Motivation
Im öffentlichen Diskurs ist das Thema der Digitalisierung allgegenwärtig und wird von allen Gesellschaftsbereichen – teils hoffnungsvoll, teils skeptisch – beurteilt. Die zunehmenden Möglichkeiten der Digitalisierung werden bereits in der Preisgestaltung von Online-Händlern genutzt und mithilfe von Automatisierung und Big Data hat sich das Konzept der dynamischen Preise etabliert. Ein großer Trend in den vergangenen Jahren stellte die Personalisierung dar. Während die Personalisierung von Produkten oder der Online-Werbung bereits gängige Praxis ist, ist die Frage zu stellen, ob auch eine Personalisierung der Preise mit den neuen Möglichkeiten bereits realisiert wird. Um diese Frage zu beantworten, wurde im Rahmen dieser Arbeit einen Web-Crawler entwickelt, der gezielt Preise von 50 der Top 100 Online-Shops in Deutschland auslas.
Nicht jede festgestellte Preisänderung im Internet, lässt direkt auf eine Personalisierung eines Produktpreises auf einen einzelnen Nutzer schließen. Aus diesem Grund ist es wichtig, die unterschiedlichen Formen einer Preisdifferenzierung klar voneinander abgrenzen zu können.
Personalisierte Preise
Unternehmen stehen heute vor der großen Herausforderung, einen Preis für das eigene Produkt zu setzen, welcher die Kosten deckt, wettbewerbsfähig bleibt und gleichzeitig das volle Potential der Zahlungsbereitschaft der Kunden abschöpft.[1] Die Preisdifferenzierung stellt eine bewährte Methode zur Abschöpfung ebendieser Potentiale dar. Hier wird das gleiche Produkt verschiedenen Kunden zu unterschiedlichen Preisen angeboten. [2] Das Ziel ist es, den individuellen Maximalpreis zu erreichen, welcher die höchste Zahlungsbereitschaft des Kunden beschreibt und somit eine Maximierung der Produzentenrente bewirkt. Der Ökonom Artur Cecil Pigou hat die Preisdifferenzierung in drei Grade eingeteilt: [3]
Preisdifferenzierung 1. Grades:
Die individuelle Zahlungsbereitschaft wird vollkommen abgeschöpft, sodass für jeden Kunden der Preis angeboten werden kann, der den Maximalpreis darstellt, zu welchem ein Kunde das Produkt oder Leistung noch bereit ist zu kaufen. [4] Dieser Grad kann allgemeinhin auch als personalisierte Preis bezeichnet werden.
Preisdifferenzierung 2. Grades:
Hierbei versioniert der Verkäufer das Produkt. Der Kunde wählt dann selbstständig aus den Versionen aus und ordnet sich so selbst anhand der individuellen Zahlungsbereitschaft ein. (z. B. Mengenrabatte) [5].
Preisdifferenzierung 3. Grades:
Der Verkäufer teilt die Kunden in Gruppen ein, ohne, dass der Kunde selbst die Entscheidung trifft. (Beispiel: Günstigere Preise für Studenten) Mögliche Kriterien sind dabei geografischer, demografischer oder soziografischer Natur.
Abgrenzung zu dynamischen Preisen
Die dynamische Preisdifferenzierung ist insbesondere im E-Commerce bereits sehr etabliert. Haws und Bearden definieren dynamische Preissetzung wie folgt:
„Dynamic pricing is defined [..] as a strategy in which prices vary over time, consumers, and/or circumstances.“ [6].
Von großer Bedeutung für die Definition der dynamischen Preisdifferenzierung hier ist der zeitliche Faktor. Der Preis ändert sich innerhalb einer Zeitperiode für alle Kunden bzw. Kundengruppen. Festzuhalten ist jedoch, dass die dynamische Preisdifferenzierung zu verschiedenen zeitlichen Punkten unterschiedliche Preise für die gleichen Kunden(-gruppen) anbietet, während personalisierte Preise unterschiedliche Preise für unterschiedliche Kunden anbietet (unabhängig von der zeitlichen Komponente).
Methodik
Zur Beantwortung der Forschungsfrage und Überprüfung der abgeleiteten Untersuchungshypothesen wurde eine Kombination zweier Erhebungsmethoden gewählt: eine Feldstudie sowie eine standardisierte Online-Befragung. Der Versuchsaufbau sah dann wie folgt aus:
- Erstellung eines Web-Crawlers, welcher in der Lage ist Preise in einer realen Browserumgebung inklusive der Nutzercookies auszulesen
- Auslesen der Produktpreise von jeweils 5 Produkten auf 50 Webseiten (20 Teilnehmer):
- In einer realen Browserumgebung (Cookies, Nutzerdaten, User Agent)
- Im Inkognito-Modus als nicht personalisierten Vergleichspreis
- Durchführung eines standardisierten Fragebogens zur Feststellung relevanter Nutzerdaten (Accounts, Umgang mit Cookies, Online-Kaufverhalten)
Aufbau des Scrapers
Der entwickelte Web-Crawler musste unterschiedliche Voraussetzungen erfüllen, um personalisierte Preise zu verlässlich feststellen zu können. Einerseits musste der Einsatz in einer realen Web-Umgebung garantiert werden. Andererseits waren auch Faktoren wie die Dauer für einen einzelnen Crawl-Vorgang oder die Möglichkeit der Verwendung für mehrere Shops relevant. Bei der Programmierung des Crawlers entschied sich die Gruppe deshalb für die Verwendung einer Kombination mehrerer Phyton-Bibliotheken. Konkret kamen die Bibliotheken „Beautiful Soup“, „pandas“ und „Playwright“ zum Einsatz.
Ergebnisse
Der Gruppe gelang es, insgesamt 6688 von 10.000 möglichen Datensätzen erfolgreich auszulesen. Hierbei konnten bei 16 Produkte (0,4 %) ein personalisierter Preis festgestellt werden. 15 von diesen Datensätzen wurden auf der Seite „booking.com“ generiert, einer auf „misterspex.de“. Ein beispielhafter Datensatz ist in der folgenden Abbildung dargestellt. Darin ist zu erkennen, wie für ein Inserat auf booking.com insgesamt 4 verschiedenen Preispaare für unterschiedliche Nutzer angezeigt wurden. Die Differenz zwischen dem höchsten Preis (940 €) und dem niedrigsten Preis (868 €) lag bei 72 €. In Bezug auf den höchsten gemessenen Preis würde dies einem Rabatt von 7,6 % entsprechen.
Der auf der Webseite „misterspex.de“ generierte Preisunterschied wurde bei dem Produkt „Dailies Aqua Comfort Kontaktlinsen“ ermittelt. Links in der Abbildung ist hierbei eindeutig zu erkennen, dass der Teilnehmer zum Zeitpunkt der Erhebung einen Account auf der Webseite besaß und auch in diesen eingeloggt war. Der Preisunterschied zum ausgelesenen Preis im Inkognito-Modus betrug hierbei 14,31 € (90 Linsen).
Neben der Suche nach personalisierten Preisen, beschäftigte sich die Autoren außerdem mit der Analyse dynamischer Preisdifferenzen, die nicht auf ein individuelles Nutzerverhalten zurückzuführen sind. Hierbei konnten bei insgesamt 60 von 221 erfolgreich ausgelesenen Produktseiten (27,1 %) ein Preisunterschied festgestellt werden. Die größten Preisdifferenzen sind in der folgenden Tabelle exemplarisch zusammengefasst.
Aber nicht nur in ihrer absoluten Größe unterschieden sich die verschiedenen Preise für Produkte stark. Auch relativ konnten einige große Preisunterschiede festgestellt werden. Der größte relative Preisunterscheid wurde dabei für das Produkt „G-Punkt-Dildo“ auf „eis.de“ am größten. Hier betrug der Wert für die Wachstumsrate im Erhebungszeitraum 1,31. (3,89 € zu 8,99 €).
Die größte Anzahl an verschiedenen Preisen für ein Produkt konnte für das Buch „Das Café am Rande der Welt“ auf der Seite „medimops.de“ gemessen werden. Hier änderte sich der Preis insgesamt 11-mal im Zeitraum der Erhebung. Im Durchschnitt wurden für jedes Produkt rund 1,5 verschiedene Preise ausgelesen. Bei der reinen Betrachtung von Produkten, bei denen dynamische Preisveränderungen aufgezeichnet wurden, liegt die Anzahl bei 2,87.
Erkenntnisse
Im Rahmen der Forschung wurden sowohl personalisierte Preise als auch Preise mit einer dynamischen Anpassung festgestellt. Der Anteil an dynamischen Preisen übertraf den Anteil der personalisierten Dabei deutlich (21,7 % dynamisch, 0,4 % personalisiert). Die Ursachen für die angezeigten personalisierten Preise, konnten die Autoren im Rahmen ihrer Forschung nicht eindeutig identifizieren. Ein potenzieller Grund für den Preisunterschied der Kontaktlinsen auf misterspex.de könnte sein, dass der Nutzer auf dieser Seite einen Account besitzt und im Moment des Crawlvorgangs auf dieser eingeloggt war. Ob es sich jedoch um eine Preisdifferenzierung 1. Grades (auf den einzelnen Nutzer personalisiertes Angebot) oder eine Preisdifferenzierung 3. Grad (auf eine Gruppe von Nutzern angepasstes Angebot) handelt, lässt sich mithilfe des vorliegenden Datensatzes nicht hinreichend klären. Ähnlich sieht es bei den gefunden Preisdifferenzen auf booking.com aus. Die Auswertung des Fragebogens konnte hierbei keine Korrelation zwischen dem Besitzt eines Benutzerprofils und dem Anzeigen eines personalisierten Preises feststellen.
Für die Einordnung der ausgelesenen dynamischen Preise wertete die Autoren die jeweiligen Datensätze aus und fasste diese in 3 Hauptgruppen zusammen.
- Werbeaktionen: Preis eines Produktes verhält sich bis zu einem festen Datum konstant im Verlauf, erfährt ein Reduzierung und verhält sich danach wieder konstant im Verlauf
- Preiserhöhung oder -senkung: Preis steigt oder sinkt in der Regel schrittweise in einzelnen Schritten mit oft mehr als 5 unterschiedlichen Preisen im Erhebungszeitraum
- Automatisierte Preise: Preis verhält sich inkonsistent im Wert und Verlauf. Möglicher Grund ist eine Anpassung an Konkurrenzpreise
Fazit
Für jede dieser Gruppen konnten im Rahmen der Erhebung mehrfache Beispiele erhoben werden. Die eingangs formulierte Frage kann abschließend damit beantwortet werden, dass personalisierte Preise im deutschen E-Commerce keine signifikante Verwendung finden. Lediglich im Bereich des Tourismus konnte die Hypothese bestätigt werden und baut damit auf der bestehenden Forschung auf. Als mögliche Erklärung für die Tatsache, dass Unternehmen im klassischen E-Commerce diese Art der Preisdifferenzierung nicht nutzen, können die Komplexität in der Durchführung sowie der internen Infrastruktur und einer strategischen Entscheidung sein.
[1] Vgl. Jacob, 2013, S. 18ff [2] Vgl. Olbrich et al., 2007, S.115 [3] Vgl. Pigou, 1932 [4] Vgl. Knieps, 2008, S. 206 [5] Vgl. Knieps, 2008, S. 207 [6] Haws & Bearden, 2006, S.305Literaturverzeichnis
Jacob Herbert Preispolitik [Buch]. – Wiesbaden : Springer Verlag, 2013.
Olbrich Rainer und Battenfeld Dirk Preisdifferenzierung und Preissysteme [Buchabschnitt] // Preispolitik – Ein einführendes Lehr- und Übungsbuch. – Berlin : Springer-Verlag Berlin Heidelberg, 2007.
Pigou Arthur Cecil The Economics of Welfare [Buch]. – London : Macmillan and Co., 1932.
Knieps Günther Preisdifferenzierung [Buchabschnitt] // Wettbewerbsökonomie: Regulierungstheorie, Industrieökonomie, Wettbewerbspolitik. – Berlin : Springer-Verlag Berlin Heidelberg, 2008.
Haws Kelly L. und Bearden William O. Dynamic Pricing and Consumer Fairness Perceptions [Artikel] // Journal of Consumer Research. – 2006. – S. 304-311.