Projektvorstellung

Preisoptimierung im
After-Sales-Bereich

Die Ausgangssituation:

Für ein Maschinenbauunternehmen wurde eine KI-Anwendung entwickelt, um die Erfolgsquote verschiedener Preisstufen im After-Sales-Bereich zu prognostizieren. Aufbauend auf eine detaillierte Datenanalyse der Preissensitivität wurde hierfür ein Klassifikationsmodell trainiert.

Status:
Proof of Concept

Branche:
Maschinenbau

Unternehmensgröße:
ca. 1.000 Mitarbeiter

Kategorie:
Preisgestaltung

Die Ziele:

Prozess der Preisfindung optimieren
Manuellen Aufwand verringern
Erfolgsquote der Angebote erhöhen
Kundenzufriedenheit steigern
Gewinne steigern

Die Lösung:

Die Datenanalyse hat vielversprechende Potentiale in der Preisgestaltung der Angebote aufgezeigt. Das entwickelte KI-Modell prognostiziert die Erfolgsquote der Angebote auf Basis des gewählten Stückpreises und liefert damit die Grundlage für eine optimierte und automatisierte Preisfindung.

Die Umsetzung:

Datenanalyse:
Es wurde die Preissensitivität der Kunden im After-Sales-Bereich auf Basis unterschiedlicher Einflussfaktoren analysiert. Hierbei haben wir uns auf eine repräsentative Teilmenge der Produktpalette beschränkt und die Daten der vergangenen 10 Jahre verwendet.

Visualisierung und Interpretation:
Aus der Datenanalyse hat sich in bestimmten Bereichen konkretes Verbesserungspotential ergeben. Interessante Faktoren waren z.B. das bisherige Kaufverhalten, die Region, die Lieferzeit und die Dringlichkeit für den Kunden.

KI-Entwicklung:
Es wurde ein KI-Modell entwickelt, das mithilfe der Informationen zum Angebot sowie zum Kunden die Erfolgswahrscheinlichkeit prognostizieren kann. Dieser Schritt bietet die Basis für eine automatisierte und dadurch optimierte Preisfindung.

Ausblick:

In der Testphase soll die Anwendung analysiert und optimiert werden. Die Kundenreaktionen werden analysiert, um eine Verfeinerung des KI-Modells zu ermöglichen. Auch ein A/B-Testing ist hier möglich. Die optimierten KI-Prognosen können die bisherige manuelle Preisfindung schrittweise ersetzen. Im Anschluss kann der gesamte Prozess mithilfe eines Optimierungsproblems aggregiert werden, was sowohl dem Unternehmen Arbeitsaufwand spart, als auch eine datenbasierte und individuelle Preisfindung ermöglicht.