Pricefx, PROS, Omnia Retail, Patagona – die neue Generation von Pricing-Tools nutzt Machine Learning, nicht mehr nur regelbasierte Logik. Was unterscheidet ML-Pricing wirklich von seinen Vorgängern, und was kann es nicht leisten?
Competitive Price Intelligence existiert seit den frühen 2010er-Jahren – Web-Crawler, die Wettbewerberpreise sammeln und in Dashboards anzeigen. 2026 ist das Marktbild radikal anders: ML-Modelle analysieren Millionen Preisdatenpunkte, Nachfragesignale, Lagerdaten und externe Faktoren gleichzeitig und generieren Preis-Empfehlungen, die klassische Regelwerke weit übertreffen. Aber auch die neue Generation hat klare Grenzen.
Was ML-Pricing-Tools heute können
Nachfrageelastizitäts-Modellierung: ML-Modelle können Elastizitätskurven auf SKU-Ebene schätzen – ohne kontrollierten A/B-Test. Datengrundlage: historische Preis-Absatz-Paare, Saison, Werbeaktionen. Qualität steigt stark mit Datenmenge (Faustformel: mindestens 12 Monate Preishistorie, mind. 50 Transaktionen pro SKU). Wettbewerbsreaktions-Modellierung: Tools wie Patagona oder Omnia Retail können vorhersagen, wie Wettbewerber auf Preisänderungen reagieren – auf Basis historischer Reaktionsmuster. Automatische Ausreißer-Erkennung: Preisdaten aus dem Web enthalten erhebliche Fehlerquoten (Crawler-Fehler, Bundelpreise, B2B-Sonderkonditionen). ML filtert Ausreißer automatisch – manuelles Kuratieren entfällt.
Was ML-Pricing-Tools nicht können
Strategie ersetzen: Kein ML-Modell kann die fundamentale Positionierungs-Frage beantworten: Premium oder Volumen? Das bleibt Managemententscheidung. Qualitative Faktoren integrieren: Markenimage, aktuelle PR-Krisen, Wettbewerber-Produktrückrufe – qualitative Signale bleiben außerhalb der meisten Modelle. Ohne Daten performen: Neue Produkte ohne Preishistorie profitieren kaum von ML. Hier bleibt Expert-Judgment notwendig.
Marktüberblick 2026: Wer macht was
Omnia Retail und Patagona: Mittelstand-orientiert, starker Deutschland-Support, regelbasiert + ML-Erweiterungen. Pricefx und PROS: Enterprise, starker B2B-Fokus, vollständige Value-Based-Pricing-Workflows. Minderest: Reines Monitoring, kein Repricing. Suitable for: Wettbewerberanalyse ohne Automatisierung.
Warum das für Pricing Manager wichtig ist
ML-Pricing ist kein Allheilmittel – aber die Generation manueller Regelsysteme wird damit in den meisten Anwendungsfällen überholt. Der Unterschied liegt in der Lernfähigkeit: ML-Modelle verbessern sich mit jedem Preisexperiment automatisch.
Warum das für Pricing Manager wichtig ist: ML-Pricing übertrifft Regelwerke bei Elastizitäts-Modellierung und Wettbewerbsreaktion systematisch. Voraussetzung: ≥12 Monate Preishistorie, ≥50 Transaktionen/SKU. Grenzen: Qualitative Faktoren, Neuprodukte, Positionierungs-Entscheidungen bleiben Mensch-Aufgabe. Tool-Auswahl primär nach Datenintegrations-Fähigkeit, nicht Feature-Liste. Quellen: Gartner Pricing Software Magic Quadrant 2025, Forrester Pricing Wave 2024.