KI für das Pricing: Produktklassifizierung in der Kosmetikbranche

Für ein kohärentes und kontrolliertes Preis-Image 

KI für die Preisgestaltung: Welche Anwendungsbeispiele gibt es? Dieses Dokument basiert auf den Erfahrungen unseres Teams von Big-Data- und Pricing-Experten, die mit führenden europäischen Einzelhandelsunternehmen zusammenarbeiten. Unsere Aufgabe ist es, hochmoderne technologische Lösungen zu entwickeln, die auf den neuesten Fortschritten in den Bereichen KI und Machine Learning basieren, um komplexe Datenprobleme zu lösen, die direkt die Rentabilität und das Preisimage von Einzelhändlern schädigen.

Mit diesem Artikel möchten wir ein wichtiges Anliegen der Pricing- und Marketingverantwortlichen der Kosmetik- und Parapharmaziebranche in Bezug auf die Segmentierung ihres Katalogs teilen: Wie kann man mit der Geschwindigkeit des Marktes arbeiten und eine Segmentierung – und damit ein Pricing – aufrechterhalten, die mit der Entwicklung des Katalogs und der Trends übereinstimmt? 

Die Klassifizierung oder Segmentierung von Produkten nach gemeinsamen Merkmalen (Produkttyp, Fassungsvermögen usw.) oder Wertattributen (Markenwahrnehmung, Innovation, aktueller Trend usw.) ist eine unerlässliche Vorstufe für die Industrialisierung einer leistungsfähigen und auf die Verbraucherwahrnehmung ausgerichteten Preisgestaltung. Für Marketingzwecke arbeiten Pricing-Teams zunehmend mit Klassifizierungen, stoßen dabei aber auf zahlreiche Hindernisse. 

Pricing-Komplexitäten aufgrund von Marktvolatilität

Abgesehen von der Komplexität, die mit der Anzahl der Katalogreferenzen zusammenhängt, ist das spezifische Hindernis im Bereich Körperpflege und Schönheitspflege die Unbeständigkeit des Marktes. Diese Branche ist extrem abhängig von:

• den Trends aus Mode- und Schönheitsmagazinen;
• einem hohen Anteil an eingehenden Marken oder E-Commerce-Websites;
• den Beiträgen und Meinungen, die von auf Pflege und Schönheit spezialisierten Influencern geteilt werden.

Ein Produkt, das seit Jahren als banal gilt, kann über Nacht zum Trendprodukt werden. Ein einziger Presseartikel oder Blogeintrag mit hoher Reichweite kann einen neuen Kosmetik-/‌Pflegetrend auslösen. Das Online-Magazin Glossy erklärt in diesem Artikel: „Auf TikTok kann man eine Armee von Influencern sehen, die sich auf Hautpflege spezialisiert haben und eine so hingebungsvolle Gemeinschaft von ‚Followern‘ aufgebaut haben, dass sie die Verkäufe einer Marke mit einer einzigen Veröffentlichung ankurbeln oder zerstören können.“ (aus dem Englischen übersetzt). Eine Erfolgsgeschichte der Marke CeraVe kann emblematisch für die virale Kraft von TikTok stehen, dessen Algorithmus Inhalte unabhängig davon hervorhebt, wem Sie folgen – nur Ihre Reaktionen auf frühere Inhalte zählen. Als der Algorithmus feststellte, dass die Inhalte des Influencers @skincarebyhyram gut liefen, pushte er seine Inhalte an ein breites Publikum und erhöhte so die Sichtbarkeit seiner Lieblingsmarke CeraVe.

Dieses unvorhersehbare Umfeld führt dazu, dass die Marketing- und Pricing-Teams von Kosmetikunternehmen die bestehenden Klassifizierungen ständig neu definieren müssen. Dennoch berichten Einzelhändler in diesem Sektor, dass diese Klassifizierungen immer noch manuell und oft „nach gesundem Menschenverstand“ vorgenommen werden. Die Folge sind schnell veraltete Klassifizierungen und eine zweifelhafte Zuverlässigkeit, die die Bemühungen um die Preispositionierung von Produkten, die auf diesen Klassifizierungen basieren, beschädigen können.

Warum diese Problematik in Bezug auf die Kohärenz des Angebots? 

Generell muss man sich bei den klassischen Tools (Excel, BI …) zwischen Vollständigkeit und Arbeitsgeschwindigkeit entscheiden.

Sie erlauben es nicht, gleichzeitig mit Klassifizierungen für den gesamten Katalog zu arbeiten, wenn dieser Zehn- oder Hunderttausende von Artikeln umfasst. Die Teams müssen daher den Produktkatalog aufteilen, was sowohl einen Zeitverlust als auch einen Verlust an Gesamtkonsistenz bedeutet. Eine andere Möglichkeit wäre, bestimmte Produktgruppen auszuschließen, wodurch die Strategie an Präzision verlieren würde. Wenn man sich jedoch aufgrund fehlender technologischer Mittel auf bestimmte Kategorien beschränkt, riskiert man, ungenutzte Margenpotenziale zu übersehen oder in den Augen der Verbraucher inkohärent mit der Gesamtpositionierung des Unternehmens zu sein. 

Aufgrund der Größe des Katalogs und der Informationen in den Klassifikationen kann der Benutzer nicht mit der Geschwindigkeit des Marktes arbeiten. In Echtzeit zu arbeiten bedeutet, dass man einerseits über automatische Klassifikationen verfügt und andererseits in der Lage sein muss, bestehende Klassifikationen zu integrieren und im laufenden Betrieb zu ändern. Und schließlich müssen diese Änderungen, um relevant zu sein, ohne Verzögerung in die Strategie integriert werden können. 

Um einen Mittelweg zwischen Vollständigkeit und Arbeitsgeschwindigkeit zu finden, konzentrieren sich die heute von Einzelhändlern am häufigsten verwendeten Tools letztendlich auf die drei Hauptkriterien, die ein Produkt definieren und die systematisch im Repository verfügbar sind: Produkttyp, Marke und Größe (oder Inhalt im Fall von Pflege- und Schönheitsprodukten). Die Integration zusätzlicher Kriterien, die für jede Produktfamilie spezifisch sind und auf einem nicht immer vollständigen Repository basieren, stellt eine technologische Herausforderung bei der Verwaltung großer Datenmengen dar. Aus strategischer Sicht würde dies den Preismanagern jedoch ermöglichen, Produkte genauer zu klassifizieren, indem sie Wertattribute und nicht nur Produktmerkmale einbeziehen. Dieser Ansatz ist in der Tat sehr wichtig in der Kosmetikbranche, wo die Verbraucher ihre Wahl nicht auf „grundlegende“ Kriterien beschränken. Zum Beispiel: „Shampoo, Garnier, 250 ml, dehydriertes Haar, breite Öffentlichkeit“ sind bereits viel feinere Merkmale als „Shampoo, Garnier, 250 ml“. Man kann auch mit Attributen, die einen Wert für den Kunden darstellen, noch weiter gehen, indem man der vorherigen Klassifizierung beispielsweise „Neuheit, Self-Cocooning, sulfatfreie Formel, natürliche Inhaltsstoffe, in Frankreich hergestellt, Instagram-Popularität“ hinzufügt.

Wie relevant ist KI für die Preisgestaltung, insbesondere für Kosmetikketten?

KI ist überall, aber wir wissen nicht immer, wie wir sie nutzen und ihren vollen Wert ausschöpfen können. Wir möchten daher einen konkreten Use Case für die Anwendung von KI im Pricing vorstellen: Sie wird es Teams ermöglichen, bestehende Produktklassifizierungen zu automatisieren. Denn auf der Grundlage der vorhandenen Produktdatenbank kann eine KI darauf trainiert werden, verschiedene Produkttypen zu erkennen und ihnen Attribute zuzuordnen. So kann der Algorithmus sofort ein Produkt wie „Lippenstift, Dior, rot, matt, mit Trauben, Weihnachtsedition“ anhand eines einfachen Fotos oder einer Produktbeschreibung, die ihm vorgelegt werden, klassifizieren, und dieses Produkt wird direkt von einer Preisstrategie mit „hoher Sensibilität“ in der Weihnachtszeit betroffen sein. 

Wie bereits erwähnt, gibt es in der Kosmetikindustrie jedoch einen sehr hohen Anteil an Unvorhersehbarkeit. Pricing Manager, Produktmanager oder Category Manager brauchen Werkzeuge, die ihnen helfen, effizienter zu arbeiten und vor allem sehr schnell zu reagieren. Diese Agilität zu bieten, ist das Anliegen von Mercio. Die Wahl der Farbe ist ein Schlüsselelement in der Kosmetik, sei es Lippenstift, Rouge, Foundation … Wenn also, um das obige Beispiel aufzugreifen, Nude plötzlich zum aktuellen Trend wird, kann der Pricer sofort die Klassifizierung „aktuelle Farbe“ auf den neuen Stand bringen und eine konsistente Preisgestaltung beibehalten.

Ein Klassifizierungswerkzeug muss also eine gesunde Mischung aus Automatisierung durch KI und einem „korrigierenden“ manuellen Teil bieten können, d. h. es muss der zuständigen Person ermöglichen, die Kontrolle über die KI zu behalten, indem sie eine neue Information in Bezug auf eine Marktentwicklung, ein neues Produkt, einen neuen Trend usw. berichtigt oder sendet.

Wie kann man vorgehen, um in Sachen Klassifikationen und Preisgestaltung leistungsfähiger zu werden?

Data Science ist ein ausgezeichneter Ausgangspunkt, um wertvolle Einsichten für eine Marke zu schaffen, die noch keine bestehenden Klassifikationen hat. Für den Fall, dass sie bereits über Klassifikationen verfügt, kann sie mithilfe von Data Science deren Genauigkeit erhöhen, indem sie die Gültigkeit der vorhandenen Klassifikationen überprüft und diese anreichert.

Kassenbons stellen für Einzelhändler ein gigantisches Datenvolumen dar, und diese Daten werden ständig erneuert. Für eine KI ist das kein Hindernis: Im Gegenteil, es ist eine großartige Gelegenheit zum Lernen. So kann ein Machine-Learning-Algorithmus durch die Analyse von Kassenbons Kaufverhalten und Produktzusammenhänge erkennen, die „mit bloßem Auge“ nur sehr schwer wahrnehmbar sind. Zum Beispiel Fälle, in denen die Erhöhung des Preises für ein Shampoo zu einem Rückgang der Verkäufe des Duschgels derselben Marke führen würde. Sobald die Klassifizierung identifiziert und die Automatisierung eingerichtet ist, können die Teams den KI-Algorithmus mit neuen Informationen „füttern“. In diesem Artikel wird ein erstes Beispiel für eine Klassifizierung vorgestellt. Alle Daten, die dem Einzelhändler zur Verfügung stehen, ermöglichen es ihm, die gewonnenen Einblicke weiter zu verfeinern: Kassenbons, die mit Online-Warenkörben, Webbesuchen und Erkenntnissen aus dem Treueprogramm verglichen werden, zum Beispiel. So können neue Klassifizierungen identifiziert werden: „Routine“-Produkt, Impulsprodukt …

Zum Schluss

KI für die Preisgestaltung hat operative Vorteile für die Teams und stellt gleichzeitig sicher, dass die strategischen Ziele durch eine stets aktuelle und relevante Preispolitik erreicht werden. KI und Geschäftsexperten sind ein Team, sie befruchten sich gegenseitig: KI ermöglicht die schnelle Übernahme und Pflege von Klassifizierungen. Der Nutzer überwacht die ordnungsgemäße Funktion und sendet neue Informationen an die KI, um sich an den Kontext (neu eintretende Produkte), das Wettbewerbsumfeld und neue Trends anzupassen. 

Durch KI entfällt die zeitraubende Aufgabe, die Klassifizierungen im Laufe der Zeit zu verwalten, und die Teams können sich auf die Optimierung der Preisstrategien auf Grundlage der verschiedenen Klassifizierungen, der Leistungsindikatoren und der Geschäftsstrategie des Unternehmens konzentrieren (z. B. Optimierung der Eigenmarken, Förderung des Internets, Ansprache einer neuen Kundschaft …). Ein Pricing-Tool, das leistungsfähig und flexibel genug ist, um diese Klassifizierungen in Echtzeit zu integrieren, wird es ermöglichen, die Wirksamkeit einer Klassifizierung zu testen, verschiedene Klassifizierungen zu vergleichen und gegebenenfalls sehr schnell die Strategie zu ändern.