Intelligent Price Automation

IPA Value Validation bei Multi-Label-Händler

IPA value validation

Das Problem

Der Multi-Label-Handel weist durch den hohen Anteil an Herstellermarken eine besonders hohe Preistransparenz auf. Im Gegensatz zu den reinen Online-Händlern reduziert sich das Leistungsangebot der stationären Formate jedoch nicht nur auf den Preis, sondern auch auf Kriterien wie Service und Einkaufserlebnis.

Im Projekt mit einem traditionsreichen Multi-Label Händler sollten Preisalgorithmen entwickelt werden, die neben den internen Preiseinflussfaktoren auch Kontextfaktoren wie beispielsweise die Stärke der Vertriebsmarke berücksichtigen. Die besondere Herausforderung bestand in der komplexen Datenbasis, die es im ersten Schritt zu reduzieren galt.

Die Lösung

Im initialen Workshop wurden zunächst die Strukturen, Prozesse und Preisregeln des Händlers geklärt. Fachbereichsübergreifend konnte ein einheitliches Zielbild entwickelt werden und wieder mal zeigte sich – Preismanagement ist facettenreich! Eine erste Datenanalyse in unserem Data Lake gab Aufschluss über die vielschichtige Datenbasis. Nach der Normalisierung der Daten stand somit eine umfangreiche Aufbereitung im Vordergrund. Formatieren, Bereinigen, Verknüpfen und Transformieren waren die methodischen Schwerpunkte unserer Data Scientists. Auf dieser Basis wurden durch ein zweistufiges Clusterverfahren die idealen Artikelgruppen gebildet. Zeitreihenanalyse verdeutlichten die saisonalen Effekte und Preiselastizitäten nach Lokationen, Warengruppen und Marken gaben Aufschluss über die unterschiedlichen Preissensitivitäten der Kunden. Zusätzlich wurden die verfügbaren Kundenfrequenzdaten als wertvoller Parameter modelliert. Die finale Validierung des sogenannten Predictive Models erfolgte mittels Backtest. Abschließende Simulationen mit unterschiedlichen Preisstrategien und optimierten Rahmenbedingungen (u.a. Regelwerk) deckten die spezifischen Pricing Potentiale auf und stellten den letzten Schritt der Projektphase dar.

Das Ergebnis

„Wir wussten, dass es mit unserer Datenbasis schwierig wird intelligente Algorithmen zur Preissteuerung zu entwickeln. Die Resultate von aifora haben uns wirklich beeindruckt! Wir haben nicht nur deutlich mehr Transparenz über unsere Daten, sondern sind jetzt in der Lage unseren Kunden zu jeder Zeit einen marktgerechten Preis anzubieten.“

Die im Business Case berechneten Potentiale verdeutlichten die enormen Effekte einer optimierten Preissetzung (4,2% Ertragssteigerung bei 8% höherer Abverkaufsquote). Gemeinsam mit unseren Data Scientists arbeitet der Händler bereits am nächsten Schritt: die Integration der aifora Services.

Siehe auch: