Dynamic Pricing

Einfach erklärt

Dynamic Pricing passt Preise automatisch oder regelbasiert an – basierend auf Nachfrage, Wettbewerb, Zeit und anderen Faktoren. Ziel kann Umsatz, Marge, Auslastung, Absatz oder Bestandssteuerung sein.

Beispiele aus dem Alltag:

Branche	Wie es funktioniert
Flugtickets	Preise reagieren auf Nachfrage, Verfügbarkeit und Buchungszeitpunkt
Ride-Sharing	Aufschläge bei hoher Nachfrage oder knappen Fahrern möglich
Online-Handel	Preise können auf Wettbewerb, Lagerbestand und Nachfrage reagieren
Hotels	Preise variieren nach Auslastung, Saison und Ereignissen

Einflussfaktoren:

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

Nachfrage hoch → Preis kann steigen
Wettbewerber günstiger → Preis kann angepasst werden
Lagerbestand hoch → Rabatt kann sinnvoll sein
Kundensegment → Regeln und Fairness prüfen

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,
    competitor_price,
    inventory_level,
    min_margin
):
    # Nachfrage-Faktor
    demand_factor = 1 + (demand_score - demand_baseline) * demand_weight
    
    # Wettbewerbs-Faktor
    if competitor_price:
        comp_factor = min(max_competitor_factor, competitor_price / base_price)
    else:
        comp_factor = 1.0
    
    # Lagerbestand-Faktor
    if inventory_level > high_inventory_threshold:
        inventory_factor = high_inventory_factor
    elif inventory_level < low_inventory_threshold:
        inventory_factor = low_inventory_factor
    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) % experiment_bucket_count
    
    if group < variant_a_threshold:
        return base_price * variant_a_factor
    elif group < variant_b_threshold:
        return base_price
    else:
        return base_price * variant_c_factor

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

Ethische Überlegungen

Praxis	Akzeptabel?	Anmerkung
Nachfrage-basiert	oft akzeptiert	Transparenz und Fairness beachten
Wettbewerbs-basiert	häufig üblich	kartellrechtliche und Plattformregeln beachten
Personalisiert nach Kaufhistorie	sensibel	kann unfair wirken und braucht klare Governance
Nach Gerät/Browser	problematisch	kann diskriminierend oder vertrauensschädigend sein
Nach Standort	kontextabhängig	regionale Preise vs. unfaire Diskriminierung prüfen