Smarter Pricing mit KI: Optimale Produkt-Bundles

Datengetriebenes Pricing beginnt mit dem Verständnis von Kaufverhalten.

In diesem Vortrag zeigen wir, wie man aus Transaktionsdaten mithilfe von Market Basket Analysis (Apriori) sinnvolle Produkt-Bundles identifiziert – und wie Machine-Learning-Modelle wie Random Forest oder XGBoost genutzt werden können, um Conversion und somit Umsatz und Gewinn potenzieller Bundle-Angebote zu prognostizieren und optimieren.

Die Live-Demo umfasst die Modellierung, Feature Engineering und Modellinterpretation im Jupyter-Notebook.

Vorkenntnisse

• Für den Vortrag sind grundlegende Kenntnisse in Datenanalyse, Machine Learning (z.B. Random Forest) und Python hilfreich.
  
• Kenntnisse in Wirtschaft (insbesondere Pricing) sowie Erfahrung mit Assoziationsregeln, Kundensegmentierung und Jupyter Notebook erleichtern das Verständnis der Konzepte und der Live-Demo.

Lernziele

Teilnehmende lernen,

• wie man häufig gekaufte Produktkombinationen mit Market Basket Analysis (Apriori) identifiziert und daraus Bundle-Kandidaten ableitet
  
• wie man mit ML-Modellen (Random Forest, XGBoost) auf Basis von Feature Engineering aus Einzelprodukt- und Transaktionsdaten Conversion für verschiedene Bundle-Strategien approximiert, um daraus erwarteten Gewinn und Umsatz zu prognostizieren und zu optimieren.
  
• wie man SHAP zur ML-Modellinterpretation nutzt, um relevante Preis- und Produktmerkmale für die Bundle-Optimierung zu verstehen.