Während Dynamic Pricing auf aktuelle Marktdaten reagiert, geht Predictive Pricing einen Schritt weiter: ML-Modelle berechnen vorab, welcher Preis zu einem zukünftigen Zeitpunkt die Marge optimiert. Wie das funktioniert, welche Daten gebraucht werden – und wer es bereits einsetzt.
Dynamic Pricing reagiert – Predictive Pricing antizipiert. Der Unterschied: Ein klassisches Repricing-System senkt den Preis, wenn ein Wettbewerber günstiger wird. Ein Predictive-Pricing-System berechnet dagegen vorab, wie sich Wettbewerberpreise, Saisonalität, Nachfragetrends und externe Faktoren (Wetter, Events, Wirtschaftsdaten) auf die optimale Preis-Elastizitätskurve in den nächsten 7–30 Tagen auswirken – und stellt den Preis präventiv ein.
Welche Daten Predictive-Pricing-Modelle brauchen
Mindest-Datenbasis für sinnvolle Prognosen: (1) Eigene Transaktionsdaten: Mindestens 18–24 Monate Preis- und Absat-History auf SKU-Ebene, um saisonale Muster zu erkennen. (2) Wettbewerber-Preis-History: Für Kategorien mit messbarem Wettbewerbs-Einfluss auf eigene Abverkäufe. (3) Externe Signale: Suchvolumen (Google Trends), Event-Kalender (Feiertage, Messen, Sport-Events), Wetterdaten (für saisonale Produkte). Mit diesen Daten trainierte LSTM-Netzwerke oder Gradient-Boosting-Modelle (XGBoost) erzielen in gut dokumentierten Kategorien Preisprognosen mit MAE (Mean Absolute Error) unter 3–5 %.
Wer Predictive Pricing bereits einsetzt
Amazon nutzt Predictive Pricing seit Jahren als Standard – Preisanpassungen erfolgen nicht nur reaktiv auf Wettbewerber, sondern proaktiv basierend auf Nachfrageprognosen. Im deutschen Markt sind es primär größere Retailer (MediaMarkt, Zalando) und Airlines, die eigene ML-Pricing-Modelle betreiben. Für den Mittelstand (500.000 bis 5 Mio. € Jahresumsatz) sind erste SaaS-Anbieter (Priceff, Omnia, Intelligence Node) im Markt, die Predictive-Pricing-Funktionen ohne eigene Data-Science-Kapazitäten anbieten.
Limitation: Blackbox-Risiko
ML-Pricing-Modelle sind oft schwer zu erklären: Warum hat das Modell genau 34,99 € für nächsten Dienstag empfohlen? Für Pricing-Manager, die Entscheidungen begründen müssen (gegenüber Einkauf, Geschäftsführung, Lieferanten), ist das eine echte Herausforderung. Explainable AI (XAI) Ansätze – z.B. SHAP Values – helfen, ML-Preisempfehlungen interpretierbar zu machen.
Warum das für Pricing Manager wichtig ist
Predictive Pricing ist kein Zukunftsthema mehr – es ist für größere Retailer operativer Standard und für den Mittelstand via SaaS erreichbar. Wer es ignoriert, verliert systematisch Preis-Optimalität gegenüber Wettbewerbern, die es nutzen.
Warum das für Pricing Manager wichtig ist: Predictive vs. Dynamic Pricing: antizipieren statt reagieren. Mindest-Datenbasis: 18–24 Monate SKU-History + Wettbewerber-Daten + externe Signale. ML-Modelle (LSTM, XGBoost) erzielen MAE unter 3–5 % in gut dokumentierten Kategorien. SaaS-Alternativen für Mittelstand: Omnia, Priceff, Intelligence Node. SHAP Values für Erklärbarkeit nutzen. Quellen: Forrester Predictive Pricing Report 2025, Harvard Business Review ML Pricing Study 2024.