Es gibt eine Information, die fast jedes Pricing-Tool im Kraftstoffeinzelhandel liefert: die Preise Ihrer Wettbewerber. Sie erscheint in Dashboards, in Tagesberichten, als Push-Benachrichtigung auf dem Smartphone. Die Annahme dahinter ist nachvollziehbar — wer weiß, was der Markt tut, kann sich entsprechend positionieren.
Doch es gibt eine Frage, die diese Tools nicht beantworten. Und es ist die wichtigere.
Was passiert mit Ihrem eigenen Absatz, wenn Sie Ihren Preis ändern?
Die Lücke, die Wettbewerbsdaten nicht schließen können
Zu wissen, was die Tankstelle auf der anderen Straßenseite verlangt, zeigt Ihnen, wo der Markt steht. Es verrät Ihnen nicht, wie preissensibel Ihre eigenen Kunden sind. Es sagt Ihnen nicht, ob eine Preiserhöhung um zwei Cent drei Stammkunden kostet oder keinen einzigen. Es sagt Ihnen nicht, ob Ihr Standort, Ihr Kundenmix aus Flottenkunden und Privatfahrern, Ihre lokale Wettbewerbssituation es Ihnen erlauben, eine Preisprämie zu halten, die an einer anderen Tankstelle fünf Kilometer entfernt zu Absatzverlusten führen würde.
Das sind keine Randszenarien. Es sind die eigentlichen Variablen, die darüber entscheiden, ob eine Preisentscheidung die Marge verbessert oder schadet. Wettbewerbsinformationen fließen in die Preisgestaltung ein — aber sie sind nicht die Preisgestaltung.
Zu wissen, was der Markt verlangt, zeigt Ihnen, wo Sie den Preis verankern. Es sagt Ihnen nicht, ob eine Änderung Marge gewinnt oder kostet.
Warum Absatzprognosen auch nicht die Antwort sind
Die naheliegende Reaktion ist, Absatzprognosen hinzuzufügen: vorhersagen, was die Nachfrage tun wird, und dann dagegen optimieren. Diesen Ansatz verfolgt eine zweite Generation von Pricing-Tools. Das Problem ist subtiler, als es zunächst erscheint.
Selbst ein hervorragendes Absatzprognosemodell — eines, das die Literzahlen des nächsten Tages mit hoher Genauigkeit vorhersagt — kann nicht zuverlässig sagen, welcher Preis die beste Marge erzeugt. Der Grund ist technischer Natur, hat aber erhebliche Konsequenzen: Das Preissignal ist unter Wettereinflüssen, Wochentagseffekten, saisonaler Nachfrage und Wettbewerbsverhalten vergraben. Ein Prognosemodell, das auf die Vorhersage von Absatzmengen trainiert wurde, lernt all diese Einflussfaktoren gemeinsam. Wenn man es dann fragt, was passiert, wenn man den Preis um zwei Cent erhöht, ändert sich seine Prognose kaum — weil es nie spezifisch darauf trainiert wurde, den Preis als kausale Variable zu isolieren.
Das ist kein Fehler eines bestimmten Produkts. Es ist eine Einschränkung des prädiktiven Ansatzes, wenn er auf eine kausale Fragestellung angewendet wird. Vorherzusagen, was passieren wird, und zu messen, was Ihr Preis konkret verursacht — das sind grundlegend verschiedene Probleme.
Was kausale Inferenz anders macht
Die Methode, die diese Lücke schließt, ist kausale Inferenz — insbesondere Double Machine Learning, ein peer-reviewtes Framework, das in der akademischen Forschung entwickelt wurde und jetzt genau aus diesem Grund in der kommerziellen Preisgestaltung eingesetzt wird.
Statt Nachfrage und Preis gemeinsam als kombiniertes Signal zu prognostizieren, trennt kausale Inferenz beides. Sie modelliert zunächst alle nicht preisbezogenen Einflüsse auf Ihren Absatz — Wetter, Trends, Kalendereffekte, Wettbewerberverhalten — und entfernt deren Effekt. Was übrig bleibt, ist die Absatzvariation, die direkt auf Preisänderungen zurückzuführen ist. Diese isolierte Beziehung ist die Preissensitivität. Sie wird je Tankstelle und Kraftstoffsorte aus Ihren eigenen historischen Daten gemessen.
Der Unterschied ist nicht akademischer Natur. Ein wettbewerbsorientiertes Pricing-Tool kann Ihnen sagen, dass Tankstelle A heute Morgen zwei Cent gesenkt hat. Ein kausales Modell kann Ihnen sagen, dass an Ihrem Standort 3 eine Senkung um zwei Cent typischerweise 4,6 % Absatz zurückgewinnt — während an Standort 1 dieselbe Maßnahme kaum Wirkung zeigt, weil die dortige Kundschaft preisunempfindlich ist. Dieselbe Preisbewegung, derselbe Wettbewerbskontext, entgegengesetzte betriebswirtschaftliche Logik.
Ein kausales Modell kann Ihnen sagen, dass eine Preissenkung um zwei Cent an einem Standort relevanten Absatz zurückgewinnt. An einem anderen kostet sie Marge, ohne einen einzigen Kunden zurückzubringen.
Die praktische Schlussfolgerung
Wettbewerbsinformationen bleiben ein notwendiger Input für jedes ernsthafte Pricing-System. Sie müssen wissen, wo der Markt steht, um eine Positionierungsentscheidung zu treffen. Aber Positionierung ist etwas anderes als Optimierung. Die Frage, wo Sie Ihren Preis relativ zu Wettbewerbern ansetzen, ist eine andere als die Frage, was dieser Preis tatsächlich mit Ihrer Marge macht.
Pricing-Tools, die nur die erste Frage beantworten — auch sehr gute —, überlassen die zweite Frage dem Urteilsvermögen, der Erfahrung und dem Instinkt. Das ist ein vertretbarer Ansatz, solange der Markt sich nicht jenseits der Bedingungen bewegt, auf die Ihre Intuition kalibriert ist: ein Angebotsschock, eine regulatorische Änderung, ein neuer Wettbewerber in Ihrem Einzugsgebiet.
Die eigene Preissensitivität zu kennen — kausal gemessen und statistisch validiert — ersetzt das Wettbewerbsbewusstsein nicht. Es gibt Ihnen etwas, womit Sie es nutzen können.
Methodischer Hinweis: Der hier beschriebene kausale Inferenzansatz wendet Double Machine Learning an (Chernozhukov, Chetverikov, Demirer et al., 2018, The Econometrics Journal), dasselbe grundlegende Framework, das der Open-Source-Bibliothek EconML von Microsoft Research zugrunde liegt. Pricing Intelligence von Backwell Tech wendet diese Methode auf die Kraftstoffpreisgestaltung auf Tankstellen- und Kraftstoffsortenebene an.
Über Backwell Tech
Backwell Tech ist ein High-Tech-Unternehmen mit Sitz in Berlin, das sich auf prädiktive Lösungen auf Basis künstlicher Intelligenz spezialisiert hat. Die Plattform bietet Unternehmen skalierbare KI-Modelle zur Gewinnmaximierung, wobei historische Daten und Echtzeitdaten genutzt und die Datenintegrität gewährleistet werden. Seit seiner Gründung im Jahr 2019 verbindet Backwell Tech bahnbrechende Forschung mit praktischer Innovation im Bereich der erklärbaren Algorithmen. Das Unternehmen konzentriert sich auf die ethische Entwicklung von KI und liefert zuverlässige und interpretierbare Prognosen, die fundierte Geschäftsentscheidungen ermöglichen. Weitere Informationen finden Sie unter www.backwelltechcorp.com.
Kontakt Backwell Tech Corp:
Maximilian Gismondi
Quellen
- Methodik: Chernozhukov, V., Chetverikov, D., Demirer, M., et al. (2018). The Econometrics Journal 21(1), C1-C68.
- EconML: Microsoft Research. github.com/py-why/EconML
- Pilotdaten: Backwell Tech, internes Pilotprojekt, Netzwerk von 4 Tankstellen, Backtest über 110 Wochen. Ergebnisse sind Orientierungswerte, keine Garantie zukünftiger Leistung.