Kombination von Preiselastizitäten und Verkaufsprognosen zur Verkaufssteigerung

In unserem Blog haben wir viel über die Berechnung von Elastizitäten gesprochen. Aber wie nutzen wir sie in der Praxis? Eine effektive Möglichkeit, Elastizitäten zu nutzen, ist die Kombination mit Verkaufsprognosen. In diesem Blogbeitrag verwenden wir das Mittagessen meines statworx-Kollegen Daniel als Beispiel, um die Kraft der Kombination von Prognosen und Elastizitäten zu veranschaulichen. Wie Daniel bereits erwähnt hat, handelt es sich um eine kleine Kette, bei der man seinen Salat zusammenstellen kann. Mit diesem Beispiel hat Daniel das Konzept der Preiselastizität erklärt und simulierte Preise verwendet, um verschiedene Wege zur Berechnung zu zeigen.

Ebenso wurde der hypothetische optimale Preis basierend auf geschätzten Preiselastizitäten ermittelt. Wenn du mehr über die Details der Preiselastizitäten erfahren möchtest, solltest du den Beitrag lesen (siehe /blog/food-for-regression-using-sales-data-to-identify-price-elasticity/). Gehen wir also wieder zum Mittagessen. Aber diesmal geht es nicht um die Bestimmung eines allgemeinen optimalen Preises, sondern um die Berechnung eines Preises zur Erreichung spezifischer Verkaufsziele.

Jeder Verkaufsleiter interessiert sich dafür, wie man den Umsatz steigern kann und natürlich wie sich dieser in Zukunft entwickeln könnte. Dafür ist es notwendig zu wissen, wovon die Verkäufe abhängen und welchen Einfluss man hat, um den Umsatz zu steigern. Natürlich kann man sich auf Erfahrung und Bauchgefühl verlassen. Aber heutzutage gibt es Möglichkeiten, die Entscheidungsfindung für spezifische Maßnahmen erheblich zu unterstützen. Wie ist die Situation beim Mittagessen? Angenommen, du möchtest die Anzahl der Verkäufe so viel wie möglich steigern. Dafür wirst du sicherlich nicht einfach so viele Zutaten kaufen, wie in dein Lager passen, in der Erwartung, dass alles konsumiert wird. Daher muss man zunächst schätzen können, wie viel bald überhaupt verkauft wird. Verkaufsprognosen können für diesen Aspekt genutzt werden.

Aber allein das bringt nicht unbedingt einen signifikanten Mehrwert. Wenn wir davon ausgehen, dass Verkaufsziele festgelegt wurden, die natürlich nicht unrealistisch sein sollten, haben wir einen klaren Bezugspunkt, den wir nutzen können. Wenn wir einen Fall haben, in dem die geschätzten Verkäufe niedriger sind als geplant, können wir die Preiselastizitäten verwenden, um den Preis zu bestimmen, der erforderlich ist, um das Ziel zu erreichen. Wenn wir einen Fall haben, in dem die geschätzten Verkäufe niedriger sind als geplant, können wir die Preiselastizitäten verwenden, um den Preis zu bestimmen, der erforderlich ist, um das Ziel zu erreichen. Natürlich kann es auch einen Fall geben, in dem die geschätzten Verkäufe höher sind als geplant. Wenn du die Gewinnmarge erhöhen möchtest oder weil die Lagerbestände keine signifikant höheren Verkäufe zulassen, ist es möglich, entsprechende Preisanpassungen vorzunehmen.

Simulation von Daten

Um es einfach zu halten, verwenden wir ein einzelnes Produkt. Dafür nehmen wir Preise zwischen 4,90€ und 5,90€. Bei höheren Preisen gibt es auch weniger Verkäufe als bei niedrigen Preisen. Auf diese Weise ist es möglich, Preiselastizitäten zu schätzen. Die simulierten Verkäufe zu den jeweiligen Preisen sehen dann so aus:

Ebenso wurde ein Aufwärtstrend in die Daten eingebaut. Gleichzeitig ist die Anzahl der Verkäufe in den Sommermonaten höher als in den anderen Monaten. So können wir jetzt eine einfache Form der Verkaufsprognose umsetzen.

Berechnung von Preiselastizitäten und Prognose von Verkäufen

Die Preiselastizitäten werden mittels linearer Regression geschätzt, bei der wir von einer logarithmischen Beziehung ausgehen. Eine logarithmische Beziehung geht Hand in Hand mit der Annahme, dass die Nachfrage exponentiell wächst, wenn der Preis sinkt und auch, dass die Nachfrage nicht unter null sinken kann:

$log(Sales) = a+epsilon*log(Price)+d_{summer}$      

In dieser Gleichung ist $alpha$ der Intercept, $epsilon$ die Preiselastizität und $d_{summer}$ der Dummy für die Sommermonate. In der Praxis wird ein so einfaches Modell nicht zu validen Ergebnissen führen, aber es sollte zur Veranschaulichung genügen:

Die Konfidenzintervalle für den Preiseffekt sind relativ groß, während die Konfidenzintervalle für den Dummy klein sind. Dies ist jedoch hauptsächlich auf die Simulation der Daten zurückzuführen. Jetzt, da wir die Preiselastizität geschätzt haben, benötigen wir nur noch eine Schätzung der zukünftigen Verkäufe. Die zukünftigen Verkäufe wurden mit einer HoltWinters-Prognose vorhergesagt, die nur die Saisonalität berücksichtigte.

Preisanpassungen entsprechend der Verkaufsziele

Nun haben wir alle notwendigen Ergebnisse, um den letzten Schritt durchzuführen, bei dem wir die Preise berechnen, die erforderlich sind, um mögliche Unterschiede auszugleichen. Dafür nehmen wir als Ausgangspunkt die Cobb-Douglas-Funktion. Darüber hinaus wurde der Effekt von Preis und Elastizität auf die Menge visualisiert:

$Q(p)=A*p^epsilon$

Wenn wir das Verkaufsziel als $Q_ {0}$ definieren, können wir die Cobb-Douglas-Funktion wie folgt umwandeln:

$Q_{0}-Q(p) = Q_{0}-A*p^epsilon$

$Q_{0} - A*p^epsilon=0$

$A*p^epsilon = Q_{0}$

$p^epsilon = frac{Q_{0}}{A}$

$p^* = Big(frac{Q_{0}}{A}Big)^frac{1}{epsilon}$

Mit dieser Formel können wir jetzt unsere Ergebnisse nutzen, um den Preis für ein spezifisches Ziel zu berechnen. $Q_{0}$ stellt das Verkaufsziel dar, $A$ repräsentiert die prognostizierten Verkäufe und $epsilon$ ist natürlich die geschätzte Preiselastizität -0.939. Die Formel gibt uns einen Faktor, um den wir den Preis anpassen müssten, um das Verkaufsziel zu erreichen. Auch die Konfidenzintervalle der Preiselastizitäten können verwendet werden, um eine Spannweite von Preisanpassungen zu berechnen. In unserem einfachen Beispiel werden wir jetzt den prognostizierten nächsten Monat mit unterschiedlichen Zielen verwenden. Der Preis, der für die Berechnung verwendet wurde, wurde aus dem letzten Monat genommen, der 5,40€ betrug.

Die Ergebnisse zeigen eine große Spannweite für optimale Preisanpassungen, wobei die Spannweiten teilweise weit über 1 € liegen. Darüber hinaus ist die Spannweite der prognostizierten Verkäufe nicht einmal in diesen Ergebnissen berücksichtigt. Natürlich liegt dies an den hier verwendeten Daten und Modellen. Abgesehen davon zeigen die Ergebnisse auch das Potenzial einer solchen Implementierung im Entscheidungsprozess. Einerseits können die Preise natürlich angepasst werden, um spezifische Verkaufsziele zu erreichen. Andererseits können die Margen optimiert werden, wenn die Ziele wie prognostiziert erreicht werden.

Fazit

Nichtsdestotrotz zeigt das hier gegebene Beispiel, wie Preiselastizität und Verkaufsprognosen kombiniert werden können, um spezifische Preisanpassungen zu empfehlen. Besonders für Verkaufsleiter ist eine solche Methodik interessant und kann einen Mehrwert für den Entscheidungsprozess bieten. Besonders wenn die Modellierung und die damit verbundenen Preisanpassungen deutlich genauer sind. In der Praxis können Preisanpassungen für unterschiedliche Produkte auf diese Weise geschätzt werden. Darüber hinaus können Informationen von Wettbewerbern oder Annahmen über diese neben vielen anderen Parametern in die Modelle einfließen. Ebenso können saisonale Preiselastizitäten geschätzt werden, die möglicherweise zu sinnvolleren Preisanpassungen führen können.

‍