Next Generation Retail Pricing

Okay, also es ist halb zwei. Ich, ähm, würde einfach mal anfangen. Ähm, herzlich willkommen zur heutigen Session, ähm, Next Generation of Dynamic Pricing for Retailers: How to Increase Profitability with Predictive Pricing. Ähm, mein Name ist Felix Hoffmann und, ähm, genau, ich hab, ähm, das Vergnügen, euch heute Seven Learnings vorzustellen. Bin selber Gründer und Geschäftsführer von Seven Learnings und, ähm, ja freue mich einfach, euch heute, ähm, einen Einblick in, äh, unsere Technologie geben zu können. Ähm, mein Hintergrund ist, ähm, ich war in meiner vorherigen Rolle bei Zalando, ähm, der, ja, Product Owner für den Preisalgorithmus-Bereich von Zalando, für, für alle Märkte. Und, ähm, davor war ich, ähm, bei L.T. Kearney Berater. Und, ähm, ja, es ist einfach so, dass da, ähm, als Berater habe ich sehr, sehr viel gesehen, auch im Retail, ähm, in Bezug auf Preisoptimierung und, ähm, die Diskrepanz ist doch schon sehr groß gewesen. Zalando hat einfach 'nen sehr krassen algorithmischen Ansatz für das ganze Thema. Und, ähm, genau, was ich vorher gesehen habe, war eher so Excel-basiert, ähm, und, ähm, ja, sicherlich nicht, ähm, ähm, ja, in, in, in, in der Ganzheit, ganz Ganzheitlichkeit, so wie, wie man sich es heutzutage vorstellen würde. Ähm, und das ist letztendlich auch der, die Idee dann zu Seven Learnings gewesen, halt auch, ähm, größeren, ähm, Retailern, ähm, eben zu ermöglichen, son, wenn man 'nen vorhersagebasierten Ansatz zu machen für das Berei-- für den Bereich Pricing, aber auch für den Bereich Marketing. Und, ähm, genau, das machen wir jetzt seit zwei Jahren und, ähm, ich kann euch heute einfach mal 'nen Einblick geben, ähm, wie das genau funktioniert und, ähm, wie ihr auch davon profitieren könnt. (räuspert sich) Erst mal vielleicht, ähm, 'ne Einführung zum generellen Thema Retail AI. Also, es gibt ja sehr viele Anwendungen, wo Machine Learning benutzt werden kann. Ähm, hier seht ihr mal von Gartner eine Pyramide, die, ähm, einfach im Überblick einmal zeigt, ähm, was es für Anwendungen gibt. Ähm, zum Beispiel-- ein klassisches Beispiel wäre so was wie Ford Management. Ähm, da kann man halt schauen, okay, wie, ähm, ähm, wenn jemand bei mir was kauft, wie wahrscheinlich ist es, dass der eigentlich nur, ähm, ja, ähm, dass es ein, ein, ein Swatch ist oder dass der ganz bezahlen möchte am Ende, zum Beispiel. Ähm, genau, und ihr seht auf eins ist halt Pricing Promotion und Markdown Optimization. Das ist halt 'ne Anwendung, die wahnsinnig viel Business Value bringen kann. Ähm, auf kurze Sicht ist Pricing immer sozusagen der beste Hebel, ähm, noch die, ähm, Profitabilität zu verbessern. Und es ist eben auch relativ einfach umsetzbar, ne. Wohingegen jetzt, ähm, meinetwegen 'n optimiert, ähm, äh, äh, Lager zu bauen, sehr lange dauert und sehr schwierig ist, ist halt, ähm, ähm, ja, 'ne Preisänderung, ähm, eher ein oder zwei Klicks, ne, und dann ist der Preis anders. Das heißt, es ist relativ einfach umsetzbar und deswegen ist das 'ne Anwendung, die wirklich, ähm, sehr, sehr, äh, viel Potenzial hat, ähm, auch aus dem Sinne von Gartner. Ja? Das ist also auch 'ne Anwendung, die sehr viel Sinn macht, denke ich, für eigentlich für die allermeisten Retailer. Ähm, heute zum, ähm, zur Agenda. Also, was ist eigentlich Predictive Pricing? Da, da starten wir. Dann geht's um die Frage, ähm, wie man Pricing und Marketing zusammen verbinden kann. Dann vielleicht auch die Frage: Ähm, wie kann man das implementieren? Ne? Das heißt also, wie kann, ähm, äh, wie können das, ähm, Händler am Ende auch, ähm, äh, einsetzen? Und am Ende zeige ich noch mal 'ne Case Study, wie das konkret funktioniert hat für VETIFY. Ähm, also, Predictive Pricing, ähm, grenzt sich jetzt vor allen Dingen gegenüber regelbasiertem Pricing ab. Ich würde sagen, neunzig Prozent, fünfundneunzig Prozent der Händler, ähm, machen aktuell noch regelbasiertes Pricing. Das heißt, ähm, man setzt einfach Regeln, ähm, man, ähm, lädt die Preise hoch, die aus diesen Regeln kommen oder die werden automatisch hochgeladen. Und dann sollte man im Normalfall den Impact noch mal analysieren. In der Realität ist es oft so, dass bei diesem Ansatz dann die, ähm, Analyse fehlt. Das heißt, die Impact, ähm, der, das, der Impact Review fehlt einfach. Das heißt, ich hab zwar irgendwelche Regeln und die werden angewandt, aber man weiß eigentlich gar nicht genau, sind diese Regeln wirklich optimal? Und wenn man sich vorstellt, der Mann hat irgendwie siebzehn, achtzehn Märkte, Zalando hatte dann irgendwann auch, äh, eine Million Produkte, dann kommt dieser Ansatz einfach an seine Grenzen, weil, ähm, man gar nicht mehr durchblickt, was habe ich eigentlich alles für Regeln live? Und vor allen Dingen ist es auch schwer, aus den historischen Daten dann zu verstehen, ob diese Regeln optimal sind. Ähm, und es fehlt auch einfach die Kapazität, das dann zu analysieren. Ähm, ich frag auch manchmal ganz gerne kritisch die Frage, die Händler: "Wie viel Zeit, ähm, äh, habt ihr euch letztens, ähm, in den letzten Monaten genommen, eure historischen Preisänderungen zu analysieren und wie erfolgreich die waren?" Meistens ist das sehr wenig Zeit, ne, ähm, obwohl da so viel Geld hinter steckt. Ähm, deswegen der vorhersagebasierte Ansatz. Ähm, da ist es einfach so, dass man, äh, Umsatz- und Gewinnziele setzen kann am Anfang von dem Prozess. Zeige ich auch gleich, wie das funktioniert. Ähm, dann kann man sich anschauen, was sind eigentlich die Ergebnisse? Was würde da rauskommen, wenn das jetzt live geht und danach im Anschluss kann man die Preise eben hochladen direkt. Ähm, das heißt, das ist 'n Ansatz, der relativ schön ist, weil ich da vorher schon sehe, was der, was der Impact ist von meiner Preisänderung, nicht erst, ähm, danach. Ähm, genau. Es gibt noch 'n paar weitere Vorteile, die ich auch noch mal einmal eingehen möchte. Also, zum einen ist es so, es ist eigentlich 'n, äh, deutlich höhere Automatisierungsgrad beim Predictive Pricing. Bei dem regelbasierten Pricing muss ich ja noch die Regeln setzen und muss dann auch gucken, dass die gut sind und muss die auch analysieren.Ähm, bei Predictive Pricing nicht, weil da, ähm, kann ich zwar auch Regeln setzen, aber da seh' ich schon beim, beim Prozess der Regelsetzung, was der Impact dieser Regel ist. Das heißt, ähm, die Bewertung der Regel erfolgt dann schon vorher, bevor die Preise live gehen. Das ist natürlich 'n Riesenvorteil. Außerdem braucht man auch nicht annähernd zu viele Regeln. Also bei uns haben im Durchschnitt die Kunden fünf oder sechs Regeln, weil halt, ähm, der Ansatz selber schon sehr viel richtig macht. Wohingegen ja bei dem Rule Based Pricing gibt es ja nur diese Regeln und da muss im Grunde der, der, äh, Preismanager dann, äh, ist alleine dafür verantwortlich, diese Regeln auch gut zu setzen. Ähm, ja, denn die Konkurrenzpreise können in beiden Fällen benutzt werden. Man kann auch bei, bei Predictive Pricing die Konkurrenzpreise benutzen für, für Preissetzung. Das Problem ist eben nur, ähm, bei 'nem regelbasierten Pricing weiß man eben nicht, was vorher passiert, ne? Beim, beim Predictive Pricing schon. Und wir haben auch (hustet) Kunden, die dann gesagt haben: „Oh, jetzt seh' ich erst mal, was mich das kostet, dieses competitive Pricing zu machen, ähm, und jetzt änder' ich meine Regeln auch", ne? Wenn man, wenn man das dem vorher auch zeigen kann, ist das ganz schön. Ähm, sieht man eben auch, äh, den, den Einfluss. Ähm, und dann kommt 'ne Reihe von Punkten, was Predictive Pricing kann, was halt regelbasiert, äh, äh, regelbasiertes Pricing eben überhaupt nicht kann. Ähm, da geht's zum Thema, äh, äh, Learning. Also, wir heißen auch Seven Learnings, weil unser Algorithmus eben sieben Tage die Woche lernt, automatisch. Das heißt, wir, wir verstehen, wie am Ende die Absätze waren und, ähm, basierend auf den, äh, vergangenen Daten passen wir automatisch, sozusagen, die Preise an. Ähm, beim regelbasierten Ansatz ist es so, dass man selber eben immer gucken muss, wie ist es jetzt gelaufen? Und dann muss man die Regeln selber anpassen. Das ist bei uns nicht notwendig. Ne? Die lernen sozusagen automatisch mit. Ähm, dann die Preiselastizität wird haben beim regelbasierten Ansatz ignoriert und beim Predictive Pricing Ansatz ist das ein zentraler Punkt. Das heißt, ich, äh, lern' oder ändere meine Preise, ähm, auf Basis der Annahme, wie elastisch die sind. Also zum Beispiel ein iPhone ist sehr elastisch und dann gibt's andere Produkte, 'ne Aspirin Tablette zum Beispiel ist weniger elastisch. Ja? Also, ähm, diese Annahmen sind halt bei Predictive Pricing automatisch integriert in den Vorhersagen, ähm, beim regelbasierten Pricing gar nicht. Ähm, und dahinter steht letztendlich der Punkt, dass man nicht bei allen Produkten der Günstigste sein muss, ne? Es gibt einige Produkte, da muss man wirklich sehr günstig sein, um, ähm, Geld zu verdienen. Bei anderen Produkten kann man auch über den Marktpreisen, äh, sehr, sehr viel Gewinn machen. Dann gibt es halt, ähm, den Vorteil, dass es halt 'n zielbasierter Ansatz ist. Das heißt, ich kann auch wirklich meine Umsatz- und Gewinnziele, die ich so bekomme, von der Strategieabteilung benutzen, ähm, und kann damit, ähm, mein, ähm, meine Preise steuern. Das heißt, ähm, ich könnte zum Beispiel für ganz Deutschland mein Umsatzziel für nächste Woche benutzen und damit Preise machen. Ist auch 'n riesengroßer Vorteil. Ähm, und zusätzlich seh' ich eben vorher schon, was passiert, ne? Das heißt, das ist halt ein, ein weiterer ganz großer Vorteil, insbesondere bei diesem Thema Pricing, was ja auch recht komplex sein kann, weiß ich dann schon vorher, was passieren wird und muss nicht erst gucken, was passiert und, ähm, ja, seh' im Grunde schon vorher den Impact. Das ist also, wenn auch noch mal, noch mal 'n sehr wesentlicher Vorteil. Ähm, dann, ähm, zum Thema, ähm, genau, hier ist einmal ein Beispiel, ähm, wie das aussehen kann. Ähm, das ist, ähm, ja, ein Beispiel für, für 'ne Aspirin, also 'n Produkt, was eigentlich alle kennen. Ähm, man sieht eben in dem unteren Fall, ähm, wie, ähm, 'ne Prognose aussehen könnte für, ähm, bei, bei unterschiedlichen Preispunkten. Also wenn, wenn die Aspirin, ähm, bei sechs Euro fünfzig wäre, würde man natürlich mehr verkaufen. Man sieht also bei Sales, also in der unteren, ähm, Grafik, dass mehr abverkauft wird. Aber die Frage ist eben genau, wenn ich die Aspirin jetzt auf neun Euro fünfzig setze oder eben noch teurer mache, wie viel verkaufe ich dann davon ab? Also wie viel Umsatz verliere ich? Wie viel Kunden verliere ich dann überhaupt? Das ist eben genau die Elastizität und das ist eben das, was am Ende vorher schon prognostiziert werden kann durch unser Tool. Das heißt, ähm, ähm, in dem Fall sieht man jetzt, dass der Absatzverlust relativ moderat ist, obwohl ich, ähm, meine Marge wahrscheinlich ganz krass ausweite. Wenn man mal annimmt, dass mein, dass das Produkt sechs Euro kostet, habe ich in dem roten Fall, ähm, fünfzig Cent Marge und im blauen Fall hab ich halt, äh, vier Euro Marge. Ne? Also das ist halt, ähm, 'n himmelweiter Unterschied und am Ende ist auch der absolute Profit deutlich höher in dem blauen Fall. Ähm, und das kann ich einfach nicht wissen, wenn ich das nicht vorher prognostiziert habe. Ansonsten häng' ich nur immer an den Konkurrenzpreisen und bei Aspirin kann man sich vorstellen, es gibt hunderttausende Leute, die online Aspirin verkaufen. Ähm, wenn ich wirklich Price Matching mache, dann bin ich immer beim günstigsten Preis und das ist einfach nicht optimal. In dem Fall würde ich meinen absoluten Profit halt mit 'nem höheren Preispunkt deutlich ausweiten, über, über hundert Prozent, über dreihundert Prozent sogar. Ne? Also das ist ein ganz, ganz, ähm, wesen-- oder wichtiges Beispiel, um das zu verstehen. Also aus Predictive Pricing können auch sehr viel höhere Preispunkte kommen. Wer nicht Profit maximieren möchte, muss ich natürlich nicht. Manchmal möchte ich auch einfach Umsatz maximieren, aber in dem profitmaximalen Fall wär' halt der Preispunkt deutlich höher. Das sieht man hier. Ähm, was auch-- äh, äh, oder, ähm, ja, worauf auch eingegangen werden kann, ist eben, ähm, das Inventory Pricing. Das heißt, ähm, ich kann gucken, was hab ich noch auf Lager? Denn es bringt mir natürlich auch nichts, der Günstigste zu sein und dann, ähm, meine Produkte komplett abzuverkaufen. Also, ähm, ähm, der blaue Case hier, äh, ist eigentlich der beste, weil da hab ich am Ende meiner Saison, hab ich hundert Prozent meiner Produkte abverkauft. So, es ist ja klassisch, so wie ich's möchte. Ähm, wenn ich nur Competitive Pricing mache, dann bin ich oft in diesem roten Fall.Das ich halt, äh, schon nach der Hälfte der Saison, mein Produkt ist schon weg aus dem Lager und ich kann das konkrete Produkt vielleicht nicht nachbestellen. Dann verliere ich halt unglaublich viel Profit. Da war ich eigentlich zu günstig und hätte automatisch teurer werden müssen. Und genau das kann eben auch Predictive Pricing machen. Ich kann schon vorher gucken, okay, ähm, wie viel müsste ich eigentlich abverkaufen, um halt 'ne optimale Abverkaufskurve zu erreichen? Ähm, und sobald ich prognostiziere, dass ich die nicht erreiche, ähm, steuere ich automatisch die Preise hoch. Und der andere Fall ist natürlich auch interessant. Ähm, wenn ich zu wenig verkaufe, kann ich auch versuchen, meine Preise automatisch zu reduzieren oder automatisch 'nen Discount zu geben. Ähm, dann, ähm, ein weiterer, äh, Vorteil von Predictive Pricing ist, dass der natürlich Pricing auch nie einfach so, ähm, ähm, ja, im leeren Raum passiert, sondern Predict-- also Pricing ist ja, ist ja auch immer verbunden mit anderen Marketingmaßnahmen, wie zum Beispiel Couponing oder SEA-Spend. Und, ähm, das kann man halt auch mit 'nem vorhersagebasierten Ansatz kombinieren. Das heißt, ich kann auch sagen, was sind meine optimalen Discounts, wenn ich einen bestimmten Coupon live habe? Oder was ist mein optimaler SEA-Spend, wenn ich, ähm, 'nen bestimmten Preis habe? Denn je höher mein Preis ist, desto geringer ist ja meine Conversion und desto weniger sollte ich vielleicht für SEA ausgeben. Oder, ähm, wenn ich halt 'nen sehr kompetitiven Preis habe, kann ich halt nicht mehr so viel für SEA ausgeben, weil dann halt, ähm, das Ganze total unprofitabel wird, ne? Also man sieht schon, die Sachen bedingen sich alle gegenseitig, denn die Marge hängt natürlich am Ende an der Conversion und an der Marge hängt aber auch die Frage, wie viel ich überhaupt noch ausgeben kann für Marketing. Und die Frage ist eben auch, was ist elastischer? Denn die Discounts, die ich jetzt online anzeige, direkt oder soll ich lieber eine Coupon-Kampagne machen? Ne, also, ähm, letztlich hängen alle diese Marketingmaßnahmen zusammen und die sollten auch eigentlich alle gemeinsam in einem Tool optimiert werden, weil sie eben alle zusammenhängen. Und das sind genau das-- äh, das, was wir leisten können, ähm, indem wir, ähm, einfach Prognosen machen für verschiedene Optionen, ähm, für versch-- also für verschiedene Kombinationen von Coupons, SEA-Spend und Discounts. Und dann kann man sich am Ende für eine von diesen Optionen entscheiden. Ne, man kann also mit dem Tool durchaus, ähm, unterschiedliche Dimensionen optimieren. Ähm, genau, wenn wir jetzt noch mal zusammenfassen, äh, was die Vorteile sind. Ähm, also zum einen hat man eben höhere Profitabilität, ähm, weil einfach, äh, ja das ganzheitlich optimiert wird, ähm, und, ähm, teilweise ich auch von den absoluten minimalen Konkurrenzpreisen eben abweiche, wenn es Sinn macht. Ich kann Target Steering machen, das heißt, ich kann meine Umsätze, das sieht man auch gleich, direkt benutzen. Ähm, und man hat auch weniger manuellen Aufwand, weil man nicht diese ganzen Regeln, ähm, sich überlegen muss und ständig anpassen muss und auch ständig überprüfen muss, sondern die Regeln werden automatisch getestet und auch das System lernt, ähm, lernt automatisch und aktualisiert sich eben automatisch. Plus, ich hab 'ne gewisse Sicherheit, weil ich halt schon Vorhersage inkludiert hab, ähm, was eben auch ein Vorteil ist. Ähm, für die Implementierung, also, wie kann ich das am Ende implementieren? Ähm, ein Beispiel wäre eben zu sagen, okay, ich gehe von meinen internen Daten erst mal aus. Das ist im Grunde so 'ne Art Feed, wie man auch 'nen Feed für Google Optimierung, ähm zur Verfügung stellen muss. Ähm, der inkludiert halt etwas mehr Daten. Man braucht, ähm, Produktattributdaten und die historischen Verkäufe, ähm, und die historischen Preise. Und diese Daten müssen eben täglich an uns geschickt werden und wir kombinieren die Daten dann mit externen Daten, ähm, wie zum Beispiel Konkurrenzpreisen, Wetterdaten, ähm, Tagesdaten oder, ähm, Urlaubsdaten, aber auch so Daten wie zum Beispiel Black Friday hat natürlich 'nen Riesen-Impact, ähm, am Ende. Ähm, und dann wird aus diesen Daten, werden dann jeden Tag neue Vorhersagen erstellt, auch für verschiedene Optionen von Preisen und Coupons und Marketing Spend. Ähm, und auf Basis von dieser, äh, Vorhersage kann dann, ähm, der Kunde bei uns, ähm, 'ne Strategie erstellen kann. Kann also sagen, okay, wenn ich jetzt gewinnmaximieren möchte nächste Woche, was wären dann meine optimalen Preise? Oder wenn ich jetzt sagen möchte, ich möchte komplett, ähm, meinen Konkurrenten matchen und, ähm, immer genauso teuer sein wie der, was-- Was hätte das dann für 'nen Einfluss? Und je nachdem, was ich für Strategien benutze, die-- ich kann unterschiedliche Strategien ausprobieren, kriege ich immer auch 'ne Antwort darauf von dem Optimierer: Was ist dann-- Was ist dann mein Umsatz und mein Gewinn nächste Woche? Was passiert dann? Und dann kann man sich einfach entscheiden, was man machen möchte. Das heißt, wir als Tool würden jetzt nicht festlegen, was dann die Preise sind, ganz konkret, sondern das kann, äh, der User noch ganz entscheidend mit-- äh, mitbestimmen, kann unterschiedliche Strategien und Settings ausprobieren und dann im Anschluss hochladen. Ähm, genau. Ähm, was für Technologie wird genutzt? Also zum einen, äh, ist es-- das sind zwei sehr, sehr, ähm, krasse, sag ich jetzt mal, Technologien. Zum einen ist es 'ne Vorhersagetechnologie, die nutzt, äh, eben Machine-Learning-basierte Modelle, ähm, für die Vorhersage von, äh, Absätzen, Kosten und Profiten. Und das, ähm, Wesentlich oder Wichtige ist eben, dass diese Vorhersage auf Produktebene ist. Ne, das heißt, ähm, dass, ähm, wir für jedes Produkt, für jeden Tag 'ne Vorhersage machen. Das heißt, wenn es jetzt 'n Schuh ist, zum Beispiel, machen wir die Vorhersage auf, ähm, äh, Größen- und Farbenebene für diesen Schuh, äh, für die nächsten Tage. Das heißt, für 'nen normalen Händler machen wir mehrere hundert Millionen Vorhersagen, ähm, pro Woche. Und, ähm, die Vorhersage wird auch jeden Tag aktualisiert. Also das ist 'ne sehr datenaufwendige Technologie, sage ich jetzt mal. Ähm, die funktioniert auch noch nicht so lange, muss man sagen, ne? Also, das, das geht jetzt erst über die Hyperscaler, Google und AWS funktioniert das überhaupt erst so. Ähm.Und dann im zweiten Schritt gucke ich halt, ähm, wie ich das optimieren kann. Das heißt, wir lassen den Kunden jetzt auch nicht mit der Vorhersage allein, sondern machen dann auch noch eine Optimierung, ähm, und ermöglichen es relativ einfach, im Frontend die Optimierung dann durchzuführen. Ähm, und da gibt's eben auch die Möglichkeit, dann, ähm, mit ganz einfachen Einstellungen, ähm, verschiedene Strategien auszuprobieren. Ich zeige das auch gleich, ähm, um dann wirklich einen Preis pro Produkt rauszubekommen. Ne? Das heißt, ähm, da wird dann die Komplexität wieder reduziert und, ähm, letztendlich kann man sagen, ja, es ist ein sehr aufwendiger, maschinenlerningbasierter Ansatz, aber der Kunde bekommt am Ende eigentlich nicht so viel davon mit, sondern, ähm, kann eigentlich relativ einfach seine, seine Upsets und Gewinn, ähm, ähm, vorher einsehen auf Shop-Ebene, ähm, und kriegt dann, ähm, die, die Preise aus dem, aus dem, ähm, System raus. Ähm, genau, was ist technisch dafür notwendig? Also, ähm, vielleicht denken jetzt auch einige Händler: „Hey, ich habe ja selber auch ein Data-Science-Team und Entwickler habe ich auch bei mir sitzen. Warum machen die das nicht selber? Ähm, deswegen vielleicht einmal kurz 'n Überblick, was dafür gemacht werden muss. Ähm, man braucht diese Input-Daten, die müssen dann aufbereitet werden. Das heißt, die braucht man in einem bestimmten Format. Ähm, und das ist schon oft was, was sozusagen, ähm, äh, Händler nicht, nicht immer zur Verfügung haben. Das ist auch der erste Punkt, wo wir dann eben den Benefit liefern, diese Datentransformation dann auch für den Kunden zu machen. Ähm, dann müssen die Daten verstanden werden. Da hat sicherlich ein Händler eher einen Vorteil. Das heißt, da müssen wir vom Händler lernen, seine Daten wirklich sehr gut zu verstehen. Aber, ähm, diese ganze Data-Cleaning-Geschichte und Data Validation, also zu verstehen, was sind, ähm, Ausreißer, ähm, und wie setze ich auch am Ende strategisch diese ganze Vorhersage auf. Ähm, da kann man ganz, ganz, ganz viel lernen, ähm, und da ist dann sozusagen der, der Händleransatz auf jeden Fall unserem Ansatz unterlegen, weil wir einfach schon super viel Erfahrung haben mit ganz vielen großen Händlern und dadurch halt 'nen besseren Ansatz haben, diese Vorhersagen zu basteln. Das heißt, ähm, insgesamt im Pre-Modelling, ähm, genau, äh, kann man auch schon relativ viel falsch machen. Dann der nächste Schritt ist eben, ähm, Model Building. Das heißt, an der Stelle geht es darum, die Modelle dann letztendlich zu erstellen. Also, ähm, in dem Fall ist es so, ja, wie kann ich das beschreiben? Ähm, ähm, es gibt eigentlich 'ne unendliche Anzahl an möglichen Modellen, die man benutzen kann. Also man kann für Vorhersagen, ähm, ganz einfach Regression benutzen oder neuronale Netzwerke oder halt rekorrente neuronale Netzwerke. Da gibt's unendlich viele Möglichkeiten. Ähm, und auch da in dieser Modellauswahl, ähm, kann man sich auch schnell vertun. Ähm, und das ist auch schwierig, sozusagen da die richtigen Entscheidungen zu treffen, denke ich, in Summe. Und im Post-Modeling-Prozess ist es so, ähm, wie gesagt, Seven Learnings bedeutet eben, wir, ähm, deployen, also wir schalten jeden Tag 'n neues Modell auch live für die Kunden. Ähm, und das, sozusagen diesen Prozess zu automatisieren, des Ler-- des Lernens und des, des, ähm, immer wieder Live-Schaltens ist auch sehr, sehr schwer, sozusagen. Weil ich muss immer gucken, was hat mein Modell jetzt eigentlich heute neu gelernt? Ist das richtig? Ko-- Ist das korrekt? Ähm, und ich muss, sozusagen den Erfolg tracken auch regelmäßig und auch dieses Tracking ist aufwendig, das aufzusetzen, das Monitoring und auch das Deploying, um eben zu automatisieren. Ja, das heißt, ähm, in Summe, das meinte ich halt, das ist 'n relativ komplexer Prozess und ich glaube eher daran, dass diese, ähm, Art von Services, diese Machine-Learning-Services ausgelagert werden. Hmm. Man macht ja letztendlich auch seine, seinen DS Spend-Optimierung nicht selber, sondern da, ähm, macht ja auch relativ viel Google und genauso ist es im Pricing. Es ist einfach, ähm, ja, 'n relativ spezieller Ansatz, den man da braucht und das macht einfach keinen Sinn, den bei allen Händlern einzeln jeweils aufzusetzen, ähm, sondern es macht Sinn, eben das sozusagen an 'n Spezialisten zu übergeben, der diesen Prozess eben kennt und der, ähm, der weiß, wie man diesen Prozess durchläuft. Ähm, genau. Ähm, genau, wie sieht es zum Beispiel für Vitify aus? Also das ist eben ein Kunde, ähm, der, ähm, Fitness-Produkte verkauft online, auch nicht nur in Deutschland, sondern in unterschiedlichen Ländern, in der DACH-Region, in Irland zum Beispiel auch, ähm, und der auch verschiedene Websites hat, also der unterschiedliche Channels hat. Amazon Channel, eigene Website und, ähm, unterschiedliche eigene Websites auch zusätzlich. Ähm, genau, und genau diese, ähm, ganzen Channels gilt es natürlich dann auch irgendwie im Preis zu steuern. Das-- Man-- Ich weiß, das kennt, glaube ich, jeder Händler. Je mehr Channels, desto komplexer wird es natürlich, weil die haben natürlich alle 'n, 'n Preis und oft ist der unterschiedlich und die Kosten sind natürlich auch unterschiedlich, ne. Wenn ich über Amazon verkaufe, habe ich halt noch Kommissionskosten, die habe ich ja von meinem eigenen Channel nicht und die sollten aber letztlich auch sicher berücksichtigt werden. Dann stellt sich natürlich auch die Frage, sollte mein eigener Channel günstiger sein als Amazon, ja oder nein? Das heißt, es gibt auch 'ne Abhängigkeit zwischen diesen Channels. Ähm, und gleichzeitig gibt's 'ne hohe Konkurrenz online. Brauchen wir nicht drüber reden, das ist auf jeden Fall so. Ähm, und zusätzlich gibt's auch viele, ähm, in dem Vitify-Fall auch viele Private Labels. Das heißt, die haben gar keine Konkurrenz, die direkt ist, die ich jetzt crawlen könnte, ne. Wenn ich natürlich Aspirin habe, kann ich einfach die ERN crawlen und kann dann Aspirin von den Konkurrenten ziehen, den Preis. Ähm, dieser Ansatz funktioniert halt bei Private Label ja schon von, ähm, erst mal gar nicht. Und deswegen, ähm, ich würde sogar sagen, ist an der Stelle der vorhersagebasierte Ansatz eigentlich alternativlos. Ne? Ähm, dann, ähm, vielleicht einmal zum Verständnis: Wie läuft so-- Oder wie ist der Prozess bei Vitify abgelaufen?Ähm, also zuerst geht's los damit, ähm, ja, im Grunde eine Status-Quo-Analyse zu machen, eine Preisautomatisierungsstrategie zu entwickeln. Das ist-- das sind nur so ein paar kleinere Meetings. Ähm, ähm, ich würde sagen, ein Aufwand in etwa zwei, drei Stunden. Ähm, da geht's einfach die Frage: Was genau, ähm, ist der Scope für die Optimierung? Ähm, welche KPIs sind hier die wichtigen KPIs? Also ist das Umsatz, Gewinn? Und wenn ja, wie sind die definiert genau? Ähm, und dann im, im zweiten Schritt geht's darum, die Daten, die der Kunde dann schickt, also letztendlich den Feed, den der Kunde, ähm, uns zur Verfügung stellt, dann zu, äh, bereinigen und zu aggregieren. Und dann im nächsten Schritt, ähm, die Vorhersage, also das Modelltraining zu automatisieren. Ähm, und dann machen wir für jeden Kunden einen A/B-Test, ähm, wo wir wirklich konkret beweisen, was der Impact ist vom Predictive Pricing für jeden einzelnen Kunden. Wir holen aktuell zwischen fünf und fünfzehn Prozent meistens in, in Sachen Profit. Das hängt einfach von der Elastizität des Produkts ab. Ähm, je elastischer das Produkt, desto höher ist auch der Impact von Predictive Pricing. Ähm, aber selbst fünf Prozent Profitsteigerung ist eigentlich schon eine ganze Menge. Ne, also es lohnt sich eigentlich auch schon, wenn man sich überlegt, fünf Prozent, ähm, Profitsteigerung oder DB-Steigerung ist, ist relativ, äh, stark auch schon. Ähm, und dann gehen wir auch, ähm, weiter im Continuous Optimization. Also bei uns ist es so, dass auch der Kunde einen eigenen Data Scientist zur Verfügung hat, ähm, der ihm auch regelmäßig die Modelle noch weiter verbessert. Und insgesamt ist es für so ein relativ komplexes Produkt, denke ich, auch eine relativ akzeptable Implementierungszeit von drei Monaten. Ähm, und nach drei Monaten weiß man auch schon, was es für einen bringt. Ne, also es ist ein relativ schneller, schneller Implementierungsprozess. Ähm, dann die Resultate bei Vitafy waren die, die man hier sieht: relativ hohen Sales-Uplift, starken Umsatzsteigerungen von über zehn Prozent und auch eine starke Gewinnsteigerung von zehn Prozent. Ähm, das heißt, äh, für die hat es sich auf jeden Fall sehr, sehr stark gelohnt. Und, ähm, ähm, zusätzlich, sage ich jetzt mal, zu diesen finanziellen KPIs ist es eben auch so, dass wir die, ähm, Implementierungskomplexität reduzieren. Ja, man reduziert auch den Arbeitsaufwand auf der Kundenseite, weil eben diese Regeln nicht mehr gesetzt werden müssen und weil ganz viele manuelle Schritte entfallen. Ne, also das ist ein zusätzlicher Benefit, der auch noch, ähm, gar nicht jetzt hier monetär, ähm, gemessen wurde. Ähm, genau, dann würde ich einmal das Frontend auch tatsächlich zeigen. Ähm, eine Sekunde. Also wenn man sozusagen eine Optimierung machen möchte, dann, ähm, genau, sieht man bei uns, ähm, letztendlich kann man ein Szenario erstellen. Das heißt, man kann dem Szenario im Grunde einen Namen geben. Ähm, man kann das zum Beispiel jetzt mal Max Profit, äh, erst mal bezeichnen. Ähm, und dann kann man, sieht man hier diese Vorhersagen. Das heißt, hier kriegt man jeden Tag eine Vorhersage. Man sieht hier in dem Fall auch schon, es gibt unterschiedliche Vorhersagen für verschiedene Coupon-Szenarien. Das heißt, ähm, wenn ich jetzt weiß, ich mach jetzt 'ne zehn Prozent Coupon-Kampagne, dann kann ich die, äh, die zum Beispiel benutzen, diese Vorhersage. Und so kann ich auch letztendlich mein Coupon-Spending optimieren, indem ich einfach Optimierungen für verschiedene Voucher-Szenarien mache und dann vergleiche, was ist der Impact am Ende. Ähm, also würde ich jetzt mal sagen, hier zehn Prozent Voucher. Ähm, und dann sieht man hier schon diese Kurve. Das heißt, ich sehe, was passiert, wenn ich nichts ändere. Wenn ich also meine aktuellen Preise einfach online lasse, ähm, bin ich hier bei diesem grünen Punkt. Das heißt, ich mache in den nächsten zwei Wochen, ähm, eins Komma drei Millionen Euro Umsatz und, äh, hundertfünfundsiebzigtausend Euro Gewinn. Und jetzt kann ich sozusagen selber entscheiden, wie ich das ändern möchte. Ich kann aggressiver werden und dann mache ich mehr Umsatz, verliere aber dafür Gewinn. Oder ich gehe in die andere Richtung und mache halt mehr, ähm, Gewinn, verliere dafür aber Umsatz. Ne, also das sind die Entscheidungen, die man, die man hier treffen kann. Wir können, wir haben ja gesagt, Max-Profit, dann können wir das einfach mal, äh, submitten. Hmm, und dann wird im Hintergrund letztlich, ähm, die Optimierung genau für das Setting erstellt. Ähm, und ich kann, ähm, ähm, uneendliche Anzahl von Optimierungen machen letztlich. Ja? Also, ich kann auch einfach sagen: „Hey, ich möchte so ein ähnliches Szenario noch mal erstellen, aber vielleicht einfach, äh, mit fünf Prozent Voucher und möchte mir angucken, was ist der-- (hustet) was ist der, was ist der Unterschied sozusagen zwischen diesen Szenarien. Ähm, und all das wird mir alles vorher in der Prognose auch, ähm, äh, vorhergesagt und angegeben. Ne, das heißt, ähm, das ist genau der Vorteil. Ich kann jetzt hier noch mal ein Max-Profit-Szenario machen und kann dann das auch noch mal submitten. Geht relativ schnell. Und könnte der jetzt noch mal sagen, meinetwegen, ich möchte noch mal, ähm, Konkurrenz-Pricing machen. Ähm, das ist auch eher oft was, was jetzt gerade gemacht wird. Dann kann man zum Beispiel sagen, ich möchte für bestimmte Produkte, ähm, wirklich auf den Konk-konk-konkurrenzpreis gehen. Das heißt, man sagt, der Preis ist der Konkurrenzpreis, ähm, für bestimmte Produkte, die ich ausgewählt habe vorher. Und dann sieht man halt hier auch ganz schön, dass dann diese Regel kann halt implementiert werden und die hat dann aber auch einen Impact auf die Prognose. Das heißt, ich sehe schon jetzt an der Stelle, ähm, dass das 'n, dass das halt auch einen negativen Einfluss hat auf meinen, äh, Gewinn und Umsatz, wenn ich das jetzt so implementieren möchte. Ne? Man kann es trotzdem machen. Das heißt, wir, wir sagen jetzt nicht, okay, wir erlauben das nicht oder so, aber man muss einfach wissen, dass dann hier, ähm, sozusagen Gewinn und Umsatz verschenkt wird, wenn ich diesen Ansatz fahre. Und die Regeln können trotzdem gesetzt werden, ähm, aber es ist einfach nicht gewinnoptimal.Das heißt, ich kann auch das noch submitten. Dann sieht man schon, die werden jetzt hier aufgelistet, im Hintergrund werden die berechnet, genau, was das Ergebnis ist und dann wird das Ergebnis auch ausgegeben, sobald es fertig ist. Hier sieht man eben, was ist der Umsatz, was ist der Gewinn, was sind die Sales und was passiert auch mit meiner Marge. Man sieht also schon, dass diese bei 5% Voucher habe ich auf jeden Fall eine höhere Marge. Macht total Sinn auch. Genau. Und der Profit ist auch höher in dem Fall. Also hier in dem Fall wäre die Aussage, 5% Voucher ist optimaler als 10% Voucher. Kann aber für jeden Kunden anders sein. Das sind jetzt natürlich nur allgemeine Daten. Das sieht für jeden Kunden dann unterschiedlich aus. Man kann aber aus diesen Szenarien auch eben optimales Voucher-Spending ermitteln dann. Will man sicherlich nicht permanent ändern, aber genau, man kann das auf jeden Fall sich berechnen lassen. Und dann könnten wir im nächsten Schritt einfach diese drei Szenarien auch vergleichen und sagen: „Okay, wenn ich die jetzt alle drei vergleiche, welches finde ich eigentlich besser? Und dann sieht man hier oben erst mal eine generelle Gegenüberstellung zwischen den drei Szenarien in Sachen Absatz, Gewinn, Umsatz und Marge und halt auch in Richtung Price Change. Und hier unten sehe ich dann noch mal wirklich auf Produktebene. Das heißt, wie viele Produkte werden hier sozusagen ... Hier gibt es welche, die in 60% reduziert werden. In den moderateren Szenarien, das Gelbe war zum Beispiel 10% Voucher-Szenario und da sehe ich dann, dass beispielsweise 10% Steigerung haben 126 Produkte gehabt. Man kann also sehen, wie die Distribution der Preisänderungen hier sich etwa aufteilt. Und gleichzeitig kann ich das auch noch mal auf Produktenebene mir anschauen. Das heißt, wenn ich mega ins Detail gehen möchte, ist auch möglich zu sagen: „Okay, in meinem Channel XYZ im Land Frankreich hatte ich den Impact. Und genau, kann dann auch sehen, was meine Absatzprognose, Umsatz-und Gewinnprognose auf dem bestimmten Markt ist. Dann vielleicht noch einen weiteren Punkt. Es gibt bei uns eine Amortisierungsgarantie. Das bedeutet, dass innerhalb von sechs Monaten die Subscription von uns eingespielt wird. Das wird so getestet, dass wir schauen, was ist der Impact im A/B-Test? Und wir testen ja dann sozusagen gegen das, was gerade passiert. Also das funktioniert so, dass wir die Produkte einfach aufteilen. Man kann sich vorstellen, einfach eine größere Produktkategorie wird in zwei Teile geteilt. Der eine Teil wird weiter so gesteuert wie gerade und der andere Teil wird halt so gesteuert, wie wir das gemeinsam machen. Also auch da ist es so nicht, dass wir sozusagen das Pricing Blackbox-mäßig aus unserer Tour rausprutzelt, sondern die Optimierung für die Gruppe, die wir steuern zusammen, die wird auch mit uns gemeinsam gemacht und letztendlich wir nennen das dann Tool Support Gruppe. Und dann wissen wir auch, wenn wir das Tool jetzt so implementieren würden und meinetwegen Category Management das Tool dann so benutzt, was ist der Impact gegenüber dem, was ein Category Management gerade macht, beispielsweise, wenn es vom Category Management gesteuert wird. Und wir garantieren, dass innerhalb von sechs Monaten das Geld, was ausgegeben wird für die Subscription von unserem Tool, wieder drin ist. In meisten Fällen ist es so, bei Pricing ist das eigentlich ein No-Brainer, weil der Impact so hoch ist. Wie gesagt, wenn man sich überlegt, fünf bis zehn Prozent oder fünfzehn Prozent Profitsteigerung, das lohnt sich meistens dann schon nach wenigen Tagen oder Wochen. Die Amortisierung ist eigentlich viel geringer als sechs Monate. Und weil wir das eben auch wissen und auch bis jetzt immer gezeigt haben, garantieren wir es eben auch. Genau, dann können wir jetzt noch mal vielleicht eine längere Q&A-Phasen machen. Ich glaube, es gibt schon ein paar Fragen im Chat. Okay, also eine Frage war von Dario. Ich lese die einfach mal vor, glaube ich: „Der Preis wird also dynamisch erstellt, aber wie oft passiert das? Einmal täglich, mehrmals täglich? Das kann nutzergesteuert sein. Wir haben dazu sicherlich eine Meinung, aber da sind wir offen. Das Tool ist immer online und kann permanent Optimierung erstellen, aber es ist nicht von uns eingeschränkt in irgendeiner Form. Genau, also Google Shopping wäre zum Beispiel... Also die nächste Frage ist: Was ist mit Google Shopping? Google Shopping wäre für uns oft einfach ein eigener Channel. Also entweder man sagt, hängt von der Preisstrategie ab. Entweder man sagt, man hat jetzt online nur einen Preis und man nutzt diesen Preis für alle Channels, dann wäre der Preis einfach der Online-Channel. Wenn man aber sagen möchte, man möchte die Preise differenzieren zwischen Google Shopping und anderen Online Channels, dann ist das ein eigener Channel, der einzeln optimiert wird, der seine eigenen Preise dann auch bekommt. Und genauso wäre es auch mit anderen Anbietern, mit anderen Plattformen. Weiß ich, Zalando, Amazon, die haben dann jeweils einen eigenen Channel, der auch dann einzeln optimiert wird.Genau, also können sehr viele unterschiedliche Preise pro Land auch ausgegeben werden. Und die haben natürlich auch unterschiedliche Elastizitäten. Das ist auch klar, glaube ich. Und deswegen macht das auch Sinn. Oder auch unterschiedliche Kosten. Gibt es weitere Fragen? Oder vielleicht Dario, beantwortet es deine Fragen oder gibt es noch eine weitere Nachfrage? Die Frage verstehe ich jetzt noch nicht hundertprozentig. Die Frage ist: „Google Shopping-Preis muss mit der Zielseite passen? Ich verstehe nicht ganz genau die Frage. Also auf jeden Fall gibt es bereits Kunden, wo wir einen Google-Shopping-Kanal mitsteuern. Insofern ... Genau. Würde ich jetzt einfach sagen, dass wir das auf jeden Fall so hinkriegen, dass das funktioniert. Genau. Ach so, ich verstehe, was du meinst. Du meinst, dass der Google Shopping-Preis dann auch auf der Zielseite, falls der Kunde klickt, dann der gleiche sein muss. Genau, das ist so. Ja, verstehe ich, was du meinst. Aber es gibt einfach auch Händler, die unterschiedliche Zielseiten für das gleiche Produkt haben oder die dann über einen Cookie speichern, wo der Kunde herkommt und die dann anderen Preis anzeigen. Vielleicht wusstest du das gar nicht, aber viele Händler machen das. Ich will gar nicht sagen, dass das schlauer ist, aber manche machen das. Persönlich glaube ich nicht, dass das so schlauer ist, weil wenn man halt, sagen wir mal, man ist günstiger auf den Vergleichsseiten als bei seiner eigenen Seite, dann lädt man ja quasi seine Kunden dazu ein oder man erzieht die Kunden, von seiner Plattform wegzugehen. Irgendwann werden die Kunden gar nicht mehr auf deine Website gehen, weil die sowieso wissen, dass du woanders günstiger bist. Das heißt, kurzfristig bringt das vielleicht was, aber langfristig glaube ich nicht, dass das eine gute Pricing-Strategie ist, weil man die Kunden einfach dazu erzieht, erst mal zu Idealo zu gehen und irgendwann vergessen die dann, die eigene Seite. Das ist halt schwierig. Deswegen. Aber gehen tut es theoretisch. Gibt es noch andere Fragen? Okay, ich glaube, dann wäre es von meiner Seite soweit. Ihr könnt mir natürlich auch gerne sonst noch irgendwo per LinkedIn oder woanders einfach eine Nachricht schicken und dann können wir die Fragen auch da noch mal klären. Dann bedanke ich mich schon mal für eure Aufmerksamkeit und wünsche euch noch viel Spaß bei der WMKB. Und ansonsten, ich bin auch bei dem Barbecue in einem Monat mit dabei. Vielleicht sehen wir uns dann da. Danke und bis später.