Preiselastizität der Nachfrage: Warum muss man sie vor Beginn einer Werbeaktion schätzen?

Wie wir in einem anderen Blog-Beitrag über die Optimierung der Verkaufsgeschwindigkeit ausführlich erläutert haben, funktionieren Rabatte nicht mehr, obwohl die Kunden ständig auf der Suche nach Angeboten sind. Fehler bei der Schätzung der Preiselastizität der Nachfrage sind einer der Hauptfaktoren, die dafür verantwortlich sind. Die Fehlberechnung der Preiselastizität der Nachfrage ist nicht die Ursache für ineffiziente Rabatte. Vielmehr hat sie tiefgreifende Auswirkungen auf überschätzte Absatzprognosen. Aber sehen wir uns an, wie genau diese Fehler entstehen.

‍

Preiselastizität der Nachfrage

Die Preiselastizität der Nachfrage (PED) ist ein Konzept, das erklärt, dass Preisänderungen bei verschiedenen Produkten zu unterschiedlichen Ergebnissen führen. Einige Produkte sind preisempfindlicher als andere, ein klassisches Beispiel für eine Kategorie mit geringer Preiselastizität sind Zigaretten. Wenn die Zigarettenpreise steigen, würde nur ein kleiner Teil der Raucher aufhören. Im Gegensatz dazu ist die Nachfrage perfekt elastisch, d. h. die Menge der verkauften Waren wird durch den Preis beeinflusst. Hier führt jede Preisänderung zu einer erheblichen Änderung der nachgefragten Menge. Dieses Szenario ist jedoch eher theoretisch und kommt auf realen Märkten nur selten vor.

Warum ist es schwierig, die Preiselastizität der Nachfrage (PED) zu schätzen?
‍

Die gängige Formel zur Berechnung der PED ist nicht besonders komplex:

‍
PED=β1×P/Q

‍wobei
Q = Nachgefragte Menge
P = der Anfangspreis (oder ein beliebiger Preis)
β1 = Koeffizient für den Preis, der die PED darstellt. Mit anderen Worten, es handelt sich um die Veränderung der nachgefragten Menge bei einer Preisänderung um eine Einheit.

Die wichtige "magische Zahl" in dieser Gleichung ist der Schätzkoeffizient (β1). Sie sagt Ihnen genau, wie sich Ihre Verkaufszahlen ändern werden, wenn Sie Ihren Preis um X ändern.

Die Herausforderungen beginnen in dem Stadium, in dem man versucht, eine Schätzung für β1 vorzunehmen. Die gebräuchlichste Methode zur Schätzung der Koeffizienten ist die OLS-Methode (Ordinary Least Squares Method), die allgemein für die Schätzung der unbekannten Parameter in linearen Regressionen verwendet wird. Sie können diese Aufgabe leicht an Excel auslagern, da dieses wertvolle Werkzeug es Ihnen ermöglicht, lineare Regressionen mit ein paar Klicks durchzuführen. Das Problem ist nicht die Formel. Das Problem sind die Daten!

Um eine relevante β1-Schätzung zu erhalten, müssen Sie eine ganze Reihe von Daten sammeln, normalisieren und dann analysieren.

Welche Daten müssen Sie für die Schätzung der Preiselastizität der Nachfrage sammeln?

Sie benötigen:
·  Historische Preise
·  Historische Verkäufe (je länger der Beobachtungszeitraum ist, desto relevantere Ergebnisse erhalten Sie)
·  Korrelierende Marketingmaßnahmen (z. B. sollten Sie die Verkäufe, die durch aktive Google Ads-Kampagnen zustande kamen, und die Verkäufe, bei denen Sie nichts unternommen haben, um zusätzlichen Traffic zu generieren, getrennt zählen)
·  Historische Preise von Mitbewerbern
·  Externe Faktoren wie Inflationsrate oder Wetterdaten (wenn Sie saisonale Waren verkaufen)

Was müssen Sie mit den Daten tun, um die Preiselastizität der Nachfrage zu schätzen?

Die Datenvorverarbeitung umfasst
·Bereinigung
· Normalisierung
· und die Umwandlung der Rohdaten in ein für die Analyse geeignetes Format.

Wenn Sie mit diesem Prozess nicht sehr vertraut sind, wird es Sie vielleicht überraschen, dass 90 % der Zeit von Datenanalysten auf diese Vorverarbeitungsphase verwendet wird. Und warum? Ganz einfach: Sie können keine Bilder und Diagramme von ONS, ein paar Links von Wettervorhersage-Websites und csv-Dateien mit Ihren historischen Umsätzen zusammenfügen. Sie sind einfach nicht kompatibel. Ihr Datenanalyst muss also all diese verschiedenen Datentypen in ein einziges Format bringen, bevor er sie analysieren kann.  

Wie werden die Daten analysiert?

Die Phase der Datenanalyse umfasst die Anwendung von Formeln oder die Verwendung von Excel zur Erstellung eines multiplen linearen Regressionsmodells. Wenn Sie einige Dutzend Datenzeilen haben, wird Excel einige Sekunden brauchen, um Ihnen Ihre Koeffizientenschätzung anzuzeigen. Wenn Sie Tausende von Zeilen haben (denn wohlgemerkt, alle oben genannten Daten sollten nur für ein Element gesammelt und normalisiert werden!) wird Excel höchstwahrscheinlich nicht damit fertig. Ihre Rettung kann Python oder eine Preisoptimierungssoftware (wie Aimondo) sein.

‍

Warum man nicht einfach einen Koeffizienten verwenden kann

Um zu unserer Hauptgleichung zurückzukehren

‍
PED=β1×P/Q

Jetzt sind alle Zutaten für die Schätzung der Preiselastizität vorhanden. Sicherlich können wir von hier aus weitermachen. Nicht so schnell! Es gibt immer noch mehrere Faktoren, die in Ihrer Excel-Tabelle völlig unberücksichtigt bleiben!

Laut dem Ehrenberg-Bass Institute for Marketing Science gibt es 6 weitere Faktoren, die sich auf die Preiselastizität der Nachfrage auswirken und die Sie besser in Ihre Berechnungen einbeziehen sollten.

Dabei geht es nicht nur um Produktmarken, sondern auch um die Marken der Verkäufer. Die Verbraucher neigen dazu, die Marktführer an die Spitze ihrer Überlegungen zu stellen, daher vergleichen sie andere Anbieter immer mit den Marktführern. Aus diesem Grund finden viele kleinere Marktteilnehmer die Einführung einer Preisanpassungspolitik sehr effizient: Sie basiert auf der Idee, dass man umso preiselastischer ist, je weiter unten man in der M

Je "älter" das Produkt ist, desto weniger preiselastisch ist es. Daher ziehen es erfahrene Category Manager vor, ihr Sortiment nach dem Parameter des Produktlebenszyklusstadiums auszurichten (wir haben einen Experten, der dieses Thema in unserem kostenlosen Pricing Excellence-Kurs ausführlich behandelt).

(Erinnern Sie sich, die Zigaretten?)

Premium market segments are less price elastic than mass-market, so the scope of change should be larger to incentivize shoppers to make a purchase.

Die Qualität der Nachrichtenverbreitung ist sehr wichtig. Die gefälschten Wilko-Kampagnen erreichten eine unglaubliche Anzahl von Impressionen, weil sie mit Facebook-Anzeigen alles gaben und dafür sorgten, dass so ziemlich jeder ihre Werbemittel sah.

Kunden, die bereits eine Affinität zu einer bestimmten Marke entwickelt haben, reagieren weniger empfindlich auf Preisänderungen, d. h. ihre Nachfrage ist weniger preiselastisch.

‍
Wie realistisch ist also die Erwartung, dass ein durchschnittlicher Marketingmanager all diese Faktoren berücksichtigt, um herauszufinden, wie sich eine einfache Rabattaktion auf die Verkaufsgeschwindigkeit eines bestimmten Produkts auswirken würde? Offensichtlich ist das sehr unrealistisch. Aber genau deshalb gibt es KI-gestützte Tools für prädiktive Analysen wie Aimondo.

‍