Analytics & Optimization

Suche

Product Line Pricing


Pricing von Produktlinien im Dienstleistungssektor

Auf Grundlage verschiedener Ansätze zur Abbildung des Kaufverhaltens und damit auch der Präferenzstrukturen von Nachfragern werden im Rahmen vierer Projekte Optimierungsmodelle zur Bestimmung optimaler Preise entwickelt. In einem ersten Projekt liegt der Fokus auf der erlösoptimalen Bepreisung einer Produktlinie, aus welcher die Nachfrager maximal ein Produkt auswählen. Im Rahmen eines weiteren Projekts wird die eng verwandte Problemstellung untersucht, optimale Preise sowohl für einzelne Dienstleistungen als auch für das Servicebündel festzulegen. In einem dritten Projekt geht es wiederum um die optimale Bepreisung von Dienstleistungen, wobei die Möglichkeit besteht, die Preise während des Verkaufszeitraumes anzupassen. Das Kundenwahlverhalten wird dabei mit Hilfe von Präferenzlisten abgebildet. Das vierte Projekt beschäftigt sich mit der Bestimmung erlösmaximaler Hotelpreise im Kataloggeschäft. Ein erster Ansatz zur Abbildung des Kundenwahlverhaltens beruht dabei auf der Ermittlung von Konsumentenrenten, während für weiterführende Ansätze Discrete-Choice-Modelle als Basis verwendet werden.

Die resultierenden Optimierungsprobleme sind vor allem aus zwei Gründen komplex: Zum einen müssen die Dynamik und die Stochastik des Absatz­prozesses abgebildet werden, zum anderen sind die Optimierungs­probleme aufgrund der zu berücksichtigenden Wirkungszusammenhänge bei der Beschreibung des Kaufverhaltens in der Regel nichtlinear. Um dieser Komplexität Rechnung zu tragen, wird neben exakten Verfahren auch auf das Instrument der simulationsbasierten Optimierung zurückgegriffen. Bei individuellem rationalem Verhalten der Nachfrager besteht ein möglicher Ansatz in der Anwendung der Szenario-basierten Optimierung, deren Idee die Abbildung des stochastischen Problems mit Hilfe eines deterministischen Ersatzmodells ist. Wird das Verhalten der Nachfrager jedoch durch Netzwerkeffekte beeinflusst, ist es sinnvoll, agentenbasierte Simulation zu verwenden.

Literatur

  • Klein, R.; J. Mackert, M. Neugebauer und C. Steinhardt: On the Approximation of Opportunity Cost for Dynamic Pricing in Attended Home Delivery. 2/2016, Universität Augsburg.
  • Bühler, D; R. Klein und M. Neugebauer: Model-based delivery cost approximation in attended home services. 12/2015, Universität Augsburg.
  • Klein, R.; M. Neugebauer, D. Ratkovitch und C. Steinhardt: Differentiated time slot pricing under routing considerations in attended home delivery. 10/2015, Universität Augsburg.
  • Mayer, S. und C. Steinhardt: Optimal product line pricing in the presence of budget-constrained consumers. European Journal of Operational Research 248 (2016), S. 219–233.
  • Neugebauer, M.: A dynamic customer-centric pricing approach for the product line pricing problem. In: Huisman, D.; I. Louwerse und A.P.M. Wagelmans (Hrsg.): Operations Research Proceedings 2013 — Selected Papers of the International Conference on Operations Research (OR 2013), September 3–6, 2013, Rotterdam, Niederlande. Springer, Cham u.a., 2014, S. 325–331.
  • Baur, A.; R. Klein und C. Steinhardt: Model-based decision support for optimal brochure pricing — Applying advanced analytics in the tour operating industry. OR Spectrum 36 (2014), S. 557–584.
  • Mayer, S.; R. Klein und S. Seiermann: A simulation-based approach to price optimisation of the mixed bundling problem with capacity constraints. International Journal of Production Economics 145 (2013), S. 584–598.
  • Burkart, W.R.; R. Klein und S. Mayer: Product line pricing for services with capacity constraints and dynamic substitution. European Journal of Operational Research 219 (2012), S. 347–359.
  • Mayer, S. und J. Gönsch: Consumer choice modelling in product line pricing: Reservation prices and discrete choice theory. In: Klatte, D.; H.-J. Lüthi und K. Schmedders (Hrsg.): Operations Research Proceedings 2011 — Selected Papers of the International Conference on Operations Research (OR 2011), August 30–September 2, 2011, Zurich, Switzerland. Springer, Berlin u.a., 2012, S. 547–552.
  • Mayer, S.: Methoden und Anwendungen der simulationsbasierten Optimierung. WiSt - Wirtschaftswissenschaftliches Studium 40 (2011), S. 218–224.
  • Gönsch, J.; R. Klein und C. Steinhardt: Discrete Choice Modelling (Teil I) — Grundlagen. WiSt — Wirtschaftswissenschaftliches Studium 37 (2008), S. 356–362.
  • Gönsch, J.; R. Klein und C. Steinhardt: Discrete Choice Modelling (Teil II) — Anwendungsbezogene Aspekte. WiSt — Wirtschaftswissenschaftliches Studium 37 (2008), S. 412–418.
  • Domschke, W.; R. Klein und A. Petrick: Preisdifferenzierung im Revenue Management. In: Amelingmeyer, J. und P.E. Harland (Hrsg.): Technologiemanagement & Marketing — Herausforderungen eines integrierten Innovationsmanagements, Deutscher Universitäts-Verlag, Wiesbaden, 2005, S. 507–517.

Agentenbasierte Simulation und simulationsbasierte Optimierung zur Preisoptimierung im Mobilfunk

Auf vielen Märkten herrschen komplexe Wirkungszusammenhänge zwischen den Preisen der angebotenen Produkte und der davon abhängigen Nachfrage. Ein typisches Beispiel hierfür ist der Mobilfunk, da dort die Kaufentscheidungen der Kunden nicht nur von der angebotenen Leistung und dem dafür festgelegten Preis abhängen, sondern auch durch spezielle Rabattstrukturen beeinflusst werden. Verbreitet sind z.B. sogenannte Community-Tarife, bei denen ein Rabatt auf Telefonate mit Bekannten eingeräumt wird, sofern diese denselben Mobilfunkprovider nutzen.

Klassische aggregierte Preis-Absatz-Modelle erweisen sich bei solchen Tarifstrukturen nicht als probates Mittel für die Anbieter, um aktuelle Nachfragestrukturen zu analysieren oder zukünftige Nachfrage zu prognostizieren. Vielmehr müssen die individuell unterschiedlichen Entscheidungssituationen der Kunden und deren vernetzte Interaktion beachtet werden, um die daraus entstehenden emergenten Effekte berücksichtigen zu können. Die agentenbasierte Simulation stellt hierfür ein vergleichsweise neues Werkzeug dar, mit dem solche Wirkungszusammenhänge nachvollzogen werden können.

Die Forschung am Lehrstuhl beschäftigt sich in diesem Kontext mit der Fragestellung, wie ein solcher Markt in einem agentenbasierten Modell abgebildet werden kann (Modellierung von Akteuren und deren Entscheidungsverhalten), und wie Anbieter die darauf aufbauende Simulation zur Unterstützung ihrer taktischen Preisentscheidungen nutzen können. Von einem solchen Modell ausgehend werden spezielle Methoden der simulationsbasierten Optimierung entwickelt und angewendet, um nach bestimmten Kriterien wie z.B. einer beabsichtigten Umsatzmaximierung die Preisgestaltung des Produktportfolios für einen Anbieter zu optimieren. Die Implementierung dieses agentenbasierten Modells und der eingesetzten Optimierungsalgorithmen erfolgt in der Programmiersprache Java im Rahmen der Simulationsumgebung AnyLogic.

Literatur

  • Deckert, A. und R. Klein: Simulation-based optimization of an agent-based simulation. Netnomics 15 (2014), S. 33–56.
  • Deckert, A. und R. Klein: Agentenbasierte Simulation zur Analyse und Lösung betriebswirtschaftlicher Entscheidungsprobleme. Journal für Betriebswirtschaft (2010), S. 89–125.