Nahezu jede Pricing-Software bewirbt heute KI-Funktionen. Doch was steckt wirklich dahinter? Eine nüchterne Bestandsaufnahme – was aktuelle KI-Modelle in der Preisprognose leisten, wo sie versagen und welche Voraussetzungen Händler erfüllen müssen.
„KI-gestützte Preisprognose" steht heute in den Marketingmaterialien nahezu jeder Pricing-Softwarelösung. Dahinter verbergen sich sehr unterschiedliche Realitäten: von einfachen Regressionsmodellen mit neuem Namen bis zu echten Machine-Learning-Pipelines, die Nachfragesignale aus Dutzenden Datenquellen verarbeiten. Für Pricing-Teams ist es essenziell, den Unterschied zu verstehen – denn die Qualität der Prognose entscheidet über die Qualität der Preisentscheidung.
Der Begriff „KI" ist in der Pricing-Software-Branche zu einem Marketing-Catch-All geworden. Das bedeutet nicht, dass die Technologie keinen Wert hätte – im Gegenteil. Aber es bedeutet, dass Einkäufer und Evaluatoren beim nächsten Software-Pitch die richtigen Fragen stellen müssen, um Substanz von Oberfläche zu trennen.
Was gut implementierte KI-Preisprognosen leisten
- Elastizitätsschätzung auf SKU-Ebene: Statt einer einheitlichen Kategorie-Elastizität berechnet das Modell für jedes Produkt separat, wie stark die Nachfrage auf Preisveränderungen reagiert – unter Berücksichtigung saisonaler Muster, Wettbewerbssituation und Lagerbestand.
- Kreuzpreiseffekte: Wenn Produkt A im Preis steigt, wie ver