Dynamic Pricing im Mittelstand mit KI.

Dynamic Pricing klingt nach Airlines, Hotels und Online-Marktplätzen — nach Märkten mit anonymen Massen-Kunden und sekündlich schwankenden Preisen. Im deutschen Mittelstand hat das Thema lange einen schlechten Ruf gehabt: Wer Vertragskunden, langfristige Beziehungen und Listenpreise kennt, schreckt zu Recht vor dem Bild zurück, dass plötzlich jeder Kunde einen anderen Preis bekommt. Tatsächlich liegt zwischen B2C-Dynamik und starren Listenpreisen ein breites Spektrum — und genau dort, wo Marktbedingungen schwanken, wo Saisonalität wirkt, wo Wettbewerber preislich aktiv sind, kann KI-gestützte Preissteuerung Margen verbessern, ohne Kundenbeziehungen zu beschädigen. Dieser Artikel skizziert, wie das im Mittelstand realistisch aussieht und welche Fallen es zu vermeiden gilt.

Warum Dynamic Pricing im Mittelstand oft falsch verstanden wird.

Die Diskussion über dynamische Preise im Mittelstand leidet unter dem B2C-Reflex: Der Begriff weckt Bilder von Hotelpreisen, die zwischen Buchung und Bezahlung steigen, oder von Online-Plätzen, die Preise im Stundentakt ändern. Beides ist im Mittelstand weder umsetzbar noch wünschenswert.

Realistisch geht es nicht um sekündliche Preisanpassungen, sondern um eine systematische, regelgeführte Anpassung von Preisen unter Berücksichtigung von Marktsignalen, Beständen, Saisonen, Wettbewerb und Kundengruppen. Das passiert in vielen Mittelständlern bereits — nur manuell, intransparent und mit großer Streuung in der Qualität.

KI verändert hier nicht die Grundlogik, sondern die Geschwindigkeit, Konsistenz und Datenbasis der Entscheidungen. Sie kann Muster erkennen, die manuell unsichtbar bleiben, und Preisempfehlungen ausgeben, die Vertrieb und Geschäftsführung als Entscheidungsgrundlage nutzen. Die Entscheidung selbst bleibt menschlich.

Welche Datenbasis Dynamic Pricing braucht.

Ein Modell zur Preisempfehlung lebt von Eingangsdaten. Im Mittelstand sind das typischerweise: Verkaufshistorie pro Artikel und Kundengruppe, Lagerbestände und Bestellsignale, Wettbewerbspreise (wo erfasst), Beschaffungskosten und Materialpreise, Saisonalitätsmuster aus mehreren Jahren, Vertragslagen mit großen Kunden.

Diese Daten liegen selten an einer Stelle. Die Konsolidierung ist meist der aufwendigste Teil eines Pricing-Projekts. Wer hier verkürzt — etwa nur die letzten zwölf Monate nimmt oder Wettbewerberdaten weglässt — bekommt Modelle mit eingeschränkter Aussagekraft.

Drei besonders wichtige Datenpunkte werden oft übersehen:

• Preiselastizität pro Produktgruppe: Wie reagiert die Nachfrage auf Preisänderungen? Im B2B oft niedrig, aber stark kundengruppenabhängig.
• Bestandskostendynamik: Wann wird ein Lagerhalter teurer als ein moderater Preisnachlass?
• Wettbewerbsbeobachtung: Welche Konkurrenten setzen relevante Preisreferenzen?

B2B-Kontext: Vertragspreise und Bestandskundenbindung.

Im B2B mit Vertragskunden funktioniert Dynamic Pricing anders als im Plattform-B2C. Hier dürfen Bestandsverträge nicht angetastet werden — die Vertragslaufzeit ist heilig, der Kundenstamm soll bleiben. Was sich anpassen lässt, sind: Listenpreise für Neukunden, Konditionen bei Vertragsverlängerung, Preise für nicht vertraglich gebundene Artikel, Sonderkonditionen außerhalb der Standardstaffel.

Damit verändert sich das Wirkungsfeld erheblich. Dynamic Pricing im B2B-Mittelstand ist eher Kontextpricing: Bei Neukunden werden Preise auf Basis von Bonität, Marktbedingungen und strategischer Relevanz ausgesteuert. Bei Vertragsverlängerungen kommen Modellempfehlungen ins Spiel, die Wahrscheinlichkeit für Akzeptanz, Wechselgefahr und Margenwirkung einbeziehen.

Das ist deutlich differenzierter als „Preis hoch wenn ausverkauft“ — und es erfordert klare Pricing-Regeln, was angetastet werden darf und was nicht. Wer hier nicht aufpasst, riskiert, dass langjährige Kunden plötzlich höhere Preise sehen als Neukunden — der Ruf-Schaden ist erheblich.

Saisonale Schwankungen und Beständesteuerung.

Ein realistisches Einsatzfeld für KI-Pricing ist die Saisonsteuerung. Bei Sortimenten mit saisonalen Spitzen (Sport, Garten, Mode, Geschenke) entscheidet die Preisstrategie über Margen und Restbestände. Klassisch wird per Bauchgefühl und Erfahrung gesteuert — Anfang der Saison zum vollen Preis, gegen Saisonende Rabatte.

Ein KI-Modell kann hier präzisieren: Auf welchem Artikel sind Restbestände wahrscheinlich, wie schnell sollte hier reduziert werden, welcher Rabatt führt zur gewünschten Abverkaufsgeschwindigkeit ohne unnötige Margenpreisgabe. Solche Modelle reduzieren die typische „Preis-Schwankt-Wild“-Erfahrung am Saisonende und führen zu einer geglätteten, planbareren Marge.

Auch außerhalb klassischer Saisonen wirken solche Modelle: Bei Lagerprodukten mit unregelmäßiger Nachfrage, bei Auslaufmodellen mit Restbeständen, bei Beschaffungskostenänderungen, die noch nicht im Listenpreis angekommen sind. Das ist weniger spektakulär als Echtzeit-Pricing, aber im Mittelstand oft der größere Hebel.

Wettbewerbsbeobachtung und Marktreferenzen.

In Märkten mit transparenten Preisen — bestimmte E-Commerce-Sortimente, Standardteile, Verbrauchsmaterialien — entscheidet die Wettbewerbsposition stark mit. Wer hier nicht weiß, wo seine Konkurrenten preislich stehen, ist im Blindflug.

KI-gestützte Wettbewerbsbeobachtung tut zwei Dinge: Sie sammelt Preisdaten von relevanten Konkurrenten (über Shop-Crawler, Marktplatzbeobachtung, Datendienstleister) und sie schlägt eine eigene Preisposition vor — nicht zwingend das Unterbieten, sondern eine Position, die zur Markenstrategie passt.

Wichtig ist die Auswahl der Wettbewerber: Mittelständler vergleichen sich häufig mit Discountern und werden so unter Druck gesetzt, ohne dass dies zur eigenen Kundenbasis passen würde. Eine gute Wettbewerbsbeobachtung definiert die relevanten Vergleichsanbieter pro Kundengruppe und Produkt — und ignoriert Anbieter, die für die eigene Zielkundschaft irrelevant sind.

Akzeptanz beim Kunden und im Vertrieb.

Die größte Hürde für Dynamic Pricing im Mittelstand ist nicht die Technik, sondern die Akzeptanz — bei Kunden und im eigenen Vertrieb. Wenn Kunden den Eindruck bekommen, willkürlich behandelt zu werden, bröckelt Vertrauen.

Drei Prinzipien helfen:

1. Transparenz innerhalb von Kundengruppen: Gleichbehandlung innerhalb einer Gruppe (etwa Stammkunden im Vertragsmodell A) ist unverhandelbar. Differenzierung passiert zwischen Gruppen, nicht innerhalb.
2. Nachvollziehbarkeit der Logik: Wenn ein Vertriebsmitarbeiter eine Preisempfehlung sieht, muss er die Begründung verstehen können — sonst kann er sie nicht gegenüber dem Kunden vertreten.
3. Veto-Recht des Vertriebs: Algorithmische Empfehlungen sind Empfehlungen. Wenn ein Account-Manager mit Kundenkenntnis abweicht, muss das systemisch möglich sein — und das System lernt aus diesen Entscheidungen.

In der Praxis ist die größte Reibung intern: Vertriebsmitarbeiter, die ihre eigene Pricing-Hoheit verlieren, sind nicht automatisch begeisterte Botschafter. Wer ohne Einbindung des Vertriebs ein Pricing-Projekt startet, hat hohe Wahrscheinlichkeit für Stillstand.

Wo Dynamic Pricing nicht hingehört.

Nicht jeder Markt verträgt dynamische Preise. Drei Bereiche sind erkennbar problematisch.

Erstens: Märkte mit hoher öffentlicher Sichtbarkeit der Preise und sensibler Kundschaft. Krankenhausbedarf, Pflegeprodukte, Schulbedarf — hier sind Preisschwankungen, die als Profitmaximierung wahrgenommen werden, reputativ riskant.

Zweitens: Stark regulierte Märkte. Bei einigen Produkten gibt es Preisbindungen, Höchstpreisregelungen oder Preisanzeigepflichten, die wenig Spielraum lassen. Wer hier Modelle einführt, riskiert Compliance-Probleme.

Drittens: Märkte mit sehr kleiner Kundenzahl pro Region. Wenn ein Mittelständler in seiner Region nur fünf bis zehn wichtige Kunden hat, ist algorithmische Preissteuerung selten besser als das persönliche Gespräch. Hier ist Beziehungspflege wichtiger als Modellempfehlung — und der Aufwand für ein Modell rentiert sich kaum.

Wie ein Pricing-Projekt sinnvoll aufgesetzt wird.

Ein realistischer Einstieg startet mit einer Sortimentsanalyse: Welche Produktgruppen haben heute überdurchschnittliche Margenschwankung? Welche zeigen Preiselastizität (also Reaktion auf Preisänderungen)? Welche sind heute stark intuitiv gepreist? Diese Gruppen sind die ersten Kandidaten für ein Pilotprojekt.

Phase eins (zwei bis drei Monate): Datenkonsolidierung, Aufbau eines einfachen Modells für eine Produktgruppe, Plausibilitätsprüfung der Empfehlungen mit erfahrenen Vertriebsmitarbeitern. Phase zwei (drei bis sechs Monate): Schattenbetrieb — das Modell läuft mit, der Vertrieb sieht Empfehlungen, entscheidet aber wie bisher. Vergleich der Modell- mit den realen Entscheidungen liefert Erkenntnisse.

Phase drei (ab sechs Monaten): Schrittweise Übernahme der Empfehlungen in bestimmten Bereichen — Neukunden, Restbestände, Aktionsartikel —, während andere Bereiche manuell bleiben. Erst wenn diese Stufen erfolgreich durchlaufen sind, lohnt sich die Diskussion über eine umfassendere Pricing-Architektur. Wer das ehrliche Tempo akzeptiert, vermeidet die typischen Vollkatastrophen großer Einführungsprojekte.

Sie überlegen, in welchen Bereichen Dynamic Pricing für Ihr Unternehmen sinnvoll wäre? Unverbindlich anfragen — wir analysieren gemeinsam Sortiment, Margenpotenzial und akzeptable Differenzierungslogik.