Was Dynamic Pricing wirklich voraussetzt

Der Reiz ist offensichtlich. Der Preis ist der direkteste Hebel auf die Marge, und die großen Online-Marktplätze haben vorgemacht, dass sich Preise laufend an Nachfrage, Wettbewerb und Bestand anpassen lassen. Seitdem steht Dynamic Pricing auf fast jeder KI-Wunschliste im Handel, meist ziemlich weit oben.

Auf derselben Wunschliste steht der Fall allerdings zu Unrecht oft als Einstieg. Dynamische Preise sind in unserer Matrix der Anwendungsfall mit den meisten benötigten Zellen gleichzeitig, und jeder Fehler wirkt sofort nach außen, am Regal und im Shop. Dieser Beitrag geht die Voraussetzungen der Reihe nach durch, damit Sie einschätzen können, wie weit Ihr Haus vom ersten Preisalgorithmus entfernt ist. Und ob der Weg dorthin gerade der richtige ist.

Was ist Dynamic Pricing und was verspricht es?

Dynamic Pricing heißt: Preise werden laufend und regelgestützt angepasst statt manuell und in festen Abständen gepflegt. Die Bandbreite ist groß. Am einen Ende stehen einfache Regeln, etwa automatische Abschriften zum Saisonende oder eine Preisuntergrenze relativ zum Wettbewerb. Am anderen Ende optimiert ein Algorithmus die Preise über das Sortiment hinweg, auf Basis von Nachfrageprognosen, Beständen, Konditionen und Wettbewerbspreisen.

Der Vergleich mit den Marktplätzen führt dabei leicht in die Irre. Ein reiner Online-Händler ändert einen Preis mit einem Datenbankeintrag, in einem Kanal, ohne dass jemand ein Etikett anfasst. Ein Multichannel-Händler hat Filialpreise, Etiketten oder elektronische Regaletiketten, Werbemittel mit gedruckten Preisen und die Erwartung der Kunden, dass online und Filiale zusammenpassen. Dieselbe Preisänderung, die online nichts kostet, löst stationär eine Kette von Folgeaufwänden aus. Wer das Vorbild kopiert, ohne diesen Unterschied einzupreisen, unterschätzt das Vorhaben von Anfang an.

Das Versprechen: mehr Marge bei gleichem Abverkauf, weniger Abschriften am Saisonende, schnellere Reaktion auf den Wettbewerb. Zur Ehrlichkeit gehört allerdings, was wir schon im Beitrag über Anwendungsfälle mit belegtem Hebel festgehalten haben: Eine belastbare, quellenübergreifende Effektspanne für den Handel gibt es beim Pricing aus unserer Sicht nicht. Die kursierenden Zahlen stammen überwiegend von Anbietern der entsprechenden Software. Das heißt nicht, dass der Hebel klein wäre. Es heißt, dass Sie ihn für Ihr Sortiment selbst messen müssen und keiner Broschüre entnehmen können.

Warum stellt Pricing die höchsten Datenansprüche?

Aus zwei Gründen: Der Fall braucht viele Datenbereiche gleichzeitig, und er verzeiht keine Verzögerung. Eine Preisentscheidung stützt sich auf mindestens vier Quellen zugleich. Die Abverkäufe zeigen die Nachfrage, die Einkaufskonditionen setzen die Untergrenze, die Bestände bestimmen den Handlungsdruck, und die Wettbewerbspreise setzen den Rahmen. Fällt eine der vier Quellen aus oder hinkt sie hinterher, rechnet der Algorithmus auf einem falschen Bild.

Dazu kommt die Fehlerkostenseite, und die unterscheidet Pricing von fast allen anderen Fällen. Ein falscher Bestellvorschlag lässt sich intern korrigieren, bevor Schaden entsteht. Ein falscher Preis ist sofort draußen. Zu niedrig kostet er unmittelbar Marge, im schlimmsten Fall unter dem Einkaufspreis. Zu hoch kostet er Abverkauf und, schleichender, Preisvertrauen. Gartner warnt allgemein, dass fehlende KI-taugliche Daten Projekte gefährden. Beim Pricing gilt das verschärft, weil die Konsequenz schlechter Daten nicht ein interner Mehraufwand ist, sondern ein falscher Preis am Kunden.

Welche Datenbereiche müssen konkret in Ordnung sein?

Vier, und zwar gleichzeitig und aktuell. Der Artikelstamm zuerst: Einkaufspreis, Einheiten und Gebinde müssen stimmen, sonst rechnet jede Margenlogik falsch. Ein Klassiker aus der Praxis ist die Einheiten-Falle, bei der der Einkaufspreis je Karton gepflegt ist, der Verkaufspreis aber je Stück gerechnet wird. Für einen Menschen ein erkennbarer Ausreißer, für einen Algorithmus ein gültiger Wert.

Die Transaktionsdaten als zweites: Abverkäufe müssen je Kanal sauber und vergleichbar vorliegen, inklusive der Aktionen. Ein Algorithmus, der einen Aktionsabverkauf für normale Nachfrage hält, lernt systematisch falsch. Drittens die Bestände, und zwar aktueller als für die meisten anderen Fälle. Wer auf einen Bestand von gestern Nacht Preise für heute rechnet, senkt Preise für Ware, die längst ausverkauft ist. Viertens die Konditionen und Wettbewerbspreise: versioniert, mit Gültigkeitszeitraum, aus einer verlässlichen Quelle statt aus Excel-Ablagen. Wie Sie den Zustand dieser Bereiche selbst prüfen, steht im Beitrag Welche Daten braucht KI?. Für Pricing gehen Sie die Prüfung viermal durch, einmal je Bereich.

Was gehört neben den Daten noch dazu?

Leitplanken, ein Protokoll und ein geklärter Rahmen. Ein Preisalgorithmus ohne Grenzen ist ein Betriebsrisiko. Zur Mindestausstattung gehören eine harte Untergrenze je Artikel, meist relativ zum Einkaufspreis, eine Obergrenze zum Schutz des Preisimages, Regeln für maximale Preissprünge und Änderungsfrequenz sowie ein Preisprotokoll, das jede Änderung nachvollziehbar macht: Wann galt welcher Preis, und warum. Ohne dieses Protokoll lässt sich später weder der Effekt messen noch ein einzelner Preis erklären, wenn jemand fragt.

Zur Betriebsausstattung gehört außerdem ein Monitoring mit Alarmen: Preise unter Einkauf, ungewöhnlich viele Änderungen in kurzer Zeit, Ausreißer gegen den Wettbewerb. Solche Fälle stoppen den automatischen Weg und landen bei einem Menschen zur Freigabe, nach demselben Prinzip, das sich bei Bestell-Agenten bewährt hat. Der Algorithmus arbeitet den Normalfall ab, die Ausnahme bleibt Handarbeit.

Dazu kommen zwei Themen außerhalb der Technik. Das Preisvertrauen der Kunden: Wer Preise zu oft oder erkennbar willkürlich ändert, wird als unfair wahrgenommen, und dieser Schaden ist schwer zurückzukaufen. Häufigkeit und Sichtbarkeit der Änderungen sind deshalb eine Sortiments- und Markenentscheidung, keine rein algorithmische. Dazu gehört auch die Kanalfrage: Gilt derselbe Preis in Filiale und Shop, und wenn nicht, wie erklären Sie den Unterschied? Diese Entscheidung muss vor dem Algorithmus fallen, denn sie bestimmt, welche Preise er überhaupt anfassen darf. Und der rechtliche Rahmen: Für Preisänderungen, Streichpreise und erst recht für personalisierte Preise gelten Regeln, die vor dem Start juristisch geprüft gehören. Wir sind keine Rechtsberatung, deshalb hier nur der Hinweis, dass diese Prüfung auf die Voraussetzungsliste gehört, bevor der erste Algorithmus rechnet.

Wie starten Häuser sinnvoll mit dynamischen Preisen?

Klein, regelbasiert und messbar, fast nie mit dem Vollsortiment-Algorithmus. Der bewährte Einstieg ist ein umrissener Teilbereich mit eingebautem Handlungsdruck, typischerweise die Abschriftensteuerung zum Saisonende: klare Zielgröße, begrenzte Artikelzahl, überschaubares Risiko. Auf diesem Feld lässt sich die gesamte Kette üben, von der Datenversorgung über die Leitplanken bis zum Preisprotokoll, bevor das Kernsortiment drankommt.

Ein zweiter bewährter Einstiegskandidat ist der Longtail im Online-Sortiment: Artikel mit wenig Abverkauf, bei denen niemand die Zeit hat, Preise von Hand zu pflegen, und bei denen ein Fehler wenig kostet. Auch hier gilt: erst Regeln, dann Lernverfahren.

Wichtig ist die Messbarkeit von Anfang an. Vor dem Start steht fest, an welcher Kennzahl der Erfolg gemessen wird, etwa an der Abschriftenquote oder der Restmenge zum Saisonende, und wo diese Kennzahl heute liegt. Ein Teil des Sortiments bleibt als Vergleichsgruppe beim alten Verfahren. So entsteht in einer Saison ein eigener, belastbarer Effektnachweis, der jede Anbieterzahl ersetzt. Erst wenn dieser Nachweis steht, lohnt die Diskussion über den nächsten Ausbauschritt.

Und noch ein organisatorischer Punkt, der über Bestand oder Abbruch entscheidet: Das Pricing braucht einen fachlichen Eigentümer. Eine Person, die die Regeln verantwortet, die Alarme bearbeitet und die Ergebnisse vor Einkauf und Vertrieb vertritt. Ohne diese Rolle wird der Algorithmus beim ersten Konflikt zwischen Marge und Abverkauf zum Waisenkind, und Waisenkinder werden abgeschaltet.

Welche fünf Fragen klären Sie vor dem ersten Preisalgorithmus?

1. Stimmen Einkaufspreis, Einheit und Gebinde im Artikelstamm, gemessen statt geschätzt? Ohne verlässliche Untergrenze ist jede Preisautomatik ein Blindflug.
2. Können Sie Abverkäufe je Kanal sauber trennen und Aktionen als solche erkennen? Verunreinigte Nachfragedaten lassen den Algorithmus systematisch falsch lernen.
3. Wie aktuell sind Ihre Bestände zum Zeitpunkt der Preisentscheidung? Für Pricing ist von gestern Nacht oft schon zu alt.
4. Gibt es definierte Leitplanken und ein Preisprotokoll? Wenn nicht, ist das Vorhaben noch nicht startklar, egal wie gut die Daten sind.
5. Woran messen Sie den Erfolg, und gibt es eine Vergleichsgruppe? Ohne beides werden Sie nie wissen, ob sich das Ganze gelohnt hat.

Wer alle fünf Fragen belastbar beantworten kann, gehört zu den wenigen Häusern, für die dynamische Preise tatsächlich der nächste Schritt sind. Bei allen anderen zeigt der Fragenkatalog, was vorher zu tun ist, und das ist der eigentliche Wert der Übung.

In der KI-Studie 2025 des Handelsverbands Deutschland (HDE) nennen 89,1 Prozent der Handelsunternehmen hohe Datenqualität als relevanten Erfolgsfaktor für KI-Projekte. Sie bleibt der wichtigste Erfolgsfaktor der Studie. Für die meisten ist der ehrliche erste Schritt deshalb keine Pricing-Software. Es ist eine Messung der eigenen Datenbasis: mit Belegen aus den Systemen, nach dem offenen Standard, den Sie auf der Methode-Seite nachlesen können. Der Preisalgorithmus läuft nicht weg. Er wird nur billiger, schneller und deutlich weniger riskant, wenn das Fundament vorher steht.

Quellen

Quelle	Einordnung
Gartner · Lack of AI-ready data puts AI projects at risk, Februar 2025
HDE & Safaric Consulting · KI-Studie im Handel 2025