{"id":1677,"date":"2026-11-13T12:55:53","date_gmt":"2026-11-13T12:55:53","guid":{"rendered":"https:\/\/blackaha.com\/pricing-dictionary\/machine-learning\/"},"modified":"2026-11-15T15:31:23","modified_gmt":"2026-11-15T15:31:23","slug":"machine-learning","status":"publish","type":"page","link":"https:\/\/blackaha.com\/de\/pricing-dictionary\/machine-learning\/","title":{"rendered":"Maschinelles Lernen"},"content":{"rendered":"<figure class=\"bl-illustration alignwide bl-dict-hero wp-block-blackaha-lens-illustration\"><svg class=\"bl-svg bl-svg--illustration\" focusable=\"false\" role=\"img\" aria-label=\"Verstreute Datenpunkte mit einer blauen angepassten Kurve hindurch und einem R\u00fcckkopplungspfeil, der zu den Daten zur\u00fcckf\u00fchrt.\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewbox=\"0 0 480 320\">\n  <rect class=\"f-surface-alt\" width=\"480\" height=\"320\" rx=\"16\"\/>\n  <g class=\"s-line\" stroke-width=\"2\">\n    <line x1=\"64\" y1=\"252\" x2=\"360\" y2=\"252\"\/>\n    <line x1=\"64\" y1=\"252\" x2=\"64\" y2=\"56\"\/>\n  <\/g>\n  <g class=\"f-ink-soft\">\n    <circle cx=\"92\" cy=\"226\" r=\"6\"\/>\n    <circle cx=\"116\" cy=\"204\" r=\"6\"\/>\n    <circle cx=\"140\" cy=\"214\" r=\"6\"\/>\n    <circle cx=\"164\" cy=\"176\" r=\"6\"\/>\n    <circle cx=\"190\" cy=\"168\" r=\"6\"\/>\n    <circle cx=\"214\" cy=\"140\" r=\"6\"\/>\n    <circle cx=\"240\" cy=\"134\" r=\"6\"\/>\n    <circle cx=\"266\" cy=\"110\" r=\"6\"\/>\n    <circle cx=\"292\" cy=\"104\" r=\"6\"\/>\n    <circle cx=\"318\" cy=\"90\" r=\"6\"\/>\n    <circle cx=\"340\" cy=\"84\" r=\"6\"\/>\n  <\/g>\n  <path class=\"s-brand\" d=\"M84 232 C 150 196, 230 140, 348 80\" fill=\"none\" stroke-width=\"5\" stroke-linecap=\"round\"\/>\n  <rect class=\"f-brand-soft s-brand\" x=\"388\" y=\"112\" width=\"60\" height=\"60\" rx=\"12\" stroke-width=\"3\"\/>\n  <g class=\"f-brand\">\n    <circle cx=\"406\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"406\" cy=\"154\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"154\" r=\"5\"\/>\n  <\/g>\n  <path class=\"s-ink-soft\" d=\"M418 176 V276 H212 V264\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M204 272 L212 262 L220 272\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M352 96 L384 128\" stroke-width=\"3\" stroke-linecap=\"round\"\/>\n<\/svg><\/figure>\n\n\n<p class=\"wp-block-paragraph\">Maschinelles Lernen ist ein Teilgebiet der k\u00fcnstlichen 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 K\u00e4ufern auf Preise zu sch\u00e4tzen und zu erkennen, wann zwei Angebote dasselbe Produkt sind.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Lernen aus Beispielen statt aus Regeln<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Eine klassische Preisregel k\u00f6nnte lauten: F\u00e4llt 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 fr\u00fchere Beispiele gegeben \u2013 etwa Preise, Daten, Lagerbest\u00e4nde und die darauf folgenden Verk\u00e4ufe \u2013, und es passt seine internen Parameter an, bis seine Vorhersagen gut zu diesen Beispielen passen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Ergebnis ist ein Modell, das eine Vorhersage f\u00fcr eine neue Situation treffen kann, die es so noch nicht gesehen hat. Seine Qualit\u00e4t h\u00e4ngt davon ab, ob die neue Situation den Daten \u00e4hnelt, aus denen es gelernt hat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Auf das Training folgt meist ein Test mit Daten, die das Modell nicht gesehen hat. Ein g\u00e4ngiger Ansatz h\u00e4lt die j\u00fcngsten Monate zur\u00fcck, trainiert mit allem davor und pr\u00fcft, wie gut das Modell den zur\u00fcckgehaltenen Zeitraum vorhersagt. Sinkt die Genauigkeit bei den ungesehenen Daten stark, hat das Modell die Vergangenheit zu genau gelernt und wird nicht verallgemeinern.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Arten des Lernens<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>\u00dcberwachtes Lernen lernt aus gelabelten Beispielen, etwa fr\u00fcheren Preisen zusammen mit verkauften Einheiten, und sagt das Label f\u00fcr neue F\u00e4lle voraus.<\/li><li>Un\u00fcberwachtes Lernen findet Strukturen in ungelabelten Daten, etwa indem es Kunden oder Produkte mit \u00e4hnlichem Verhalten gruppiert.<\/li><li>Best\u00e4rkendes Lernen probiert Aktionen aus, beobachtet die Belohnung und bevorzugt nach und nach Aktionen, die sich auszahlen \u2013 ein Ansatz, der f\u00fcr aufeinanderfolgende Preisentscheidungen erforscht wird.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Die meisten praktischen Anwendungen im Handel sind \u00fcberwacht. Die Modellfamilien reichen von einfacher linearer Regression \u00fcber Ensembles aus Entscheidungsb\u00e4umen bis zu neuronalen Netzen. Ein einfacheres Modell, das das Team versteht, ist oft n\u00fctzlicher als ein komplexes, das niemand erkl\u00e4ren kann.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">H\u00e4ufige Anwendungen in Preisgestaltung und E-Commerce<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Nachfrageprognosen zur Planung von Bestand und Aktionen<\/li><li>Sch\u00e4tzung der Preiselastizit\u00e4t f\u00fcr Produkte mit ausreichender Verkaufshistorie<\/li><li>Produktabgleich, um zu entscheiden, ob zwei Angebote mit unterschiedlichen Titeln derselbe Artikel sind<\/li><li>Empfehlungen und Suchranking auf Shopseiten<\/li><li>Betrugspr\u00fcfung im Checkout<\/li><li>Planung von Preisreduzierungen f\u00fcr Saisonware<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">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 f\u00fchrt zu einem falschen Preisvergleich, daher werden Treffer mit geringer Sicherheit meist von einem Menschen gepr\u00fcft.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Prognosen sind oft der einfachste Einstieg. Ein Modell, das die St\u00fcckzahlen des n\u00e4chsten Monats f\u00fcr jedes Produkt vorhersagt, \u00e4ndert selbst keinen Preis, hilft aber Eink\u00e4ufern, Ware zu bestellen, Aktionen zu planen und Produkte zu erkennen, deren Verk\u00e4ufe von den Erwartungen abweichen. Da sich die Prognose jede Woche an der Realit\u00e4t pr\u00fcfen l\u00e4sst, w\u00e4chst das Vertrauen Schritt f\u00fcr Schritt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ein Beispiel: die Preisreaktion vorhersagen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Stellen Sie sich als Beispiel einen Zoobedarf-Shop mit zwei Jahren Tagesdaten f\u00fcr einen Sack Hundefutter vor: eigener Preis, niedrigster verfolgter Wettbewerberpreis, Wochentag, Saison und verkaufte Einheiten. Ein Modell, das mit diesen Daten trainiert wurde, k\u00f6nnte sch\u00e4tzen, dass der Shop bei 52 Dollar und Wettbewerbern bei 50 etwa 30 S\u00e4cke pro Tag verkauft und bei 49 Dollar etwa 38 S\u00e4cke. Zusammen mit den St\u00fcckkosten kann das Team mit diesen Sch\u00e4tzungen den erwarteten Gewinn bei jedem Preis vergleichen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Sch\u00e4tzungen gelten nur innerhalb des Bereichs, den das Modell gesehen hat. Hat der Shop nie mehr als 55 Dollar verlangt, ist eine Vorhersage f\u00fcr 65 Dollar Raterei im Gewand einer Zahl. Gute Praxis ist, neue Preisniveaus vorsichtig zu testen und die Ergebnisse in die Daten zur\u00fcckzuf\u00fchren.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Daten zuerst<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Ein Modell ist nur so gut wie seine Eingangsdaten. Fehlende Tage, in falscher W\u00e4hrung erfasste Preise, Lieferengp\u00e4sse, 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wettbewerberpreise sind eine h\u00e4ufige Eingangsgr\u00f6\u00dfe und brauchen dieselbe Sorgfalt. Eine lange, konsistente Aufzeichnung von Wettbewerberpreisen und Verf\u00fcgbarkeit, wie sie etwa der <a href=\"\/de\/features\/price-history\/\">Preisverlauf<\/a>bereitstellt, gibt jeder Analyse \u2013 ob Tabelle oder Modell \u2013 eine verl\u00e4sslichere Grundlage.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Risiken und Grenzen<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>\u00dcberanpassung (Overfitting): Ein Modell merkt sich vergangenes Rauschen und sagt neue Daten schlecht voraus<\/li><li>R\u00fcckkopplungsschleifen: Mehrere automatisierte Systeme reagieren aufeinander, und die Preise driften<\/li><li>Undurchsichtige Entscheidungen, die Mitarbeitende Kunden oder Beh\u00f6rden nicht erkl\u00e4ren k\u00f6nnen<\/li><li>Verzerrungen (Bias), wenn Daten oder Merkmale zu unfairen Ergebnissen f\u00fcr Kundengruppen f\u00fchren<\/li><li>Concept Drift: Das Marktverhalten \u00e4ndert sich, und ein altes Modell handelt weiter nach \u00fcberholten Mustern<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">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.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Maschinelles Lernen verantwortungsvoll einsetzen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lassen Sie die Grenzen in menschlicher Hand. Mindest- und H\u00f6chstpreise sowie maximale t\u00e4gliche \u00c4nderungen sollte das Unternehmen festlegen und unabh\u00e4ngig davon durchsetzen, was ein Modell vorschl\u00e4gt. Beginnen Sie mit Prognosen, die eine Entscheidung unterst\u00fctzen, statt mit Modellen, die Preise direkt \u00e4ndern, \u00fcberwachen Sie die Genauigkeit gegen\u00fcber dem tats\u00e4chlichen Geschehen und trainieren Sie Modelle neu oder nehmen Sie sie au\u00dfer Betrieb, wenn ihr Fehler w\u00e4chst.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es hilft auch, jedes Modell mit einer einfachen Vergleichsbasis zu vergleichen, etwa den Verk\u00e4ufen derselben Woche im Vorjahr oder einem gleitenden Durchschnitt. Kann ein ausgefeiltes Modell diese Basis nicht klar schlagen, lohnt sich die zus\u00e4tzliche Komplexit\u00e4t nicht. Dokumentieren Sie, was jedes Modell tut, welche Daten es nutzt und wer daf\u00fcr verantwortlich ist, damit Entscheidungen auch bei Personalwechseln nachvollziehbar bleiben.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Das Wichtigste in K\u00fcrze<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Maschinelles Lernen lernt Muster aus Daten, statt handgeschriebenen Regeln zu folgen.<\/li><li>Im E-Commerce unterst\u00fctzt es Nachfrageprognosen, Sch\u00e4tzungen der Preisreaktion und Produktabgleich.<\/li><li>Vorhersagen sind nur innerhalb der Situationen verl\u00e4sslich, die das Modell gesehen hat.<\/li><li>Saubere, konsistente Daten einschlie\u00dflich Wettbewerberpreisen sind wichtiger als die Komplexit\u00e4t des Modells.<\/li><li>Vom Unternehmen gesetzte Unter- und Obergrenzen sowie menschliche Pr\u00fcfung sollten jede automatisierte Entscheidung begrenzen.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">H\u00e4ufig gestellte Fragen<\/h2>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Ist maschinelles Lernen dasselbe wie k\u00fcnstliche Intelligenz?<\/summary>\n<p class=\"wp-block-paragraph\">Maschinelles Lernen ist ein Teil der k\u00fcnstlichen Intelligenz. KI ist das breite Feld, Software Aufgaben ausf\u00fchren zu lassen, die intelligent wirken, w\u00e4hrend maschinelles Lernen der Ansatz ist, diese F\u00e4higkeiten aus Daten zu lernen.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Brauche ich maschinelles Lernen, um gute Preise zu setzen?<\/summary>\n<p class=\"wp-block-paragraph\">Nein. Klare Regeln auf Basis von Kosten, Margenzielen und Wettbewerberpreisen funktionieren f\u00fcr viele Shops gut. Maschinelles Lernen hilft am meisten, wenn es viele Produkte, reichlich Historie und Muster gibt, die f\u00fcr einfache Regeln zu komplex sind.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Wie viele Daten braucht ein Preismodell?<\/summary>\n<p class=\"wp-block-paragraph\">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 ge\u00e4ndert hat, geben dem Modell nichts, woraus es die Preisreaktion lernen k\u00f6nnte.<\/p>\n<\/details>\n\n\n\n<h2 class=\"wp-block-heading\">Verwandte Begriffe<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"\/de\/pricing-dictionary\/monadic-testing\/\">Monadischer Test<\/a><\/li><li><a href=\"\/de\/pricing-dictionary\/ab-testing\/\">A\/B-Test<\/a><\/li><li><a href=\"\/de\/pricing-dictionary\/price-testing-methods\/\">Methoden f\u00fcr Preistests<\/a><\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">In BlackAha <a href=\"\/de\/features\/smart-price\/\">Smart Price<\/a> hilft Ihnen, f\u00fcr jedes Produkt einen empfohlenen Verkaufspreis auf Basis von Wettbewerbs- und Marktpreisen zu erhalten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"\/de\/pricing-dictionary\/\">Zur\u00fcck zum Preislexikon<\/a><\/p>","protected":false},"excerpt":{"rendered":"<p>Machine learning is a branch of artificial intelligence in which software learns patterns from data to make predictions or decisions, not hand-written rules. In e-commerce and pricing it is used to forecast demand, estimate how buyers respond to price and recognise when two listings are the same product. Learning from examples instead of rules A [&hellip;]<\/p>\n","protected":false},"author":0,"featured_media":0,"parent":1276,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1677","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/pages\/1677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/types\/page"}],"replies":[{"embeddable":true,"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/comments?post=1677"}],"version-history":[{"count":1,"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/pages\/1677\/revisions"}],"predecessor-version":[{"id":1792,"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/pages\/1677\/revisions\/1792"}],"up":[{"embeddable":true,"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/pages\/1276"}],"wp:attachment":[{"href":"https:\/\/blackaha.com\/de\/wp-json\/wp\/v2\/media?parent=1677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}