von Prof. Dr. Oliver Roll und Martin Steinmeyer:

Mit Hilfe maschineller Lernverfahren können sich Vertriebsmannschaften bereits heute optimale Preise je Produkt und Kunde berechnen lassen. Peer Pricing auf Basis künstlicher Intelligenz ermittelt durch selbstlernende Klassifikation vergleichbare Angebote und leitet daraus optimierte Preisvorschläge ab.

Die Methodik kann bereits mit rudimentären Daten schnell und effizient auf bestehende ERP- und CRM-Systeme aufgesetzt werden und ermöglicht signifikante Zeitersparnisse und Margenverbesserungen.

Viele deutsche Unternehmen verkennen die Einsatzmöglichkeiten von KI im eigenen Unternehmen. Während einerseits 78 Prozent der Unternehmen KI als entscheidende Technologie für den Erfolg deutscher Unternehmen ansehen, meinen nur 53 Prozent, dass KI eine Chance für das eigene Unternehmen darstellt, so eine aktuelle Studie von Bitkom.1 Diese Fehleinschätzung liegt mitunter daran, dass viele deutsche Unternehmen aus klassischen Industriezweigen wie bspw. dem Maschinen- und Anlagenbau kommen, deren Geschäftsmodelle heute noch weitestgehend „analog“ sind.

Im Folgenden wird das sogenannte Peer Pricing vorgestellt, ein maschinelles Lernverfahren welches insbesondere im Bereich der Preisfindung in der „Old Economy“ zur Prozessverbesserung und Margenoptimierung eingesetzt werden kann. Ein Praxisbeispiel aus der Automotive Branche illustriert, wie der konkrete Einsatz aussehen kann.

Einsatz von KI im Pricing
Gerade vor dem Hintergrund immer komplexer werdender Produktportfolios und internationaler Kundenanfragen wird es immer schwieriger effizient passgenaue Preise zu ermitteln, die sich an der Zahlungsbereitschaft des Kunden orientieren. Durch den Einsatz von Klassifikationsalgorithmen, wie bspw. dem KNN-Verfahren (k-Nearest Neighbors) können automatisiert Zielpreise, sog. Peer Preise, für ähnliche Angebote bzw. Kundenanfragen ermittelt werden. Dabei werden Preise berücksichtigt, die bereits in der Vergangenheit erfolgreich am Markt durchgesetzt wurden. Durch die Bestimmung eines Ähnlichkeitsmaßes von Transaktionen aus der Vergangenheit kann ermittelt werden, welche Bestellungen der aktuellen Anfrage am nächsten kommen.
Die Ähnlichkeit wird dabei über die Eigenschaften der Transaktion (Menge, Zeitpunkt etc.), des Produkts oder des Kunden (Branche, Größe, Region etc.) ermittelt. Der entscheidende Vorteil der maschinellen Lernverfahren liegt darin, dass keine Vorgaben gemacht werden müssen, welche Eigenschaften wie gewichtet werden müssen.

Der Algorithmus kann auf Basis der historischen Daten selbst lernen, welche Faktoren einen relevanten Einfluss auf die erfolgreiche Preiskalkulation hatten und somit auch in Zukunft voraussichtlich haben werden. Deren Preisinformationen dienen dann als Basis für einen ersten Preisvorschlag für die neue Angebotserstellung. Dies entspricht im Wesentlichen der manuellen Tätigkeit, die bis heute in großen Teilen der Vertriebsmannschaft von Hand erledigt wird, wenn im Vorfeld von Kalkulationen eine erste Preisindikation ermittelt werden soll. Dies kann mit Hilfe von KI „auf Knopfdruck“ passieren, denn wo der Mensch nur vereinzelte Bestellungen auswerten kann, kann die KI den kompletten Datenstamm auswerten. Dies macht die Entscheidungen nicht nur schneller, sondern vor allem auch besser. Ein weiterer Vorteil liegt im hohen Individualisierungsgrad, so dass kein Standardrabattsystem mehr eingesetzt werden muss. Damit kann die individuelle Zahlungsbereitschaft des Kunden noch besser abgeschöpft werden.

Ein Hersteller aus dem Independent Aftermarket konnte solch ein System bereits erfolgreich in den operativen Vertrieb überführen. Im Ergebnis war für den Vertrieb neben einer hohen Zeitersparnis durch wegfallende Preisrecherchen eine bessere Preisdurchsetzung die Folge. Die Anzeige eines „Peer Preises“ stärkt das Selbstbewusstsein in der Verhandlungssituation und gleichzeitig fördert der innere Spieltrieb die Motivation zur Erreichung bereits erfolgreicher Preisvereinbarungen.

Aus unserer Erfahrung kann diese einfache Art der künstlichen Intelligenz leicht an bestehende ERP- und CRM-Systeme angekoppelt werden. Die meisten Unternehmen verfügen über ausreichend gute Daten, um heute schon Künstliche Intelligenz einzusetzen.

Im Kern geht es darum, das intern bereits vorhandene Wissen nutzbar zu machen und daraus die richtigen Schlüsse zu ziehen. Es bleibt zu hoffen, dass die deutschen Unternehmen hier nicht zu zaghaft agieren, um im internationalen Vergleich nicht den Anschluss zu verlieren. Künstliche Intelligenz ist keine exklusive Domäne der großen Tech-Firmen aus dem Silicon Valley, sondern betrifft alle Industriezweige.

1 Bitkom.org, „Digitalisierung kommt in den deutschen Unternehmen an“ vom 10.04.2019

 

17. September 2019