Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, in dem Software Muster aus Daten lernt, um Vorhersagen oder Entscheidungen zu treffen, statt handgeschriebenen Regeln zu folgen. Im E-Commerce und in der Preisgestaltung wird es eingesetzt, um Nachfrage zu prognostizieren, die Reaktion von Käufern auf Preise zu schätzen und zu erkennen, wann zwei Angebote dasselbe Produkt sind.

Lernen aus Beispielen statt aus Regeln

Eine klassische Preisregel könnte lauten: Fällt ein Wettbewerber unter uns, gleichen wir an, gehen aber nie unter Kosten plus 15 Prozent. Jede Bedingung schreibt ein Mensch. Einem Modell des maschinellen Lernens werden stattdessen viele frühere Beispiele gegeben – etwa Preise, Daten, Lagerbestände und die darauf folgenden Verkäufe –, und es passt seine internen Parameter an, bis seine Vorhersagen gut zu diesen Beispielen passen.

Das Ergebnis ist ein Modell, das eine Vorhersage für eine neue Situation treffen kann, die es so noch nicht gesehen hat. Seine Qualität hängt davon ab, ob die neue Situation den Daten ähnelt, aus denen es gelernt hat.

Auf das Training folgt meist ein Test mit Daten, die das Modell nicht gesehen hat. Ein gängiger Ansatz hält die jüngsten Monate zurück, trainiert mit allem davor und prüft, wie gut das Modell den zurückgehaltenen Zeitraum vorhersagt. Sinkt die Genauigkeit bei den ungesehenen Daten stark, hat das Modell die Vergangenheit zu genau gelernt und wird nicht verallgemeinern.

Arten des Lernens

  • Überwachtes Lernen lernt aus gelabelten Beispielen, etwa früheren Preisen zusammen mit verkauften Einheiten, und sagt das Label für neue Fälle voraus.
  • Unüberwachtes Lernen findet Strukturen in ungelabelten Daten, etwa indem es Kunden oder Produkte mit ähnlichem Verhalten gruppiert.
  • Bestärkendes Lernen probiert Aktionen aus, beobachtet die Belohnung und bevorzugt nach und nach Aktionen, die sich auszahlen – ein Ansatz, der für aufeinanderfolgende Preisentscheidungen erforscht wird.

Die meisten praktischen Anwendungen im Handel sind überwacht. Die Modellfamilien reichen von einfacher linearer Regression über Ensembles aus Entscheidungsbäumen bis zu neuronalen Netzen. Ein einfacheres Modell, das das Team versteht, ist oft nützlicher als ein komplexes, das niemand erklären kann.

Häufige Anwendungen in Preisgestaltung und E-Commerce

  • Nachfrageprognosen zur Planung von Bestand und Aktionen
  • Schätzung der Preiselastizität für Produkte mit ausreichender Verkaufshistorie
  • Produktabgleich, um zu entscheiden, ob zwei Angebote mit unterschiedlichen Titeln derselbe Artikel sind
  • Empfehlungen und Suchranking auf Shopseiten
  • Betrugsprüfung im Checkout
  • Planung von Preisreduzierungen für Saisonware

Der Produktabgleich zeigt, wie sich die Technik mit Wettbewerbsdaten verbindet. Titel, Marken, Modellnummern, Bilder und Attribute werden verglichen, und ein Modell bewertet, wie wahrscheinlich zwei Angebote dasselbe Produkt sind. Ein falscher Abgleich führt zu einem falschen Preisvergleich, daher werden Treffer mit geringer Sicherheit meist von einem Menschen geprüft.

Prognosen sind oft der einfachste Einstieg. Ein Modell, das die Stückzahlen des nächsten Monats für jedes Produkt vorhersagt, ändert selbst keinen Preis, hilft aber Einkäufern, Ware zu bestellen, Aktionen zu planen und Produkte zu erkennen, deren Verkäufe von den Erwartungen abweichen. Da sich die Prognose jede Woche an der Realität prüfen lässt, wächst das Vertrauen Schritt für Schritt.

Ein Beispiel: die Preisreaktion vorhersagen

Stellen Sie sich als Beispiel einen Zoobedarf-Shop mit zwei Jahren Tagesdaten für einen Sack Hundefutter vor: eigener Preis, niedrigster verfolgter Wettbewerberpreis, Wochentag, Saison und verkaufte Einheiten. Ein Modell, das mit diesen Daten trainiert wurde, könnte schätzen, dass der Shop bei 52 Dollar und Wettbewerbern bei 50 etwa 30 Säcke pro Tag verkauft und bei 49 Dollar etwa 38 Säcke. Zusammen mit den Stückkosten kann das Team mit diesen Schätzungen den erwarteten Gewinn bei jedem Preis vergleichen.

Die Schätzungen gelten nur innerhalb des Bereichs, den das Modell gesehen hat. Hat der Shop nie mehr als 55 Dollar verlangt, ist eine Vorhersage für 65 Dollar Raterei im Gewand einer Zahl. Gute Praxis ist, neue Preisniveaus vorsichtig zu testen und die Ergebnisse in die Daten zurückzuführen.

Daten zuerst

Ein Modell ist nur so gut wie seine Eingangsdaten. Fehlende Tage, in falscher Währung erfasste Preise, Lieferengpässe, die wie geringe Nachfrage aussehen, und nicht gekennzeichnete Aktionen bringen dem Modell die falsche Lektion bei. Das Bereinigen und Kennzeichnen der Daten kostet meist mehr Aufwand als das Training des Modells selbst.

Wettbewerberpreise sind eine häufige Eingangsgröße und brauchen dieselbe Sorgfalt. Eine lange, konsistente Aufzeichnung von Wettbewerberpreisen und Verfügbarkeit, wie sie etwa der Preisverlaufbereitstellt, gibt jeder Analyse – ob Tabelle oder Modell – eine verlässlichere Grundlage.

Risiken und Grenzen

  • Überanpassung (Overfitting): Ein Modell merkt sich vergangenes Rauschen und sagt neue Daten schlecht voraus
  • Rückkopplungsschleifen: Mehrere automatisierte Systeme reagieren aufeinander, und die Preise driften
  • Undurchsichtige Entscheidungen, die Mitarbeitende Kunden oder Behörden nicht erklären können
  • Verzerrungen (Bias), wenn Daten oder Merkmale zu unfairen Ergebnissen für Kundengruppen führen
  • Concept Drift: Das Marktverhalten ändert sich, und ein altes Modell handelt weiter nach überholten Mustern

Die Regeln zu automatisierten Entscheidungen, personenbezogenen Daten und Preisgestaltung unterscheiden sich von Land zu Land. Personenbezogene Daten zur Festlegung individueller Preise zu nutzen, kann rechtliche und ethische Fragen aufwerfen; vorher lohnt sich fachkundiger Rechtsrat.

Maschinelles Lernen verantwortungsvoll einsetzen

Lassen Sie die Grenzen in menschlicher Hand. Mindest- und Höchstpreise sowie maximale tägliche Änderungen sollte das Unternehmen festlegen und unabhängig davon durchsetzen, was ein Modell vorschlägt. Beginnen Sie mit Prognosen, die eine Entscheidung unterstützen, statt mit Modellen, die Preise direkt ändern, überwachen Sie die Genauigkeit gegenüber dem tatsächlichen Geschehen und trainieren Sie Modelle neu oder nehmen Sie sie außer Betrieb, wenn ihr Fehler wächst.

Es hilft auch, jedes Modell mit einer einfachen Vergleichsbasis zu vergleichen, etwa den Verkäufen derselben Woche im Vorjahr oder einem gleitenden Durchschnitt. Kann ein ausgefeiltes Modell diese Basis nicht klar schlagen, lohnt sich die zusätzliche Komplexität nicht. Dokumentieren Sie, was jedes Modell tut, welche Daten es nutzt und wer dafür verantwortlich ist, damit Entscheidungen auch bei Personalwechseln nachvollziehbar bleiben.

Das Wichtigste in Kürze

  • Maschinelles Lernen lernt Muster aus Daten, statt handgeschriebenen Regeln zu folgen.
  • Im E-Commerce unterstützt es Nachfrageprognosen, Schätzungen der Preisreaktion und Produktabgleich.
  • Vorhersagen sind nur innerhalb der Situationen verlässlich, die das Modell gesehen hat.
  • Saubere, konsistente Daten einschließlich Wettbewerberpreisen sind wichtiger als die Komplexität des Modells.
  • Vom Unternehmen gesetzte Unter- und Obergrenzen sowie menschliche Prüfung sollten jede automatisierte Entscheidung begrenzen.

Häufig gestellte Fragen

Ist maschinelles Lernen dasselbe wie künstliche Intelligenz?

Maschinelles Lernen ist ein Teil der künstlichen Intelligenz. KI ist das breite Feld, Software Aufgaben ausführen zu lassen, die intelligent wirken, während maschinelles Lernen der Ansatz ist, diese Fähigkeiten aus Daten zu lernen.

Brauche ich maschinelles Lernen, um gute Preise zu setzen?

Nein. Klare Regeln auf Basis von Kosten, Margenzielen und Wettbewerberpreisen funktionieren für viele Shops gut. Maschinelles Lernen hilft am meisten, wenn es viele Produkte, reichlich Historie und Muster gibt, die für einfache Regeln zu komplex sind.

Wie viele Daten braucht ein Preismodell?

Eine feste Zahl gibt es nicht. Das Modell braucht genug Historie mit echter Preisvariation, um zu sehen, wie die Nachfrage reagiert. Produkte, deren Preis sich nie geändert hat, geben dem Modell nichts, woraus es die Preisreaktion lernen könnte.

Verwandte Begriffe

In BlackAha Smart Price hilft Ihnen, für jedes Produkt einen empfohlenen Verkaufspreis auf Basis von Wettbewerbs- und Marktpreisen zu erhalten.

Zurück zum Preislexikon