PFH

OPSeRVER

Smartes E-Commerce Repricing

Mit OPSeRVER soll weltweit für Onlinehändler erstmalig auf Basis einer Big-/Smart-Data Analyse suchpfadorientiertes preskriptives Preismanagement ermöglicht werden. Der Ansatz ist dabei der, dass u.a. über die Generierung und Auswertung von Google Result Page Historien (Google Shopping, Ansatz II), als auch über Echtzeit Suchpfadsimulationen (AdWords und generische Ergebnisse, Ansatz IV) die für den Nutzer entscheidungsrelevanten Produkt- und Preisinformationen des Marktes nahe des oder im Zeitpunkt der tatsächlich gerade stattfindenden Informations- und Anbahnungsphase intelligent erhoben und hierauf basierend Preisstrategien, vor allem aber erstmalig für den Händler smarte operative (z. T. nahe Echtzeit-)Pricings entwickelt und deckungsbeitragsoptimierend eingesetzt werden.

Hierdurch ist es erstmalig bis auf Produktebene möglich singuläre Preistaktiken anzuwenden bzw. hinsichtlich absolut deckungsbeitragsoptimierend automatisiert changierend zu agieren. D.h., dass eben nicht nur Warengruppen mit fixierten Preistaktiken versehen werden, sondern auf Produktebene und in Abhängigkeit der Wettbewerbssituation in der Range von Discount zu Premiumpricing unter vollem Einbezug der Werbespendings optimiert wird.

OPSeRVER

First Really Smart E-Commerce Repricing

OPSeRVER is the first smart repricing tool which can simulate marketplace rankings e.g. in Google Shopping and(!) integrate CPC bids to optimize best rankings and ROAS with regard to price strategies in the range of discount to premium. I.e. that online traders whom uses OPSeRVER upshift their profit margin signifantly due to big data analysis of competitor products, prices and CPC bids.

PFH Private Hochschule Göttingen

Professur für Wirtschaftsinformatik,
insbesondere E-Entrepreneurship und E-Business

Initiator: Prof. Dr. Manfred P. Zilling
Weender Landstraße 3-7,
D-37073 Göttingen

Tel. +49 (0)551 547 000
Fax +49 (0)551 547 00190
zilling(AT)pfh.de
http://www.pfh.de


Was steckt hinter dem Ansatz von OPSeRVER und wieso funktioniert es als smartes Repricing?

Es gilt das Angebot des Onlinehändlers durch die Nutzung von OPSeRVER dergestalt zu optimieren, so dass es ihm gelingt innerhalb des sichtbaren und damit konvertierenden Bereichs (above-the-fold) im Vergleich zum Wettbewerb mit signifikant höherer Wahrscheinlichkeit zu einem Kauf zu animieren, nicht aber - da kein oder eben ein unintelligentes Repricing, welches nur auf den niedrigsten Preis abzielt, zur Nutzung kommt - eine Preisspirale nach unten auslöst oder gar verstärkt wird.

Die Optimierung fokussiert hierzu auf absolute Deckungsbeiträge bzw. die Return-on-Advertising-Spend, womit neuartig in derlei Tiefe und Zielgerichtetheit kombiniert Interdependenzen zwischen Kosten- und Erlösseite für den Händler ökonomisch zielführender Berücksichtigung finden. Dabei wird das Wissen über die vor rationalem Hintergrund der Anbieter nachvollziehbaren Korrelation von clickbasierten Kosten im umgekehrten Verhältnis zur Margensituation genutzt, so dass sich regelmäßig unterstellen lässt: Discountanbieter buchen aufgrund strategisch festgelegter Akzeptanz geringerer Margen AdWords und Shopping Kampagnen mit niedrigeren Klickgeboten und realisieren hierdurch tendenziell niedrigere Positionen, als Standard- oder Premiumanbieter (bzw. vice versa).

Hieraus ergeben sich unabhängig davon, welches Pricingszenario (im Spektrum Discount zu Premium) der Händler durch OPSeRVER unterstützen will, immer auch automatisiert generierbare und vor allem wertvolle Pricing-Nischen soweit die Kenntnis der wirksamen Relation der Kaufwahrscheinlichkeit zur Sichtbarkeitsplatzierung vollständig(er) aufgebaut und in eine kausale Wirkkette überführt ist. Daneben werden automatisierte Taktiken evaluiert, um umgekehrt eine höhere Intransparenz beim Preisvergleich durch Wettbewerber und kostenreduzierende Kampagnen-Gebote bei besserer Sichtbarkeit zu etablieren.

Die Herausforderungen sind dabei technischer wie intellektueller Natur, verkürzt formuliert: Es muss zum einen gelingen eine robuste Big-Data-Analyse auf veränderlichen Google Result Pages auszuführen, die ohne beim Crawlen geblockt zu werden massenhaft produktspezifische Datenpunkte liefert. Zum anderen müssen die vorhandenen z.T. vorläufig bestätigten Thesen bzgl. der Wirksamkeit eines preskriptiven Preismanagements weiter evaluiert sowie ferner in eine praktische Anwendbarkeit überführt werden.

Artikel-Beispiel eines G.-Shopping Podiums mit buy-box Call-to-Action (erste Aufmerksamkeit und relative Conversionswahrscheinlichkeit dito abgetragen).

Im Beispiel wäre Anbieter (2) ein jeweils produktspezifisches Premiumpricing über die Erhöhung des CPC-Gebots oder ein Discount-Pricing unter Absenkung des CPC-Gebots zu empfehlen. Beide Varianten unterstützt automatisiert OPSeRVER über den Innovationsansatz II.

Heatmap einer transaktionsorientierten Recherche mithilfe der generischen Google Suche inkl. Shopping Ergebnisse und Einstiegspunkte der OPSeRVER Pricing-Bots.

Dem (im oben bebilderten Beispiel über sechs Einstiegspunkte) analaysierenden Anbieter steht in quasi-Echtzeit mit zunehmender Ausdifferenzierung der Bedarfe auf der Site des Anbieters die Produkt- und Preisdaten der des Weiteren relevanten Anbieter (sechs im Bsp.) sukzessive gecrawlt zur Verfügung. Ein Automatismus des Innovationsansatzes IV von OPSeRVER.