Dynamische Preisstrategie, bei der Unternehmen die Preise für Produkte oder Dienstleistungen fortlaufend nach verschiedenen Faktoren wie der aktuellen Marktsituation Angebot und Nachfrage), Zeitpunkt und dem Wettbewerbsumfeld anpassen.

Diese Preisanpassung erfolgt oft maschinell anhand definierter Algorithmen. Diese Anpassungen können in Echtzeit erfolgen, um maximalen Gewinn zu erzielen.

Künstliche Intelligenz (KI) nimmt eine wichtige Rolle bei der dynamischen Preisgestaltung ein. Durch die Nutzung von Algorithmen, Datenanalysen und dem maschinellem Lernen kann KI in Unternehmen die tatsächlichen Preise basierend auf einer Vielzahl von komplexeren Faktoren bestimmen, die die Preise beeinflussen, wie z.B. externe Ereignisse, Wettbewerbsdaten und Kundenverhalten. Die KI kann anhand von Modellen Trends auch bereits proaktiv erkennen und in Echtzeit Daten überwachen sowie Anpassungen basierend auf den aktuellen Marktdaten und -trends vornehmen. Unternehmen können damit so unterstützt werden optimale Preise festzulegen und dadurch auf die sich verändernde Marktsituation zu reagieren. KI kann hier einen entscheidenden Beitrag leisten, um die Wettbewerbsfähigkeit und die Gewinne zu sichern.

Der Einsatz von KI ermöglicht beim Dynamic Pricing eine automatisierte, präzisere und individuelle Preisgestaltung. Zudem können Empfehlungen, personalisierte Werbung den Kunden angeboten und die Kosten für menschliche Arbeitskraft gesenkt werden, indem der Kundenservice oder andere Prozesse automatisiert werden.

Aufgrund sinkender Margen und einer Intensivierung des Preiswettbewerbs gewinnt Dynamic Pricing an Bedeutung. Gerade in umkämpften Marktanteilen wächst der Margendruck und die Bedeutung für neue Umsatz- und Ertragsmöglichkeiten. Primär wird mit Dynamic Pricing auf eine Umsatzsteigerung in den Unternehmen gezielt.

Es gibt mehrere mögliche KI-Methodiken, welche beim Dynamic Pricing verwendet werden können. Dazu zählen:

1. Machine Learning - Durch die Analyse von Daten kann maschinelles Lernen Modelle entwickeln, um die Beziehung zwischen Preis, Nachfrage und anderen Faktoren zu untersuchen. Diese Muster können dann verwendet werden, um zukünftige Preisbewegungen vorherzusagen.
   1. Reinforcement Learning - Diese Methode ermöglicht es dem Algorithmus, durch Versuch und Irrtum zu lernen. Das System kann verschiedene Preise testen und anhand der Ergebnisse ermitteln, welche Preisanpassung die besten Ergebnisse liefert.
   2. Supervised Machine Learning - Das überwachte maschinelle Lernen ist ein Ansatz im Bereich des maschinellen Lernens, bei dem ein Modell auf Grundlage von Eingabe-Daten und den dazugehörigen erwarteten Ausgabeergebnissen trainiert wird. In Bezug auf das Dynamic Pricing könnte das Modell des überwachten Lernansatzes Vorhersagen darüber treffen, wie sich Preisanpassungen auf die Nachfrage und den Gewinn auswirken würden.
   3. Unsupervised Machine Learning - Das unüberwachte Lernen ist ein Ansatz, bei dem ein Modell Muster in den Daten ermittelt, ohne dass die Ausgabevariablen im Voraus bekannt sind. Hierbei lernt das Modell aus den Rohdaten und versucht, natürliche Strukturen und Beziehungen in den Daten zu finden.
2. Deep Learning - Teilbereich des Maschinellen Lernen, welcher sich auf den Einsatz von künstlichen neuronalen Netzwerken fokussiert, um komplexere Aufgaben zu lösen. Muster und große Mengen an Daten können hierbei verarbeitet werden.
   1. Recurrent Neural Networks (RNNs) - für Daten-Analysen.
   2. Restricted Boltzmann machine (RBM) - für Wahrscheinlichkeitsberechnungen.
   3. Deep belief network (DBN) - für aufeinander aufbauende Wahrscheinlichkeitsberechnungen.

Dynamische Preissysteme können erhebliche Ertragssteigerungen von bis zu 8% und Margensteigerungen zwischen 5–10% erzielen . Dynamische Preisgestaltung eröffnet Unternehmen nicht nur die Chance zur Gewinn- und Umsatzsteigerung. Es ergeben sich daraus auch viele Risiken. Dynamic Pricing wird vom Konsumenten meist als ungerecht wahrgenommen. Untersuchungen zur wahrgenommenen Preisfairness belegen, wie wichtig es für Unternehmen ist, ihre Marketingkommunikation und Preisgestaltung wirkungsvoll zu managen. Empfinden Kunden die Preisgestaltung als unfair, kann dies schwerwiegende Folgen für praktizierende Unternehmen haben. Dazu zählen negative Emotionen, negative Produktwahrnehmung sowie eine negative Wahrnehmung des Händlers. So weisen viele Untersuchungen darauf hin, dass unfaire Preisvorstellungen Kunden zu einem Anbieterwechsel bewegen. Weiter kann eine unfair wahrgenommene Preisgestaltung die Kaufabsicht, die Kundenzufriedenheit sowie das Beschwerdeverhalten negativ beeinflussen . Das Resultat einer unfair wahrgenommenen Preisgestaltung sind Umsatz- und Ertragseinbrüche. Damit das eigentliche Ziel der Ertragssteigerung von Dynamic Pricing realisiert werden kann, müssen folglich Konsumenten die Preisgestaltung als fair wahrnehmen. Um die Preise für die Kunden als fairer erscheinen zu lassen, sind diese Punkte zu beachten:

1. Reduzieren Sie negative Kundenreaktionen auf dynamische Preiskomplexität (oder Grad der Preisschwankung) beachten. Hierbei ist es wichtig das Kundenverhalten zu analysieren und Reaktionen auf bspw. saisaonale Schwankungen im Blick zu behalten.

2. Kommunizieren Sie Preissetzungsregeln transparent und nachvollziehbar - vor allem, wenn ihre Branche noch nicht mit den Methoden der dynamischen Preissetzung vertraut ist.

3. Beobachten Sie Veränderungen ihres Preisimages mit Hilfe von Kundenbefragungen oder Kommentaren auf Kundenbewertungsportalen und reagieren Sie rasch auf eine Verschlechterung.

4. Verbessern Sie kontinuierlich durch Überwachung des Erfolgs des Unternehmens die Preisstrategie im Laufe der Zeit. Durch kontinuierliche Anpassung des KI-Modells können bessere Ergebnisse erzielt werden.

• KI-Software zur Automatisierung von Meetings und Gruppenunterkünften
• KI-optimierte Preisgestaltung im Online-Handel

• Rudolph, T., Steiner, D., Scheidegger, G. (2021). Dynamisches Preismanagement im Handel.
• Tacke, G. (o.D.). (2018) Dynamisches Pricing.
• Hedgework: Künstliche Intelligenz in der Logistikbranche bringt Anlagechancen (11.11.2021).
• Dynamic Pricing (2020)

  Dusit Niyato Encyclopedia of Wireless Networks p348-354

  Springer International Publishing DOI:10.1007/978-3-319-78262-1_35
• Consumer Perceptions of Price Complexity, Manipulation and Fairness in the Context of Increasing Levels of Differential Pricing and Dynamic Pricing: An Abstract (2022)

  Silke Bambauer-Sachse, Ashley Young Developments in Marketing Science: Proceedings of the Academy of Marketing Science p51-52

  Springer International Publishing DOI:10.1007/978-3-030-89883-0_8
• Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects (2022)

  Oscar Serradilla, Ekhi Zugasti, Jon Rodriguez, Urko Zurutuza Applied Intelligence 52/10 p10934-10964

  Springer Science and Business Media LLC DOI:10.1007/s10489-021-03004-y
• AQ-Learning-Based Demand Response Algorithm for Industrial Processes with Operational Flexibility (2023)

  Farzaneh Karami, Manu Lahariya, Guillaume Crevecoeur Handbook of Smart Energy Systems p3009-3025

  Springer International Publishing DOI:10.1007/978-3-030-97940-9_172