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 verändert sich die Nachfrage nach Produkt B? Gut implementierte Modelle bilden diese Verbundbeziehungen ab – einfache Regelmodelle tun das nicht.
- Externe Signalverarbeitung: Wettbewerberpreise, Suchdaten, Wetterdaten, Veranstaltungskalender – fortgeschrittene Modelle integrieren externe Datenquellen, die die Nachfrage beeinflussen, aber in historischen Abverkaufsdaten nicht sichtbar sind.
- Automatische Anomalieerkennung: Wenn ein Produkt ungewöhnlich stark abverkauft wird oder die Preiselastizität sich verändert, schlägt das System Alarm – bevor Pricing-Teams es in Auswertungen bemerken.
Wo KI-Prognosen systematisch versagen
KI-Modelle lernen aus Vergangenheitsdaten. Das ist gleichzeitig ihre Stärke und ihre fundamentale Schwäche. Drei Szenarien, in denen die Modellqualität regelmäßig einbricht:
- Diskontinuitäten: Ein neuer Wettbewerber betritt den Markt. Eine Plattform ändert ihren Algorithmus. Ein Hersteller stellt ein Produkt ein. Modelle, die auf historischen Mustern basieren, haben keine Daten für diese Situationen – und produzieren deshalb Prognosen, die den neuen Marktbedingungen nicht entsprechen.
- Kaltstartproblem: Für Neuprodukte gibt es keine Kaufhistorie. Ohne externe Referenzdaten (ähnliche Produkteinführungen, Kategorie-Trends) ist jede KI-Prognose Spekulation.
- Datenpflege-Abhängigkeit: Das beste Modell ist nur so gut wie die Datenbasis. Fehlende Wettbewerberpreise, inkonsistente Produktdaten oder Lücken in der Verkaufshistorie führen zu systematischen Modellfehlern, die im Alltag unsichtbar bleiben.
Die richtigen Fragen im Software-Pitch
Wer Pricing-Software evaluiert, sollte konkret fragen: Mit welchen Datenquellen trainiert das Modell? Wie geht das System mit Produkten ohne Kaufhistorie um? Wie wird das Modell bei Marktveränderungen neu kalibriert? Und: Was passiert, wenn die KI-Prognose falsch liegt – gibt es Override-Mechanismen für Pricing-Teams?
Pricing Takeaway: KI in der Preisprognose ist ein echter Leistungssprung gegenüber regelbasierten Systemen – aber nur, wenn die Datenbasis stimmt und Pricing-Teams verstehen, in welchen Situationen das Modell strukturell überfordert ist. Wer blind auf KI-Prognosen vertraut, ohne die Grenzen zu kennen, tauscht eine Fehlerquelle gegen eine unsichtbarere.