preise gesetzt werden. Wobei schon diese Automatisierung, ohne eine Optimierung, massive Einsparungen zur Folge haben, wie Studien zeigen.

Rabatt und Preisreduzierung per KI

In vielen Branchen sind Rabatte und saisonale Preisreduzierungen ein essenzieller Bestandteil des Preismanagements. Vor allem das Mindesthaltbarkeitsdatum im Lebensmittelhandel und die Saisonalität im Textilhandel sind Beispiele dafür, dass diese zu einem großen Teil zum Gesamtumsatz beitragen. Dabei ist immer zu entscheiden, wann welcher Rabatt geben wird, um am Ende des Verkaufs möglichst die Rentabilitätsziele zu erreichen.

Ohne KI und ML überprüft der Handel zu festgelegten Zeitpunkten im Lebenszyklus eines Produkts, ob die erforderlichen Mengen verkauft wurden. Ansonsten wird ein fester Abschlag (meisten gestaffelt 10%, 25%, 50%) auf den Preis gesetzt. Dieses heuristische Verfahren ist ungenau, da es meistens eine lineare Verkaufsmenge über die Zeit unterstellt und nicht Filial- oder produktspezifische Gegebenheiten berücksichtig.

Dort hilft das maschinelle Lernen dabei die Diskrepanz zwischen dem angenommenen und dem tatsächlichen Verkauf für die Zukunft zu prognostizieren, um damit den optimalen Zeitpunkt und die Höhe einer Preisreduzierung zu ermitteln. Dies ist ein grundlegend spezifischeres Vorgehen als die bisher.

Optimierte Promotions mit künstlicher Intelligenz

Obwohl sehr kostspielig, stellen Promotions ein entscheidendes Mittel zur Steigerung der Markenbekanntheit und des Verkaufs dar. Dabei ist die wichtigste Größe der Return on Investment (ROI) einer jeden Promotion, also der Mehrverkauf oder die Anzahl von neuen Kunden, welche durch die Werbeaktion erreicht wurden. Dies ist jedoch eine komplexe Größe, da man die Auswirkungen von Promotions auf der Grundlage der verschiedenen Faktoren, die gleichzeitig den Umsatz beeinflussen, isolieren muss.

ML kann eine Umsatzsteigerung identifizieren, indem es z.B. die Auswirkungen sowohl der Kannibalisierung (der Kunde kauft den preisreduzierten Artikel, statt des alternativen Produktes, welches er sonst kauft) als auch des direkten Effekts des Rabatts misst. Durch die Analyse von Daten, wie

Kundenaktivität,

Informationen,

Abonnements,

Wettbewerber,

Kauf- und Transaktionshistorie,

können ML-Algorithmen eine genaue Marketing-Segmentierung durchführen und Kunden gezielt ansprechen. Die Ziele, die mit diesem Vorgehen verfolgt werden, sind zum Beispiel der Aufbau von Loyalität, das Abwanderungsverhalten zu identifizieren oder die Streuverluste von Marketingmaßnahmen möglichst gering zu halten.

KI optimiert das Sortiment und die Produktpalette

Die Umsatzsteigerung aus dem bestehenden Kundenstamm ist ein weiterer wichtiger Hebel, den Unternehmen nutzen sollten, um den Umsatz bzw. (Roh-)ertrag zu steigern. Durch die Analyse verschiedener Datenquellen machen die KI-Algorithmen den Vertriebsmitarbeitern während des Verkaufsprozesses intelligente und personalisierte Vorschläge, an welchen zusätzlichen Cross-Selling- oder profitableren Up-Selling-Produkten und/oder Dienstleistungen ein Kunde interessiert sein könnte. Durch die Fähigkeit, Daten aus verschiedenen Geschäftsbereichen, Kanälen und Regionen zu verarbeiten, können Algorithmen genauere Empfehlungen geben als jeder Mensch.

Der Blick in die Zukunft

Künstliche Intelligenz, insbesondere das maschinelle Lernen, wird das Preismanagement und die dazugehörigen Spielregeln verändern. Von einem Vorgehen, welches heute vor allem auf dem Bauchgefühl der Beteiligten basiert, wird dies durch ML und die Berücksichtigung von wesentlich mehr Daten sich zu einem dynamischen und automatisierten Ablauf entwickeln. Dabei ist nicht zwingend gesichert, dass die Ergebnisse der Preissetzung besser oder optimaler sind als bisher.

Aber allein die Automatisierung der Prozesse ermöglicht große Einsparpotenziale. Der Einsatz von ML und Automatisierung ermöglicht die Umsetzung von neuen Prozessen und Vorgehensweisen. So sind intelligent terminierte und segmentierte Preise, bis hin zu einem personalisierten Dynamic Pricing möglich. (bw)