Vergleicht man die Websites von 7Learnings und Competera, so lesen sich beide fast identisch. Beide beschreiben eine KI-gestützte Preisoptimierung und Nachfragemodellierung, und eine daraus erstellte Auswahlliste liefert einem Leiter der Preisgestaltung keinerlei nützliche Informationen.
Die tatsächlichen Unterschiede liegen in fünf Bereichen: der Entscheidungsarchitektur (ob ein Preis auf einer Prognose oder auf Regeln basiert), dem Umfang der Daten, die jedes Modell verarbeitet, der Häufigkeit des Neutrainings, dem Ausmaß, in dem die Optimierung über den Preis selbst hinausgeht, sowie der Datensicherheit.
7Learnings vs. Competera: Grundlegende Philosophie und Vorgehensweise
- Competera setzt kontextbezogene KI- und Machine-Learning-Modelle auf mehr als 20 preisbezogene und nicht preisbezogene Nachfragefaktoren. Das System prognostiziert die Auswirkungen einer Preisänderung, bevor es diese empfiehlt, wobei Geschäftsregeln berücksichtigt werden und das Preisgestaltungsteam in den Entscheidungsprozess eingebunden ist.
- 7Learnings nutzt die Nachfrageprognose als Berechnungsebene, optimiert diese im Hinblick auf ein von Ihnen festgelegtes wirtschaftliches Ziel und simuliert das Ergebnis, bevor ein Preis veröffentlicht wird. Auf der Prognose basieren Regeln und Sicherheitsvorkehrungen, doch der Preis ergibt sich aus dem Modell und nicht aus den Regeln.
Beide Plattformen legen den Schwerpunkt auf Prognosen und sind bewusst so konzipiert, dass der Mensch in den Entscheidungsprozess eingebunden ist. Competera ist vor allem auf eine breite Abdeckung verschiedener Kategorien ausgerichtet. 7Learnings konzentriert sich vor allem auf Sortimente, deren Preise sich nach der jeweiligen Nachfrage und nicht nach den Maßnahmen der Wettbewerber richten, sowie auf die Optimierung von Preisen, Marketingausgaben und Bestellmengen auf der Grundlage einer einzigen Prognose anstelle von drei.
Competera auf einen Blick
Competera ist eine Preisgestaltungslösung für Unternehmen, die auf zwei Produkten basiert, die sowohl einzeln als auch gemeinsam genutzt werden können: Wettbewerbsdaten sowie die Preisplattform. Die kontextbezogene KI dieser Plattform nutzt Deep Learning anstelle einer einzelnen Nachfragelastizitätskurve, berücksichtigt Kreuzelastizitäten und Produktrollen und wird in jedem Preiszyklus – täglich oder wöchentlich – neu trainiert. Das Unternehmen gibt an, über 50 Unternehmenskunden im Einzelhandel zu haben, und behauptet, bei der Vorhersage der Auswirkungen auf Umsatz und Marge eine Genauigkeit von über 95 % zu erreichen.
Das Lösungsportfolio umfasst Wettbewerbs-Preisinformationen, dynamische und Omnichannel-Preisgestaltung sowie sowie das Aktionsmanagementsowie die Optimierung von Preisnachlässen, mit Branchenseiten zu den Bereichen Lebensmittel, Gesundheit und Schönheit, Unterhaltungselektronik, Bekleidung und Schuhe, Sportartikel und vielem mehr. Das Unternehmen wurde im Gartner-Marktleitfaden 2024 für die einheitliche Preis-, Werbe- und Preisnachlassoptimierung im Einzelhandel als repräsentativer Anbieter genannt.
Am besten geeignet: Große, branchenübergreifende Einzelhandelsunternehmen, die eine umfassende Elastizitätsmodellierung über verschiedene Kategorien hinweg anstreben, insbesondere dort, wo die Wettbewerbspositionierung für die Preisstrategie von zentraler Bedeutung ist. Die Rezensenten weisen auf eine steilere Lernkurve während der Einrichtungsphase sowie auf möglicherweise längere Integrationszeiträume hin.
7 Erkenntnisse auf einen Blick
7Learnings ist eine „Prediction-First“-Plattform, bei der der Preis aus der Nachfrageprognose und nicht aus einer Regel-Engine abgeleitet wird. Die prädiktive KI prognostiziert Nachfrage, Rücklaufquoten und Preiselastizität auf SKU-Ebene, und der Optimierer wandelt diese Prognosen in Preise um, die auf ein geschäftliches Ziel abgestimmt sind. Regeln und Sicherheitsvorkehrungen dienen als Begrenzungen des Prognoseergebnisses und nicht als Grundlage für dessen Erstellung.
Was 7Learnings auszeichnet, ist die Zielsteuerung. Teams legen das Ziel fest – beispielsweise eine Mindestgewinnmarge, eine Frist für den Abverkauf oder eine Umsatzuntergrenze –, und der Optimierer ermittelt die Preise, mit denen dieses Ziel erreicht wird. Jede Empfehlung wird vor der Veröffentlichung simuliert, und nichts wird live geschaltet, ohne zuvor den Genehmigungsworkflow durchlaufen zu haben.
Der zweite Unterschied betrifft den Anwendungsbereich. 7Learnings vertreibt drei Produkte auf der Grundlage desselben Nachfragemodells: Preisoptimierung, Optimierung des Performance-Marketingssowie Auftragsoptimierung. Die Prognose, die einen Preis festlegt, ordnet die Produkte zudem Anzeigengruppen mit bestimmten ROAS- oder CPC-Zielen zu und gibt an, welche Mengen der einzelnen Produkte nachbestellt werden sollen.
Am besten geeignet: B2C- und Omnichannel-Einzelhändler mit sortimentsreichen oder bestandsbeschränkten Sortimenten, deren Preisgestaltung sich eher an der eigenen Nachfrage als an den Maßnahmen der Wettbewerber orientiert, einschließlich lückenhafter Größenauswahl, kombinierter Werbeaktionen, Marktplatzpreisgestaltung und Eigenmarken ohne Referenzpreis. Am stärksten vertreten in den Bereichen Mode, Wohnen & Leben, Apothekenartikel und Ersatzteile.
7Learnings vs. Competera: Vergleich der wichtigsten Funktionen
Funktion | Competera | 7Learnings |
|---|---|---|
Berechnungsmodul | Kontextbezogene KI unter Berücksichtigung von über 20 nachfrage- und nicht nachfragebezogenen Faktoren, ergänzt durch übergeordnete Geschäftsregeln | Prognosen zu Nachfrage, Rücklaufquote und Elastizität, die auf der Grundlage von 13 integrierten Datentabellen erstellt wurden; der Optimierer steuert auf ein festgelegtes geschäftliches Ziel zu, wobei Leitplanken optional sind |
Geschwindigkeit und Umfang | Unternehmensweite Präsenz über verschiedene Kanäle und Regionen hinweg; mehr als 50 Kunden aus dem Einzelhandel | Omnichannel-Lösung für Unternehmen mit vollem Sortimentsumfang, einschließlich Kunden mit über 1 Million Artikelnummern; Optimierung von 20.000 Artikelnummern in ca. 2 Minuten |
Dateneingaben | Interne Umsatz- und Bestandsdaten sowie Wettbewerbsdaten als Kern-Feed | Transaktionen mit vollständiger Kostenstruktur (Einfuhrkosten einschließlich Zölle und Abgaben, Auslieferungen, Rücksendungen, Provisionen, CLV), Preise, Produktmerkmale, Bestands- und Ausverkaufstermine, Werbeaktionen und Gutscheine, Besucherzahlen und Marketingausgaben, saisonale Schwankungen; Preise der Wettbewerber (optional) |
Elastizitätstiefe | Deep Learning, Kreuzelastizität und Produktrollen | Kannibalisierung auf Artikelebene, produktübergreifend, innerhalb einer Kategorie, Werbeaktionen und die Kumulierung von Gutscheinen |
Umfang der Optimierung | Preise, Sonderangebote und Preisnachlässe | Preis, Werbeaktionen und Preisnachlässe, Intensität der bezahlten Marketingmaßnahmen sowie Bestellmengen im Vergleich zu einer Nachfrageprognose |
Benutzersteuerung | „Human-in-the-Loop“-Ansatz mit konfigurierbaren Geschäftsregeln | Zielgesteuerte Steuerung sowie optionale Leitplanken; Genehmigungsablauf für jede Empfehlung |
Zeit bis zum ROI | Nicht öffentlich dokumentiert | Die ersten Optimierungen sind nach etwa sechs Wochen einsatzbereit; die vollständige Umsetzung ist für drei Monate vorgesehen |
Einzelheiten zu den einzelnen Zeilen entnehmen Sie bitte dem vollständigen Funktionsvergleich unten.
Die Kriterien, die KI-Preisplattformen voneinander unterscheiden
Jede dieser Änderungen wirkt sich auf unterschiedliche Weise auf den Endpreis aus, und in der Regel fließt nur eine davon in die Demo des Anbieters ein.
- Entscheidungsarchitektur: Ob ein Preis durch die Reaktion auf Wettbewerbssignale oder durch die Prognose der Nachfrage und die Optimierung auf ein Ziel hin zustande kommt. Dies entscheidet darüber, ob der Preis widerspiegelt, was die Wettbewerber getan haben, oder was Ihre Kunden voraussichtlich kaufen werden.
- Datenumfang: Was das Modell erkennen darf. Ein Modell, das ausschließlich mit Preis- und Wettbewerbsdaten gefüttert wird, kann keine Rückschlüsse auf Margen, Renditen oder Marketingkosten ziehen, was bedeutet, dass es einen Wert optimiert, der nicht Ihrem Gewinn entspricht.
- Häufigkeit der Nachschulungen: wie oft das Nachfragemodell anhand neuer Daten neu trainiert wird. Ein Modell, das täglich neu trainiert wird, bewertet den Artikel zum Mindestpreis, während ein Modell, das vor Wochen trainiert wurde, den Artikel zu dem vom Käufer geplanten Preis bewertet.
- Umfang der Optimierung: ob die Plattform einen Preis isoliert festlegt oder den Preis in Abstimmung mit den bezahlten Marketingausgaben und den Bestandsentscheidungen für dasselbe Produkt optimiert.
- Datensicherheit: Wo Ihre Transaktionsdaten gespeichert werden und wie diese von denen anderer Kunden getrennt werden. Dies entscheidet oft darüber, ob eine Plattform Beschaffungsvorgänge überhaupt abwickelt.
Entscheidungsarchitektur: Wie die einzelnen Plattformen zu einem Preis gelangen
Competera prognostiziert die Auswirkungen einer Preisänderung, bevor diese empfohlen wird, wobei Geschäftsregeln überlagert werden und ein Preisgestaltungsteam in den Prozess eingebunden ist. 7Learnings stellt die Nachfrageprognose in den Mittelpunkt und steuert auf ein kommerzielles Ziel hin, wobei Regeln wie die Anpassung an Wettbewerber eher als Begrenzungen des Ergebnisses dienen und nicht als die eigentliche Ursache dafür.
Bei den meisten Produkten ist dieser Unterschied nicht erkennbar. Es wird kostspielig, wenn eine Regel keine verlässliche Grundlage hat, auf die sie reagieren kann.
Der reaktive Weg: Dem Wettbewerber nacheifern, auf die Gewinnspanne verzichten
Nehmen wir einen Wintermantel einer Eigenmarke, der für 120 Dollar verkauft wird und dessen Stückkosten bei 60 Dollar liegen, sodass bei jedem Verkauf eine Marge von 60 Dollar erzielt wird. Es gibt kein identisches Konkurrenzprodukt, doch ein Preisanpassungsprogramm, das so eingestellt ist, dass es sich am niedrigsten Preis der Konkurrenz orientiert, findet einen vergleichbaren Mantel, der anderswo für 99 Dollar angeboten wird, und passt den Preis entsprechend an, wodurch die Marge pro Mantel auf 39 Dollar sinkt.
Passen Sie Ihren Preis an den des Mitbewerbers an: 99 Dollar | Halten bei 120 Dollar | |
Marge pro Einheit | 39 Dollar | 60 Dollar |
Verkaufte Einheiten | 105 | 100 |
Gesamtmarge | 4.095 Dollar | 6.000 Dollar |
Quelle: Wann Sie Ihre Preisgestaltungssoftware ersetzen sollten, die Ihre Gewinnspanne schmälert, 7Learnings.
Da es für den Mantel keinen exakten Ersatz gibt und die Käufer dieses Produkts nicht auch bei diesem Wettbewerber nachgesehen haben, wirkt sich die Preisanpassung kaum auf das Absatzvolumen aus. Es werden fünf weitere Einheiten verkauft, und damit gehen rund 1.900 Dollar an Gewinn ein. Das Preisanpassungsprogramm hat genau das getan, was ihm vorgegeben wurde. Es hatte keine Möglichkeit zu erkennen, dass das Produkt unelastisch war.
Die Prognoseentwicklung: Preis bei geschätzter Nachfrage
Eine Optimierungsplattform geht von der Nachfrage aus. Sie schätzt ein, wie preisempfindlich der Mantel ist, stuft ihn als unelastisch ein und hält den Preis bei 120 Dollar fest, wobei der Preis des Mitbewerbers als einer von mehreren Faktoren in die Entscheidung einfließt und nicht als deren Grundlage dient.
Die gleiche Logik gilt umgekehrt für Produkte, die tatsächlich preiselastisch sind; in diesen Fällen spricht die Prognose für eine Preissenkung, zu der die Regel niemals gelangt wäre. Was sich ändert, ist nicht die Richtung der Preisentwicklung, sondern das, worauf der Preis reagiert.
Angesichts einer Vielzahl von Eigenmarken, Größen- und Farbvarianten sowie Nischenprodukten, für die es keine eindeutigen Vergleichsprodukte gibt, wiederholt sich diese Entscheidung pro Saison tausende Male. Bei diesem Umfang ist der Unterschied nicht mehr nur ein Rundungsfehler pro Artikelnummer, sondern bestimmt die Struktur des Margenberichts.
Was das Modell sehen darf
Ein Nachfragemodell ist durch seine Eingabedaten begrenzt. Wenn es ausschließlich Preise und die Preise der Wettbewerber als Eingabedaten verwendet, kann es zwar die Preisposition optimieren, nicht jedoch die Marge, da es keinen Einblick darin hat, welche Kosten Ihnen der Verkauf des Produkts tatsächlich verursacht.
7Learnings integriert 13 Datentabellen, von denen sechs obligatorisch sind und die übrigen optional und später hinzufügbar sind. Neben Transaktionen, Preisen, Produktattributen und Lagerbeständen umfasst dies Einkaufspreise als Netto-Ankunftskosten, in denen Fracht, Zölle, Tarife, Versicherungen und Bearbeitungsgebühren bereits enthalten sind; Kosten für den Versand, den Wareneingang und die Retourenabwicklung; Marktplatzprovisionen, die sich nach der Preisklasse richten; Gutschein- und Werbeaktionen; bezahlten und organischen Traffic mit der dahinterstehenden Marketingintensität; den Customer Lifetime Value; sowie Saison- und Ausverkaufstermine pro Produkt.
Dies ist vor allem auf der Kostenseite von Bedeutung. Das Performance-Marketing-Produkt optimiert den Gewinn nach Marketingkosten, indem es prognostizierte Rücksendungen, Logistikkosten, Zölle, Lagerengpässe, Provisionskosten und Konversionsraten auf Produktebene berücksichtigt. Eine Plattform, die die Bruttomarge eines Produkts mit einer Rücksendequote von 30 % und einer Marktplatzprovision optimiert, optimiert eine Kennzahl, die in der Gewinn- und Verlustrechnung nie zum Tragen kommt.
Über den Preis hinaus: Marketing und Bestellung auf Basis derselben Prognose
Beide Anbieter betrachten Werbeaktionen und Preisnachlässe als Preisentscheidungen und nicht als separate Arbeitsabläufe. Competera verwaltet Werbe- und Preisnachlasskampagnen neben der regulären Preisneufestsetzung auf einer einzigen Plattform, einschließlich Simulationen vor dem Start und Margensicherungsmaßnahmen. 7Learnings modelliert Gutscheine, Kampagnenzeiträume und kombinierte Rabatte innerhalb der Nachfrageprognose und kann eine Rangliste der Gruppen erstellen, deren Förderung am lohnenswertesten ist.
Der Unterschied besteht darin, dass auf der einen Seite das Anzeigengebot und auf der anderen Seite die Nachbestellmenge steht.
Bezahlte Werbung. 7Learnings prognostiziert die Auswirkungen von Kampagnenänderungen auf Gewinn und Umsatz auf Produktebene und ordnet Produkte Anzeigengruppen mit spezifischen ROAS- oder CPC-Zielen zu, wobei optimierte tROAS- oder CPC-Einstellungen per API an den Kanal zurückgesendet werden. Wenn eine Preissenkung die Konversionsrate steigert, senkt das System das Gebot, um den Gewinn nach Abzug der Marketingkosten zu sichern. Zu den veröffentlichten Ergebnissen zählen eine europäische Modemarke auf Amazon mit einer Gewinnsteigerung von 27 % und einem Umsatzanstieg von 34 % durch produktspezifische CPC-Steuerung sowie ein Modehändler auf Google Shopping mit einer Gewinnsteigerung von 52 % und einem Umsatzanstieg von 53 % durch differenzierte ROAS-Ziele. Über alle Kunden hinweg verzeichnet 7Learnings in der Regel eine Gewinnsteigerung von mehr als 10 % nach Abzug der Marketingkosten. Competera veröffentlicht kein vergleichbares Produkt für bezahlte Medien.
Bestellung. Dieselbe Nachfrageprognose bestimmt die Nachbestellmengen unter Berücksichtigung der Preiselastizität, geplanter Werbeaktionen, Vorlaufzeiten, Mindestbestellmengen und zukünftiger Einkaufskosten, sodass eine geplante Preisreduzierung die vorgeschlagene Nachbestellmenge erhöht, anstatt erst nach dem Einkauf festgestellt zu werden. Competera veröffentlicht keine Produkte im Bereich Bestellung oder Nachschub.
Dies ist das Argument der abteilungsübergreifenden Zusammenarbeit in der Praxis. Einzelhändler verlieren ihre Margen weniger aufgrund von Marktschwankungen als vielmehr aufgrund von Entscheidungen in den Bereichen Preisgestaltung, Marketing und Lagerhaltung, die nie darauf ausgelegt waren, aufeinander abgestimmt zu funktionieren.
Die Häufigkeit des Umtrainings und welche Kosten Ihnen dies während der Saison verursacht
Die Elastizität eines saisonalen Artikels bleibt nicht konstant. Ein Mantel verhält sich in der zweiten Woche der Saison anders als in der zehnten Woche, und ein Modell, das auf der Kurve des letzten Monats trainiert wurde, berechnet den Preis für den Artikel, den der Käufer ursprünglich geplant hatte, und nicht für den, der tatsächlich im Geschäft ausliegt.
7Learnings wird täglich anhand von Echtzeitdaten zu Transaktionen, Beständen und Attributen neu trainiert und führt die Optimierung des gesamten Sortiments in denselben Zeitabständen erneut durch. Competera wird bei jedem Preiszyklus – täglich oder wöchentlich – neu trainiert. Regelbasierte Preisberechnungsprogramme werden überhaupt nicht neu trainiert; sie aktualisieren lediglich die Wettbewerbsdaten, während die Logik unverändert bleibt.
Die meisten Anbieter veröffentlichen ihre Aktualisierungshäufigkeit nicht; stellen Sie daher jeder Plattform auf Ihrer Auswahlliste drei Fragen: Wie oft wird das Nachfragemodell neu trainiert, anhand welcher Daten und was unternimmt das System in der Zeit zwischen den Neu-Trainings?
Tiefe der Elastizitätsmodellierung für umfangreiche saisonale Sortimente
Drei Aspekte unterscheiden Preisgestaltungstechnologien, die für ein Modesortiment entwickelt wurden, von Software, die für einen Katalog konzipiert ist: Kannibalisierung innerhalb einer Kategorie, die Kombination von Sonderangeboten und Gutscheinen sowie neue Artikel ohne Verkaufshistorie. 7Learnings modelliert alle drei Aspekte, wobei die Kannibalisierung innerhalb der Kategorie berücksichtigt wird, und prognostiziert die Nachfrage nach brandneuen oder Long-Tail-SKUs anhand katalogweiter Konversionsmuster und nicht anhand der produktbezogenen Historie.
Die DK Company, ein Multi-Brand-Modekonzern, der in mehr als 35 Ländern tätig ist, steigerte gleichzeitig seinen Gewinn um 19 %, seinen Umsatz um 29 % und seine Verkaufszahlen um 28 % (Lesen Sie die Fallstudie zur DK Company). Tamaris senkte seinen Rabattsatz um 5 % und halbierte gleichzeitig den Zeitaufwand für Preisanpassungen (Lesen Sie die Fallstudie zu Tamaris). Beides sind Ergebnisse aus Europa, die eher als validierte Richtwerte zu verstehen sind als als Aussagen über einen bestimmten Markt.
Sortimentsübergreifendes Lernen: Preisgestaltung für eine neue Kollektion am ersten Tag
Eine neue Kollektion verfügt über keine Preisentwicklung, sodass ein Modell auf SKU-Basis keine Daten zum Lernen hat. Modelle, die lernen, Preiselastizität über verschiedene Produktmerkmale hinweg, anstatt den Preis eines neuen Artikels anhand des Nachfragemusters vergleichbarer Artikel derselben Kategorie, desselben Stoffes und derselben Markenklasse festzulegen.
Eigenmarkenprodukte und Long-Tail-Produkte ohne Referenzpreis eines Mitbewerbers
Bei Eigenmarken gibt es keine Preise von Wettbewerbern, an denen man sich orientieren könnte, wodurch die Grundlage für eine wettbewerbsorientierte Preisgestaltung wegfällt. Die nachfragebasierte Optimierung legt die Preise anhand der Reaktionen Ihrer eigenen Kunden fest; aus diesem Grund begünstigt ein hoher Anteil an Eigenmarken einen Algorithmus, der keine Daten von Wettbewerbern benötigt.
Sicherheit, Datenisolierung und Compliance
Beide Anbieter nutzen Google Cloud und sind nach ISO/IEC 27001:2022 zertifiziert, sodass sich die beiden allein anhand der Zertifizierung nicht voneinander unterscheiden lassen.
Der Unterschied liegt in der Detailtiefe der veröffentlichten Informationen. Competera beschreibt eine mehrschichtige Architektur mit TLS 1.2+ bei der Datenübertragung, AES-256 bei der Speicherung, isolierten Kubernetes-Namespaces pro Workload, SSO und MFA, regelmäßigen Penetrationstests sowie einer Plattformverfügbarkeit von 99,5 %. 7Learnings isoliert jeden Kunden in einem dedizierten Google Cloud-Projekt anstelle einer gemeinsam genutzten Umgebung, verfügt neben der Zertifizierung nach ISO 27001 auch über die SOC 2 Typ II-Zertifizierung und bietet vom Kunden verwaltete Verschlüsselungsschlüssel ( Angaben zu Sicherheit und Compliance).
Sollte Ihr Beschaffungsteam einen SOC-2-Typ-II-Bericht, eine dedizierte Isolierung auf Projektebene oder die Verwahrung Ihrer eigenen Schlüssel verlangen, unterscheiden sich die beiden Anbieter in diesen Punkten. Stellen Sie beiden Anbietern dieselben vier Fragen: Tenancy-Modell, Schlüsselverwahrung, welche Zertifizierungen aktuell sind und wann sie zuletzt geprüft wurden sowie wo die Transaktionsdaten verarbeitet werden.
Umfassender Funktionsvergleich
Kriterium | Fähigkeit | Competera | 7Learnings |
Entscheidungsarchitektur | Nachfrageprognose vor der Preisfestlegung | Unterstützt | Unterstützt |
Der Preis ergibt sich aus der Prognose und nicht aus einer Regel | Nicht öffentlich dokumentiert | Unterstützt | |
Ausrichtung der Steuerung auf ein wirtschaftliches Ziel | Erreicht (Umsatz- und Margenziele) | Unterstützt (Gewinn, Umsatz, Marge, Absatz) | |
Simulation der Empfehlungen vor der Inbetriebnahme | Unterstützt | Unterstützt | |
Genehmigungsablauf vor der Veröffentlichung | Unterstützt | Unterstützt | |
Datenumfang | Transaktionen, Preise, Merkmale, Lagerbestand | Unterstützt | Unterstützt |
Wettbewerbsrelevante Preisdaten als eigenständiges Produkt | Unterstützt | Optionale Eingabe | |
Gesamtkostenstruktur (Einfuhrkosten, Zölle und Abgaben, Auslandsversand, Rücksendungen, Provisionen) | Nicht öffentlich dokumentiert | Unterstützt | |
Marketingausgaben und -intensität als Modellparameter | Nicht öffentlich dokumentiert | Unterstützt | |
Umschulung | Tägliches Neu-Training des Modells | Unterstützt (täglicher oder wöchentlicher Zyklus) | Unterstützt |
Elastizität | Elastizität auf Artikelebene | Unterstützt | Unterstützt |
Querelastizität und Kannibalisierung | Unterstützt | Unterstützt (innerhalb der Kategorie) | |
Neue Artikel ohne Verkaufshistorie | Nicht öffentlich dokumentiert | Unterstützt | |
Prognose der Rücklaufquote nach Preisklasse | Nicht öffentlich dokumentiert | Unterstützt | |
Preisgestaltung ohne Wettbewerbsdaten | Begrenzt | Unterstützt | |
Umfang der Optimierung | Werbeaktionsplanung und -simulation | Unterstützt | Unterstützt |
Optimierung von Preisnachlässen und Ausverkäufen | Unterstützt | Unterstützt | |
Gewinnoptimierung bei der Saisonabschluss-Ausverkaufsaktion | Nicht öffentlich dokumentiert | Unterstützt | |
Intensität des bezahlten Marketings, gemeinsam mit dem Preis optimiert | Nicht verfügbar | Unterstützt | |
Optimierung von Bestellung und Nachschub | Nicht verfügbar | Unterstützt | |
Paketpreise | Nicht öffentlich dokumentiert | Unterstützt | |
Maßstab | Sortimente mit über 1 Million Artikelnummern | Nicht öffentlich dokumentiert | Unterstützt |
Omnichannel: eigener Shop, Marktplätze, Ladengeschäfte | Unterstützt | Unterstützt | |
Sicherheit | ISO/IEC 27001:2022 | Unterstützt | Unterstützt |
SOC 2 Typ II | Nicht öffentlich dokumentiert | Unterstützt | |
Kundenspezifisches Cloud-Projekt | Isolierung auf Namespace-Ebene | Unterstützt | |
Vom Kunden verwaltete Verschlüsselungsschlüssel | Nicht öffentlich dokumentiert | Unterstützt | |
Integration | API- und Entwicklerdokumentation | Unterstützt | Unterstützt |
Legende: Unterstützt, Eingeschränkt, Nicht verfügbar, Nicht öffentlich dokumentiert. „Nicht öffentlich dokumentiert“ bedeutet, dass keine öffentliche Quelle vorliegt, nicht jedoch, dass die Funktion nicht vorhanden ist.
Welche Plattform eignet sich für welchen Einzelhändler?
Competera unterstützt Einzelhändler bei der Preisgestaltung in zahlreichen Kategorien, Vertriebskanälen und Märkten, in denen die Wettbewerbspositionierung das zentrale Problem darstellt, insbesondere im Lebensmittelhandel und in SAP-integrierten Umgebungen. Wettbewerbsdaten dienen dem Modell als zentrale Eingabe, und die Plattform deckt neben der Basispreisgestaltung auch Sonderangebote und Preisnachlässe ab.
7Learnings eignet sich für Fälle, in denen Preise eher der prognostizierten Nachfrage als den Maßnahmen der Wettbewerber folgen sollten: sortimentsreiche und Long-Tail-Sortimente, Kategorien mit begrenzten Lagerbeständen sowie Eigenmarken ohne Referenzpreis. Das System ist besonders stark im Modebereich vertreten und wird zudem in den Bereichen Apotheken, Brillen und Sportartikel eingesetzt. Es ist nicht für den Lebensmitteleinzelhandel oder für die Preisgestaltung im Rahmen einer SAP-Implementierung konzipiert. Es eignet sich besonders gut dort, wo Preisgestaltung, bezahlte Marketingmaßnahmen und Bestellvorgänge so eng miteinander verzahnt sind, dass eine getrennte Optimierung dieser Bereiche nachweislich zu Margenverlusten führt.
Der praktische Unterschied im Alltag besteht darin, wer das Ziel festlegt. Sie wählen das geschäftliche Ziel – sei es Gewinn, Umsatz, Absatz oder Marge – und können es je nach Kategorie oder im Laufe der Saison anpassen. Die meisten Einzelhändler entscheiden sich für den Gewinn.
Die Implementierung erfordert eine Transaktionshistorie von mindestens zwei Jahren sowie einen standardmäßigen dreimonatigen Proof-of-Concept-Lauf im Vergleich zu einer Kontrollgruppe, wobei erste Optimierungen in der Regel nach etwa sechs Wochen live geschaltet werden. Jede Empfehlung durchläuft vor ihrer Veröffentlichung einen Genehmigungsworkflow. Einzelhändler, die 7Learnings einsetzen, steigern ihren Gewinn um durchschnittlich 15 %.
Häufig gestellte Fragen zu 7Learnings im Vergleich zu Competera
Worin besteht der wesentliche Unterschied zwischen 7Learnings und Competera?
Beide Unternehmen prognostizieren die Nachfrage, bevor sie einen Preis empfehlen, und beide halten ein Preisgestaltungsteam auf dem Laufenden. Competera kombiniert kontextbezogene KI, die mehr als 20 Nachfragefaktoren berücksichtigt, mit Wettbewerbsdaten als Kernfeed, der auf eine breite Abdeckung über alle Kanäle und Regionen hinweg ausgelegt ist.
7Learnings stellt die Nachfrageprognose in den Mittelpunkt, steuert auf ein von Ihnen festgelegtes Geschäftsziel hin und überträgt dieselbe Prognose auf bezahlte Marketinggebote und Bestellmengen. Das System ist besonders leistungsstark bei saisonalen, variantenreichen und Eigenmarkensortimenten, bei denen nur wenige Referenzpreise von Wettbewerbern vorliegen.
Welche Preisplattform eignet sich besser für Modehändler?
Beide sind im Bekleidungssektor tätig. Die Modebranche benötigt Größen- und Farbvarianten, Eigenmarkenartikel ohne Referenzpreise der Wettbewerber, kombinierte Werbeaktionen sowie eine Optimierung, die auf das von Ihnen festgelegte Ziel ausgerichtet ist, anstatt auf einen schnellen Abverkauf – und 7Learnings wurde speziell für diese Komplexität entwickelt. Competera bietet umfassendere Wettbewerbsinformationen über verschiedene Märkte und Kanäle hinweg.
Die entscheidende Frage ist, ob Ihre Marge stärker von saisonalen Schwankungen und der Komplexität der Produktvarianten oder von der Wettbewerbspositionierung auf den verschiedenen Märkten abhängt.
Benötigt 7Learnings Preisdaten von Wettbewerbern, um die Preise zu optimieren?
Nein. Die Prognose basiert auf Ihrem eigenen Transaktionsverlauf, Ihrer Kostenstruktur, Ihren Produktmerkmalen und Ihren Lagerbeständen. Aus diesem Grund funktioniert sie auch bei Eigenmarken und Long-Tail-Produkten, für die es keine Referenzpreise von Wettbewerbern gibt.
Wettbewerberdaten können als Eingabe hinzugefügt werden, und der Abgleich mit Wettbewerbern kann als Leitlinie festgelegt werden; beides ist jedoch nicht erforderlich, damit die Engine eine Empfehlung aussprechen kann.
Kann 7Learnings neben den Preisen auch die Marketingausgaben und den Lagerbestand optimieren?
Ja. Dieselbe Nachfrageprognose steuert das bezahlte Marketing auf Produktebene – gemessen an den Kosten pro Klick oder dem Ziel-ROAS – und übermittelt diese Einstellungen über eine API an den jeweiligen Kanal. Zudem bestimmt sie die Nachbestellmengen unter Berücksichtigung von Vorlaufzeiten, Mindestbestellmengen und zukünftigen Einkaufskosten. Competera bietet Lösungen zur Optimierung von Werbeaktionen und Preisnachlässen an, jedoch keine Produkte für bezahlte Medien oder die Auftragsabwicklung.
Wie oft müssen KI-Preismodelle neu trainiert werden?
„Täglich“ ist der Maßstab im schnelllebigen Einzelhandel, da neue Produkte und sich verändernde Nachfrage dazu führen, dass ein Modell schnell veraltet ist. 7Learnings passt seine Modelle täglich an. Competera passt seine Modelle bei jedem Preiszyklus an, sei es täglich oder wöchentlich.
Regelbasierte Preisgestaltungstools werden überhaupt nicht neu trainiert; sie aktualisieren lediglich die Daten der Wettbewerber, während die Logik unverändert bleibt. Erkundigen Sie sich, wie oft das Nachfragemodell aktualisiert wird – dies ist wichtiger als die Häufigkeit von Preisänderungen.
Wie lange dauert die Implementierung von 7Learnings?
7Learnings strebt eine vollständige Implementierung innerhalb von drei Monaten an, wobei die ersten Optimierungen nach etwa sechs Wochen in Betrieb genommen werden. Sie stellen Transaktionsdaten der letzten zwei oder mehr Jahre, Produktattribute und Bestandsdaten zur Verfügung, und das 7Learnings-Team kümmert sich um die Aufbereitung sowie die Anbindung über BigQuery, Snowflake, Microsoft Fabric, Shopify, Tradebyte oder die großen Cloud-Speicheranbieter.
Der Proof of Concept wird als kontrollierter Test im Vergleich zu Ihrem bestehenden Prozess durchgeführt, sodass der Gewinn eindeutig zugeordnet werden kann und nicht nur angenommen wird.
Ist 7Learnings nach SOC 2 Typ II und ISO 27001 zertifiziert?
Ja. 7Learnings verfügt über die Zertifizierungen SOC 2 Typ II und ISO/IEC 27001:2022. Jeder Kunde wird in einem eigenen Google Cloud-Projekt isoliert, und die Daten werden sowohl bei der Übertragung als auch im Ruhezustand verschlüsselt, wobei optional vom Kunden verwaltete Verschlüsselungsschlüssel verwendet werden können. Competera ist nach ISO/IEC 27001:2022 zertifiziert und veröffentlicht keinen SOC 2 Typ II-Bericht.
Weitere Vergleiche von Preisplattformen für KI-Lösungen
Nicht jedes Tool in dieser Kategorie ist eine Software zur Preisoptimierung. Omnia Retail dient der regelbasierten Preisneufestsetzung, Prisync der Überwachung der Preise von Wettbewerbern und Pricefx dem B2B-Preismanagement sowie der Angebotserstellung.
Falls Sie gerade noch dabei sind, Ihre Auswahlliste zusammenzustellen, lesen Sie wie Sie ein KI-Preisberechnungstool auswählen. Um zu erfahren, warum die „Prediction-First“-Methode und die regelbasierte Preisgestaltung zu unterschiedlichen Ergebnissen führen, lesen Sie bitte Regelbasierte vs. auf maschinellem Lernen basierende Preisgestaltung.
Die Preise der Wettbewerber liefern zwar nützliche Hintergrundinformationen, doch erst eine Prognose Ihrer eigenen Nachfrage zeigt, wie sich die einzelnen Preise auf den Gewinn auswirken, bevor diese in Kraft treten. Vereinbaren Sie eine 7Learnings-Demo und das Team wird diese Prognose anhand Ihrer Transaktions- und Bestandsdaten erstellen, oder sehen Sie sich an, wie saisonale Komplexitäten auf der Seite zur Preisgestaltung in der Modebranche.
