Kundengeschichten
fonQ setzt auf datengesteuerte Preisgestaltung
Das Einrichtungshaus arbeitet mit Xebia zusammen, um ein automatisiertes, datengesteuertes Preissystem zu entwickeln. Das neue System erhöht die Gewinnspanne um 25% und ermöglicht häufigere und bessere Preisanpassungen.
fonQ ist ein beliebter Webshop in den Niederlanden und Umgebung, der sich auf Produkte für Haus und Wohnraum spezialisiert hat und für sein umfangreiches Angebot an Möbeln und Lifestyle-Artikeln bekannt ist. Das Unternehmen bietet eine Vielzahl von Artikeln bekannter Lieferanten an und legt einen starken Schwerpunkt auf seine Eigenmarken. Diese Eigenmarken werden für die Zukunft von fonQ eine wichtige Rolle spielen. Daher besteht die dringende Notwendigkeit, die Preisstrategie für ihre Produkte zu verfeinern, um wettbewerbsfähig zu bleiben und die Rentabilität zu maximieren.
Eigenmarkenprodukte haben einen strategischen Vorteil gegenüber Produkten von Wettbewerbern. Die Preisgestaltung für erstere erfolgte jedoch immer noch manuell und nutzte keine historischen Daten, was zu suboptimalen Preisen führte.
Warum
Das Team hat die Preisempfehlungen für Eigenmarkenprodukte automatisiert. Das neue System maximiert die absolute Marge und reduziert manuelle Schritte im Preisfindungsprozess.
Was
Die Berater von Xebia arbeiteten mit den Mitarbeitern von fonQ zusammen, um ein ML-Modell zu entwickeln und über eine benutzerfreundliche Webanwendung umsetzbare Preisempfehlungen und Erkenntnisse zu liefern.
Wie
Die Reise zu einer datengesteuerten Preisgestaltung
Vor diesem Projekt basierte die Preisgestaltung der Eigenmarkenprodukte von fonQ auf einem manuellen, regelbasierten Prozess. Diese Methode bot zwar eine gute Grundlage, war aber zeitaufwändig und konnte keine Muster in den historischen Verkaufsdaten nutzen, was dazu führte, dass Preisanpassungen seltener und weniger als ideal waren.
In Zusammenarbeit haben fonQ und Xebia den Übergang zu automatisierten Preisempfehlungen durch einen strukturierten Ansatz und kontinuierliche Feedbackschleifen optimiert. Um dies zu erreichen, stellten wir ein Team mit allen benötigten Experten zusammen - Datenanalysten, Wissenschaftler, Preisfindungsexperten und Berichtsspezialisten - die den gesamten Prozess von Anfang bis Ende verwalten sollten. So konnten wir in nur drei Monaten von einem Proof of Concept zu einem vollständig integrierten Minimum Viable Product übergehen, von lokalen zu Cloud-Umgebungen und von manuellen zu kontinuierlichen Bereitstellungspraktiken.
Anfänglich gab es Widerstand gegen den Vorschlag des Modells, die Preise zu senken, da dies im Widerspruch zur Erhöhung der Gewinnspannen zu stehen schien. Mehrere Live-Tests zeigten jedoch, dass die strategischen Preissenkungen des Modells zu einer deutlichen Steigerung der Gewinnspanne führten. Damit waren die Zweifel ausgeräumt und der Wert datengestützter Preisentscheidungen wurde unterstrichen.
Abb. 1: Absolute Marge vor und nach der Einführung des Preismodells. Geringfügige Unterschiede vor dem Going Live sind auf zufällige Schwankungen und kleine Tests zurückzuführen, die wir zur Validierung des Modells durchgeführt haben. Bei der Auswahl der Produkte, die wir in Betrieb genommen haben, wurde eine Verbesserung von ca. 25 % festgestellt.
Das Endresultat
Das maschinell lernende Preissystem hat die Flexibilität von fonQ bei der Preisgestaltung erheblich verbessert und ermöglicht wöchentliche Anpassungen, die sich eng an den Marktbedingungen orientieren. Dieser Fortschritt hat die monatlichen absoluten Margen von fonQ bei den einbezogenen Produkten um schätzungsweise 25 % erhöht und hat es dem Pricing-Team ermöglicht, fundierte, datengestützte Entscheidungen zu treffen. Die Preisempfehlungen waren in der Regel niedriger als zuvor, so dass die Kunden jetzt von wettbewerbsfähigeren Preisen profitieren und ihr Einkaufserlebnis verbessern. Diese erfolgreiche Implementierung ist ein Beispiel für die Synergie zwischen fonQ und Xebia und setzt einen neuen Standard für innovative Preisstrategien im Einzelhandel.
Contact