Predictive Pricing: Von Bauchgefühl zu datenbasierten Entscheidungen

Traditionelle Preisentscheidungen basieren auf Erfahrung, Intuition und "Bauchgefühl". Predictive Pricing nutzt KI, historische Daten und Marktanalysen, um datenbasierte Preisprognosen zu erstellen – und damit bessere Beschaffungsentscheidungen zu treffen.

In diesem Tech-Deep-Dive zeigen wir, wie Predictive Pricing funktioniert, welche Daten einfließen und wie Prognosen erstellt werden.

Das Problem: Bauchgefühl vs. Daten

Traditionelle Preisentscheidungen

• Basis: Erfahrung, Intuition, "Bauchgefühl"
• Problem: Subjektiv, fehleranfällig, nicht skalierbar
• Beispiel: "Ich denke, der Preis wird steigen" – ohne Datenbasis

Predictive Pricing

• Basis: Historische Daten, Marktanalysen, KI-Modelle
• Vorteil: Objektiv, präzise, skalierbar
• Beispiel: "Basierend auf 25 Jahren Daten: Preis steigt um 2,3% in nächsten 12 Monaten (Konfidenz: 85%)"

Wie funktioniert Predictive Pricing?

1. Datensammlung

Interne Daten:

• Historische Beschaffungspreise (letzte 5-10 Jahre)
• Bedarfsmengen und -frequenzen
• Lieferanten-Performance
• Saisonalität und Trends

Externe Daten:

• Marktpreise (Börsen, Indizes, Marktplätze)
• Wirtschaftsindikatoren (BIP, Inflation, Zinsen)
• Geopolitische Faktoren (Kriege, Handelskonflikte)
• Wetterdaten (für saisonale Warengruppen)
• Rohstoffpreise (für verarbeitete Produkte)

Beispiel: Kabelpreise

• Interne Daten: 4.536 historische Preisdatenpunkte (2001-2025)
• Externe Daten: LME-Preise, Wirtschaftsindikatoren, Geopolitik
• Ergebnis: 12-Monats-Prognose mit Konfidenz-Levels

2. Datenanalyse

Zeitreihenanalyse:

• Trend-Erkennung (steigend, fallend, stabil)
• Saisonalität (jahreszeitliche Muster)
• Volatilität (Preisschwankungen)
• Zyklen (wiederkehrende Muster)

Korrelationsanalyse:

• Welche Faktoren beeinflussen den Preis?
• Wie stark ist der Zusammenhang?
• Welche Faktoren sind am wichtigsten?

Beispiel: Kabelpreise

• Trend: Aufwärtstrend seit 2020 (+68% über 25-Jahres-Durchschnitt)
• Saisonalität: Höhere Preise im Frühjahr (Bau-Saison)
• Korrelation: Kupferpreise (LME) korrelieren zu 0,92 mit Kabelpreisen
• Volatilität: Erhöhte Volatilität in Krisenzeiten

3. Modell-Erstellung

Lineare Regression:

• Einfache Trend-Prognosen
• Geeignet für stabile, lineare Entwicklungen

Zeitreihenmodelle (ARIMA, LSTM):

• Komplexe Muster (Saisonalität, Zyklen)
• Geeignet für volatile, nicht-lineare Entwicklungen

Ensemble-Modelle:

• Kombination mehrerer Modelle
• Höhere Genauigkeit durch Diversifikation

Beispiel: Kabelpreise

• Methode: Lineare Regression über letzte 12 Monate
• Input: Monatliche Durchschnittspreise (Kupfer, Aluminium)
• Output: Prognose für nächste 12 Monate mit Konfidenz-Levels

4. Validierung und Anpassung

Backtesting:

• Modell auf historische Daten anwenden
• Prognose-Genauigkeit messen
• Modelle vergleichen

Kontinuierliche Anpassung:

• Neue Daten fließen ein
• Modelle werden aktualisiert
• Prognosen werden präziser

Beispiel: Kabelpreise

• Backtesting: Modell auf 2020-2024 Daten angewendet
• Genauigkeit: Durchschnittliche Abweichung: ±3%
• Aktualisierung: Wöchentlich mit neuen Marktdaten

Beispiel: Kabelpreis-Prognose 2025-2026

Datenbasis

• 4.536 historische Preisdatenpunkte (2001-2025)
• 25 Jahre kontinuierliche Daten
• Wöchentliche Updates (Meinhart Kabel Österreich)

Analyse

• Trend: Aufwärtstrend seit 2020
• Korrelation: Kupfer 60%, Aluminium 20%
• Volatilität: Erhöht in Krisenzeiten

Prognose

• Q1 2026: +0,6% (Konfidenz: Hoch)
• Q2 2026: +0,6% (Konfidenz: Mittel)
• Q3 2026: +0,6% (Konfidenz: Niedrig)
• Q4 2026: +0,6% (Konfidenz: Niedrig)

Gesamtanstieg 2026: +2,3% gegenüber Dezember 2025

Limitationen und Risiken

1. Datenqualität

• Problem: "Garbage in, garbage out" – schlechte Daten führen zu schlechten Prognosen
• Lösung: Datenqualitätsmanagement, Validierung, Bereinigung

2. Unvorhersehbare Ereignisse

• Problem: Geopolitische Krisen, Naturkatastrophen, Pandemien können Prognosen stark beeinflussen
• Lösung: Szenario-Analysen, Risiko-Bewertung, menschliche Überwachung

3. Modell-Überanpassung

• Problem: Modell passt sich zu stark an historische Daten an → schlechte Prognosen für Zukunft
• Lösung: Cross-Validation, Regularisierung, Ensemble-Modelle

4. Konfidenz-Levels

• Problem: Langfristige Prognosen (7-12 Monate) haben niedrige Konfidenz
• Lösung: Klare Kommunikation von Unsicherheiten, Szenario-Planung

Best Practices

1. Transparenz

• Klare Kommunikation: Wie funktioniert das Modell? Welche Daten fließen ein?
• Limitationen offenlegen: Was kann das Modell nicht? Wo sind Unsicherheiten?
• Nachvollziehbarkeit: Entscheidungen müssen nachvollziehbar sein

2. Kontinuierliche Verbesserung

• Neue Daten: Regelmäßig neue Daten einfließen lassen
• Modell-Updates: Modelle regelmäßig aktualisieren
• Feedback-Loop: Prognose-Genauigkeit messen und verbessern

3. Mensch bleibt Entscheider

• KI gibt Empfehlungen: Mensch entscheidet
• Übersteuerung möglich: Mensch kann KI-Empfehlungen übersteuern
• Ethik bleibt menschlich: Ethische Entscheidungen können nicht automatisiert werden

ROI von Predictive Pricing

Beispiel: Einsparung durch optimale Beschaffungszeitpunkte

Ein Unternehmen beschafft jährlich 1 Mio. EUR an Materialien:

Ohne Predictive Pricing:

• Beschaffung zu zufälligen Zeitpunkten
• Durchschnittspreis: 100 EUR (Basis)
• Jährliche Kosten: 1.000.000 EUR

Mit Predictive Pricing:

• Beschaffung zu optimalen Zeitpunkten (wenn Preise niedrig sind)
• Durchschnittspreis: 95 EUR (-5%)
• Jährliche Kosten: 950.000 EUR
• Einsparung: 50.000 EUR pro Jahr

ROI: Bei Investition von 20.000 EUR in Predictive Pricing → ROI: 250% im ersten Jahr

Fazit

Predictive Pricing transformiert Beschaffungsentscheidungen von Bauchgefühl zu datenbasierten Entscheidungen. Mit der richtigen Datenbasis, den richtigen Modellen und den richtigen Prozessen können Unternehmen 5-15% Kosteneinsparung erzielen.

Ihr nächster Schritt:

1. Daten sammeln: Historische Beschaffungsdaten strukturieren
2. Pilotprojekt starten: Beginnen Sie mit einer Warengruppe
3. Erfolg messen: ROI und Genauigkeit tracken

Unterstützung: Solavia Procure bietet Predictive Pricing für Enterprise-Kunden:

• Datenanalyse: Historische Daten analysieren
• Modell-Erstellung: Individuelle Prognose-Modelle
• Integration: Nahtlose Integration in bestehende Systeme

Kontaktieren Sie uns für eine kostenlose Erstberatung.

Quellen:

• Eigene Forschung und Entwicklung bei Solavia Procure
• Kabelpreis-Analyse 2025-2026 (4.536 Datenpunkte)
• Gartner: Predictive Analytics in Procurement

Veröffentlicht: 20. November 2025
Nächste Aktualisierung: Q2 2026
Kontakt: office@solavia-procure.com