Preisoptimierung ohne Ratespiel: Warum Repricing den optimalen Preis nicht findet

Die meisten "Preisoptimierungs"-Tools reagieren auf Wettbewerber und Lagerbestände. Den Preis, den Ihre Kunden wirklich zahlen würden, finden sie nicht. Dafür braucht es ein kausales Modell der Nachfrage.

Was Preisoptimierung wirklich bedeutet

Preisoptimierung heißt: den Preis finden, der ein klar definiertes Ziel optimal steuert — Marge, Umsatz oder Wachstum. Das klingt trivial. In der Praxis verbergen sich hinter dem Begriff zwei völlig verschiedene Welten, die regelmäßig verwechselt werden.

Die erste Welt ist das dynamische Repricing. Hier passen Algorithmen den Preis laufend an externe Signale an: Wettbewerberpreise, Nachfragespitzen, Lagerbestand, Tageszeit. Das ist die Welt, die heute fast jedes Tool meint, wenn es "Preisoptimierung" auf die Startseite schreibt. Sie optimiert kurzfristig und innerhalb eines bestehenden Rahmens.

Die zweite Welt ist die strategische Preisoptimierung. Sie stellt die grundlegendere Frage: Welcher Preis ist überhaupt der richtige? Diese Frage lässt sich nicht aus Wettbewerberpreisen ableiten, sondern nur aus der echten Zahlungsbereitschaft Ihrer Kunden. Und genau hier sind die meisten Tools blind.

Warum Repricing-Tools nicht reichen

Ein Repricing-Tool ist hervorragend darin, einen Preis schnell an die Umgebung anzupassen. Was es nicht kann: Ihnen sagen, ob der Ausgangspreis überhaupt stimmt.

Diese Tools optimieren innerhalb gegebener Annahmen. Sie unterstellen eine Preis-Absatz-Funktion — wie stark die Nachfrage auf Preisänderungen reagiert — und arbeiten dann fleißig auf dieser Kurve entlang. Aber die Kurve selbst kennen sie nicht. Sie raten die kausale Nachfragereaktion, oft aus historischen Korrelationen, die unter ganz anderen Marktbedingungen entstanden sind.

Das Ergebnis: Sie können mit dynamischem Repricing einen falschen Preis sehr präzise und sehr schnell optimieren. Sie bleiben dabei auf einer Kurve, die ein paar Prozent neben der Realität liegt — und verschenken Marge, ohne es zu merken.

Hinzu kommt ein struktureller Effekt: Wenn alle Anbieter einer Kategorie auf Wettbewerberpreise reagieren, optimieren sie sich gegenseitig in einen Abwärtssog. Jeder folgt jedem, und niemand stellt die Frage, was der Markt eigentlich zu zahlen bereit wäre. Repricing ist ein Reaktions-, kein Erkenntnisinstrument. Es ist nützlich — aber es ersetzt die strategische Preisfindung nicht, es setzt sie voraus.

Warum Standard-Marktforschung auch nicht reicht

Der naheliegende Reflex lautet: Dann fragen wir eben die Kunden. Genau hier liegt die zweite Falle.

Die klassischen Befragungsmethoden — Van Westendorp, Gabor-Granger, Conjoint oder die Conjoint-Analyse — messen geäußerte Zahlungsbereitschaft. Sie fragen Menschen in einer hypothetischen Situation, was sie zu zahlen bereit wären. Das ist Stated Preference.

Das Problem ist der Say-Do-Gap: die systematische Lücke zwischen dem, was Menschen sagen, und dem, was sie tun. Bei Preisen ist diese Lücke besonders heimtückisch, weil sie fast immer in dieselbe Richtung verzerrt — nach unten. In der Befragung gibt sich jeder preisbewusst. An der Kasse entscheidet das Bauchgefühl anders. Wer seine Preise auf geäußerter Zahlungsbereitschaft aufbaut, optimiert konsequent zu niedrig.

Der kausale Weg: echte Zahlungsbereitschaft

Der Ausweg führt weder über Wettbewerberpreise noch über Befragungen, sondern über tatsächliches Verhalten. Echte Zahlungsbereitschaft lässt sich aus Verhaltens- und Transaktionsdaten ableiten, ergänzt um implizite Messung, die das unbewusste Preis-Wert-Empfinden erfasst — also das, was an der Kasse wirklich entscheidet.

Der entscheidende Schritt ist dann die kausale Modellierung. Causal AI identifiziert nicht nur Korrelationen, sondern die kausalen Treiber der Preisakzeptanz. Damit lässt sich simulieren, wie sich Absatz und Marge bei einer konkreten Preisänderung tatsächlich verschieben würden — nicht nur, wie sie in der Vergangenheit zufällig zusammenhingen.

Wichtig ist dabei die Ehrlichkeit über Unsicherheit. Das Ergebnis ist keine einzelne magische Zahl, sondern eine Preis-Absatz-Funktion mit Bandbreiten: Hier liegt der optimale Preis, mit dieser Wahrscheinlichkeit, in diesem Korridor. Wer mehr verspricht, verkauft Scheingenauigkeit. Wie man die zugrunde liegende Preissensitivität sauber misst, ist eine eigene methodische Disziplin.

Drei Ansätze im Vergleich

Wie SUPRA arbeitet

Wir verkaufen kein Repricing-Werkzeug zum Selbstbedienen. Wir arbeiten beratungsgeführt: Das kausale Modell entsteht auf Ihren eigenen Daten — Ihren Transaktionen, Ihrem Kundenverhalten, Ihrer Kategorie.

Der typische Ablauf: Wir prüfen, welche Verhaltens- und Transaktionsdaten vorliegen, ergänzen wo nötig implizite Messung, bauen ein kausales Nachfragemodell und übersetzen es in eine Preisempfehlung mit klaren Bandbreiten und Szenarien. Sie bekommen nicht nur eine Zahl, sondern ein Verständnis dafür, warum dieser Preis trägt und was bei einer Änderung passiert.

Der Unterschied zur Tool-Logik ist grundsätzlich: Ein generisches Modell unterstellt eine durchschnittliche Nachfragereaktion. Ihr Geschäft ist aber nicht durchschnittlich. Markenstärke, Kundensegmente, Kategorie-Dynamik und Substitutionsdruck sind bei Ihnen anders gelagert — und genau diese Faktoren entscheiden über den richtigen Preis. Ein Modell, das auf Ihren Daten trainiert ist, bildet diese Realität ab, statt sie wegzumitteln.

Wenn Sie wissen wollen, wie ein solches Vorgehen für Ihre Preise konkret aussieht, finden Sie Details zu Zusammenarbeit und Engagement-Modellen unter Pricing und einen Überblick über unsere Leistungen unter Services.

Häufige Fragen