Dynamic Pricing

Einfach erklärt

Dynamic Pricing passt Preise automatisch an – basierend auf Nachfrage, Wettbewerb, Zeit und anderen Faktoren. Ziel: Maximaler Umsatz oder Marge.

Beispiele aus dem Alltag:

Branche	Wie es funktioniert
Flugtickets	Preis steigt bei hoher Nachfrage, sinkt bei leeren Plätzen
Uber	Surge Pricing bei Regen oder Events
Amazon	Preise ändern sich mehrmals täglich
Hotels	Teurer am Wochenende, günstiger unter der Woche

Einflussfaktoren:

Preis = f(Nachfrage, Wettbewerb, Zeit, Lagerbestand, Kunde)

Nachfrage hoch → Preis steigt
Wettbewerber günstiger → Preis sinkt
Lagerbestand hoch → Rabatt
Stammkunde → Sonderpreis?

Technischer Deep Dive

Pricing-Strategien

Strategie	Beschreibung	Use Case
Cost-Plus	Kosten + Marge	Basis
Competitor-Based	Relativ zum Wettbewerb	Commodities
Demand-Based	Nach Nachfrage	Hotels, Flüge
Time-Based	Nach Tageszeit/Saison	Restaurants, Events
Segment-Based	Nach Kundengruppe	B2B vs. B2C

Einfacher Pricing-Algorithmus

def calculate_dynamic_price(
    base_price,
    demand_score,      # 0-1, wie hoch ist die Nachfrage
    competitor_price,  # Wettbewerberpreis
    inventory_level,   # Lagerbestand in %
    min_margin=0.1     # Mindestmarge
):
    # Nachfrage-Faktor
    demand_factor = 1 + (demand_score - 0.5) * 0.4
    # Bei demand_score 1.0: +20%, bei 0.0: -20%
    
    # Wettbewerbs-Faktor
    if competitor_price:
        comp_factor = min(1.1, competitor_price / base_price)
    else:
        comp_factor = 1.0
    
    # Lagerbestand-Faktor
    if inventory_level > 0.8:
        inventory_factor = 0.9  # Rabatt bei vollem Lager
    elif inventory_level < 0.2:
        inventory_factor = 1.1  # Aufschlag bei knappem Lager
    else:
        inventory_factor = 1.0
    
    # Preis berechnen
    price = base_price * demand_factor * comp_factor * inventory_factor
    
    # Mindestmarge sicherstellen
    min_price = base_price * (1 + min_margin)
    
    return max(price, min_price)

ML-basiertes Pricing

from sklearn.ensemble import GradientBoostingRegressor

# Features für Preisvorhersage
features = [
    'base_price',
    'competitor_price',
    'demand_score',
    'day_of_week',
    'hour_of_day',
    'inventory_level',
    'customer_segment',
    'historical_conversion_rate'
]

# Modell trainieren auf historischen Daten
model = GradientBoostingRegressor()
model.fit(X_train, y_optimal_price)

# Optimalen Preis vorhersagen
def get_optimal_price(product_features):
    return model.predict([product_features])[0]

A/B Testing für Pricing

def pricing_ab_test(user_id, product_id):
    # Zufällige Zuweisung zu Preisgruppe
    group = hash(user_id + product_id) % 100
    
    if group < 33:
        return base_price * 0.95  # Gruppe A: -5%
    elif group < 66:
        return base_price         # Gruppe B: Basis
    else:
        return base_price * 1.05  # Gruppe C: +5%

# Nach Test: Welche Gruppe hat besten Umsatz/Marge?

Ethische Überlegungen

Praxis	Akzeptabel?	Anmerkung
Nachfrage-basiert	✅ Ja	Transparent, marktüblich
Wettbewerbs-basiert	✅ Ja	Standard
Personalisiert nach Kaufhistorie	⚠️ Grauzone	Kann unfair wirken
Nach Gerät/Browser	❌ Problematisch	Diskriminierend
Nach Standort	⚠️ Grauzone	Regionale Preise vs. Diskriminierung