Regelbasiert vs. algorithmisch: welches Repricing passt?

Ob feste Preisregeln ausreichen oder ein lernendes Modell nötig ist, entscheidet nicht die Technik, sondern das Sortiment. Die Frage stellt sich jeder Pricing-Verantwortliche, der sein Repricing skalieren will: Reicht ein klares Regelwerk, oder braucht es einen Algorithmus? Die ehrliche Antwort lautet, dass beide Ansätze in unterschiedlichen Situationen die bessere Wahl sind. Wer den falschen wählt, zahlt entweder mit verschenkter Marge oder mit einem System, das niemand mehr versteht.

Dieser Beitrag ordnet beide Verfahren nüchtern ein. Er ist Teil des Themenbereichs Dynamic Pricing und liefert Auswahlkriterien nach Sortimentsgröße, Datenlage und Änderungsfrequenz statt Technologie-Versprechen.

Wie regelbasiertes und algorithmisches Repricing funktionieren

Regelbasiertes Repricing setzt Preise nach festen Wenn-Dann-Vorgaben, algorithmisches Repricing leitet sie aus lernenden Modellen ab. Der Unterschied liegt darin, woher der neue Preis kommt.

Regelbasiertes Repricing. Ein Mitarbeiter definiert Bedingungen und Aktionen. Beispiel: „Unterbiete den günstigsten Wettbewerber um zwei Prozent, aber nie unter die Preisuntergrenze." Die Regel ist deterministisch. Bei gleichem Input entsteht immer derselbe Output. Das macht das Verhalten vorhersehbar und leicht prüfbar. Die Regel weiß aber nichts über Nachfrage: Sie reagiert auf Wettbewerbspreise, nicht auf die Frage, ob ein anderer Preis mehr Deckungsbeitrag brächte.

Algorithmisches Repricing. Ein Modell schätzt aus historischen Verkaufsdaten, wie Menge und Marge auf Preisänderungen reagieren, und schlägt den erwartungsgemäß besten Preis vor. Statt „zwei Prozent unter dem Wettbewerb" lautet die Logik „der Preis, der über die nächste Woche den höchsten Deckungsbeitrag erwarten lässt". Das kann Marge heben, wo feste Regeln nur die Preisposition kopieren. Der Preis für diese Optimierung sind Datenhunger und geringere Erklärbarkeit. Wie sich Regeln zu lernenden Systemen erweitern lassen, behandelt der Beitrag KI im Pricing: Von Preisregeln zu lernenden Systemen.

Wichtig für die Einordnung: Algorithmisch heißt nicht automatisch besser. Ein Modell ohne ausreichende Daten trifft schlechtere Entscheidungen als eine gut gebaute Regel.

Entscheidungsmatrix: welcher Ansatz zu welchem Sortiment passt

Der passende Ansatz hängt von drei Faktoren ab: Sortimentsgröße, Datenlage und Änderungsfrequenz. Die folgende Matrix zeigt die typische Zuordnung.

{% table %}

• Kriterium
• Regelbasiert passt
• Algorithmisch passt

---

• Sortimentsgröße
• bis wenige tausend aktive Artikel
• zehntausende Artikel und mehr

---

• Verkaufsdaten je Artikel
• dünn, wenige Transaktionen
• dicht, viele Transaktionen pro Woche

---

• Änderungsfrequenz
• wenige Anpassungen pro Tag
• kontinuierliche Anpassung

---

• Ziel
• Preisposition halten
• Deckungsbeitrag optimieren

---

• Wettbewerbslogik
• klar und stabil
• komplex, viele Einflussgrößen

---

• Nachvollziehbarkeit
• maximale Priorität
• akzeptabler Kompromiss {% /table %}

Die Faktoren wirken zusammen. Ein Händler mit 800 hochpreisigen Ersatzteilen und wenigen Verkäufen pro Artikel und Monat hat schlicht nicht genug Datenpunkte für ein belastbares Nachfragemodell. Für ihn ist ein sauberes Regelwerk die richtige Wahl, ergänzt um harte Grenzen wie die Preisuntergrenze.

Ein Elektronikhändler mit 60.000 Artikeln und hunderten Verkäufen pro Tag steht anders da. Bei ihm bewegen sich Wettbewerbspreise im Minutentakt, und die Nachfrage reagiert messbar auf jeden Euro. Hier spielt ein Algorithmus seine Stärke aus, weil die Datenmenge Prognosen trägt und die schiere Zahl der Entscheidungen manuelle Pflege ausschließt.

Die häufigste Realität liegt dazwischen: ein gemischtes Sortiment, in dem beide Ansätze parallel laufen. Schnelldreher mit dichten Daten steuert der Algorithmus, Langsamdreher und sensible Artikel bleiben bei Regeln.

Nachvollziehbarkeit und Kontrolle als Auswahlkriterium

Nachvollziehbarkeit ist kein weiches Kriterium, sondern oft der Ausschlaggeber. Wer nicht erklären kann, warum ein Artikel einen bestimmten Preis hat, verliert die Kontrolle über sein Pricing.

Bei regelbasiertem Repricing ist die Kausalkette immer lesbar. Ein Blick ins Regelwerk zeigt, welche Bedingung den Preis erzeugt hat. Das erleichtert Fehleranalyse, Freigaben und die Kommunikation mit Einkauf oder Geschäftsführung. Bei algorithmischen Verfahren ist der einzelne Preisvorschlag schwerer zu begründen, weil er aus einem Modell mit vielen Einflussgrößen stammt.

Für die Kontrolle heißt das: Je intransparenter das Verfahren, desto wichtiger werden Leitplanken und Protokolle. Harte Grenzen begrenzen jeden Modellvorschlag nach unten und oben. Ein Protokoll hält fest, welcher Preis wann aus welchem Grund gesetzt wurde. Beides gehört in ein sauberes Regelwerk, das Pricing-Governance beschreibt. Ohne diese Struktur wird algorithmisches Repricing zum Risiko, weil einzelne Fehlentscheidungen unbemerkt durchlaufen.

Eine praktikable Faustregel: Je höher der Anteil algorithmischer Entscheidungen, desto strenger müssen die Leitplanken und desto lückenloser die Protokollierung sein. Automatisierung und Kontrolle wachsen gemeinsam, nicht gegeneinander.

Typische Migrationspfade von Regeln zu Algorithmen

Der Wechsel läuft selten als Bruch, sondern in Stufen. Wer von einem funktionierenden Regelwerk zu lernenden Verfahren übergeht, folgt meist diesem Muster:

1. Regelwerk stabilisieren. Zuerst laufen feste Regeln sauber, mit Preisuntergrenzen und definierten Wettbewerbsabständen. Ohne diese Basis fehlt später der Referenzpunkt.
2. Datenlage aufbauen. Verkaufsdaten, Wettbewerbspreise und Bestandsdaten werden konsistent erfasst. Erst wenn je Artikel genug Transaktionen vorliegen, kann ein Modell Nachfrage schätzen.
3. Pilotsegment abgrenzen. Ein datenreiches Teilsortiment, etwa Schnelldreher einer Kategorie, wechselt testweise auf algorithmische Vorschläge. Der Rest bleibt bei Regeln.
4. Parallelbetrieb und Vergleich. Das Modell schlägt Preise vor, die Ergebnisse werden gegen das Regelwerk gemessen. Erst bei belegtem Vorteil übernimmt der Algorithmus die Steuerung.
5. Schrittweise Ausweitung. Weitere Segmente folgen, immer innerhalb der bestehenden Leitplanken. Regeln bleiben als Sicherheitsnetz erhalten.

Dieser Pfad hält das Risiko klein. Das Regelwerk verschwindet nicht, es wird zur Absicherung des Modells. Die meisten reifen Repricing-Setups sind Hybride: Algorithmen rechnen, Regeln begrenzen.

Praxisbeispiel: Werkzeughändler mit gemischtem Sortiment

Ein fiktiver Werkzeughändler mit 14.000 Artikeln zeigt die Aufteilung. Annahmen: 2.000 Schnelldreher mit täglichen Verkäufen, 12.000 Langsamdreher mit wenigen Verkäufen pro Monat, Verkauf über eigenen Shop und einen Marktplatz.

Für die 12.000 Langsamdreher fehlen belastbare Nachfragedaten. Der Händler steuert sie regelbasiert: fester Abstand zum günstigsten Wettbewerber, harte Preisuntergrenze je Artikel, keine Anpassung unter dieser Grenze. Das Verhalten ist vollständig nachvollziehbar.

Für die 2.000 Schnelldreher liegen genug Transaktionen vor. Hier testet der Händler algorithmische Vorschläge in einem Parallelbetrieb über acht Wochen. Das Modell optimiert auf Deckungsbeitrag statt reiner Preisposition. Fällt der Vergleich zugunsten des Modells aus, übernimmt es die Steuerung dieses Segments, weiterhin begrenzt durch dieselben Preisuntergrenzen. Das Ergebnis ist ein Hybrid, in dem 86 Prozent der Artikel auf Regeln laufen und 14 Prozent den Mehraufwand des Algorithmus rechtfertigen.

Häufige Fehler

Algorithmus ohne Datenbasis einführen. Ein Modell auf dünnen Verkaufsdaten trifft schlechtere Entscheidungen als eine einfache Regel. Wer die Datenlage nicht prüft, kauft Komplexität ohne Nutzen.

Regelwerk unkontrolliert wuchern lassen. Wenn jede Ausnahme eine neue Regel erzeugt, entsteht ein Gestrüpp aus Sonderfällen, das sich widerspricht. Ab einem gewissen Punkt ist das Regelwerk intransparenter als jeder Algorithmus.

Leitplanken beim Wechsel abschaffen. Manche behandeln den Umstieg auf Algorithmen so, als machten Preisuntergrenzen und Abstandsgrenzen sich damit überflüssig. Das Gegenteil stimmt: Je autonomer das System, desto wichtiger die Grenzen.

Alles auf einmal umstellen. Ein kompletter Wechsel ohne Parallelbetrieb verhindert den Vergleich. Ohne Referenz lässt sich nicht belegen, ob der Algorithmus wirklich besser abschneidet.

Zusammenfassung

Regelbasiertes und algorithmisches Repricing lösen unterschiedliche Probleme. Feste Regeln passen zu überschaubaren Sortimenten, dünnen Daten und klarer Wettbewerbslogik, und sie bieten maximale Nachvollziehbarkeit. Algorithmen lohnen sich bei großen Sortimenten mit dichten Verkaufsdaten und dem Ziel, Marge statt nur Preisposition zu optimieren. In der Praxis gewinnt selten ein Ansatz allein, sondern der Hybrid: Modelle rechnen, Regeln begrenzen. Der Weg dorthin führt über ein stabiles Regelwerk, saubere Daten und einen Parallelbetrieb, in dem sich der Vorteil des Algorithmus belegen lässt, bevor er die Steuerung übernimmt. Die Checkliste: Repricing einführen in zehn Schritten hilft, diese Stufen zu ordnen.