Über den Einfluss der Preisgestaltung auf die Conversion-Raten: Eine Fallstudie

Die Kunden sind im heutigen E-Commerce-Umfeld preissensitiver denn je und durch Vergleichsplattformen sind alternative Angebote oftmals nur einen Klick entfernt. Vor diesem Hintergrund kann man daher davon ausgehen, dass bestimmte Faktoren wie Produktpreise, Rabatte und Wettbewerbsfähigkeit die Haupttreiber für Verkäufe sind.

In diesem Artikel möchten wir dir zeigen, wie unsere Machine-Learning-Modelle genau diese Signale dazu nutzen, um die Performance von Produkten vorherzusagen. Das soll unsere Annahme von oben validieren und nochmals die enorme Bedeutung von Preisentscheidungen verdeutlichen.

Wenn du nachlesen willst, wie Preisentscheidungen Online-Händler beeinflussen können und warum Preisoptimierung so wichtig ist, dann empfehlen wir dir unseren früheren Artikel.

Bidding-Automatisierung & wie man Vorhersagemodelle interpretiert

Als Teil unserer automatisierten Google-Shopping-Lösung Whoop! nutzen wir Machine Learning für die  tägliche Vorhersage der Conversion-Raten von Millionen von Produkten, auf verschiedenen Endgeräten. Die Interpretierbarkeit von Modellen im Bereich Machine Learning ist für uns daher wesentlich:

Trifft man Vorhersagen in so einem großen Maßstab, ist es wichtig zu verstehen, wie Entscheidungen getroffen werden. Dieses Verständnis kann das Vertrauen in die Vorhersagen steigern und es ermöglicht, potentielle Fehler aufzuzeigen und Hürden zu überwinden. 

Einblicke in Modelle, die zeigen, wie es zu den Vorhersagen kam, können oftmals wertvoller sein, als die Vorhersage selbst. Hier ein Beispiel: Während der Preisgestaltung sind Online-Händler besonders daran interessiert, den Zusammenhang zwischen Produktpreisen und Conversion-Raten zu verstehen. Diese simple Illustration weiter unten zeigt, dass in einem Abverkauf mit einem Anstieg an Conversions gerechnet werden kann. Sie kann aber keine Fragen wie “Wie wirkt sich ein Rabatt von 20% anstatt ein Rabatt von 10% auf meine Conversions aus?” oder “Ist für meine Kunden eine wettbewerbsorientierte Preispolitik für die Marke “XY” wichtig?” beantworten. Dafür muss man schon tiefgreifendere Techniken anwenden. 

An Black Friday hat bei der Preisgestaltung ein durchschnittlicher Rabatt von 17,5% die Anzahl der Conversions fast verdoppelt
An Black Friday hat ein durchschnittlicher Rabatt von 17,5% die Anzahl der Conversions fast verdoppelt

Für die folgenden Abschnitte des Artikels verwenden wir daher das Tool “SHAP” (SHapley Additive exPlanations), das auf der Spieltheorie aufbaut, um Einblicke in unsere Machine-Learning-Modelle zu erhalten.

Wie Vorhersagemodelle für Conversion-Raten funktionieren

Alle folgenden Einblicke basieren auf realen, anonymisierten und repräsentativen Daten von einem unserer Kunden.

Als erstes behandeln wir die Bedeutung der Features, die zeigt, wie wichtig die einzelnen Variablen für die Vorhersagen sind. Für unser Prognosemodell der Conversion-Rate sind vier Features bestimmend:

Die Brand Popularity, gefolgt von drei auf den Preis bezogenen Features:

  • Brand Competitiveness: Gibt die Konkurrenzfähigkeit eines Produktpreises in Relation zu Produkten der gleichen Brand an. 
  • Price: Der Preis für den das Produkt verkauft wird. 
  • Discount: Rabatt für ein zum Verkauf stehendes Produkt

Als nächsten Schritt werfen wir einen genaueren Blick auf die Verteilung der Auswirkungen der einzelnen Features. Dazu stellen wir die SHAP-Werte jedes Features farbcodiert nach Feature-Wert dar.  Das kann folgendermaßen interpretiert werden:

Die durchschnittliche Conversion Rate (für unser Modell 3,5%) bezeichnen wir von nun an als Basiswert – dargestellt als graue Linie bei 0.00. Jedes Feature verschiebt zu einem gewissen Grad den Output in eine bestimmte Richtung (dargestellt durch die horizontale Streuung), abhängig vom Feature-Wert (dargestellt durch die Farbe). Als Beispiel: Wenn Brand Popularity einen niedrigen Wert hat, wird die erwartete Conversion Rate herabgesetzt.

Preisgestaltung und andere Features beeinflussen die Conversion Rate

Die obere Grafik bestätigt nicht nur die Brand Popularity als einflussreichsten Faktor, sondern zeigt zudem, dass das Modell höhere Conversion-Raten für populäre Brands prognostiziert – und zwar um bis zu 4%! Im Gegensatz dazu sind die Conversion-Raten für unpopuläre Brands um bis zu 2,5% reduziert, während es sich für den Großteil der Brands mehr oder weniger neutral verhält.

Außerdem zeigt die Auswirkung der Brand Competitiveness, dass Produktpreise für Prognosen essentiell sind: Wettbewerbsfähige Produktpreise haben höher zu erwartende Conversion-Raten, während andere in diesem Modell schlechter abschneiden.

Die Auswirkung vom Preis-Feature bestätigt, was wir schon von der Preiselastizität wissen: Niedrig bepreiste Produkte erhöhen die Nachfrage (und daher auch die Conversion-Raten), während ein hoher Preis einen negativen Einfluss haben kann.

Zum Schluss können wir deutlich sehen, dass ein großer Rabatt die Conversion-Rate um bis zu 2% steigern kann – eine große Auswirkung, verglichen mit den durchschnittlich vorhergesagten 3,5%.

Wie Rabatte und die Wettbewerbsfähigkeit innerhalb der Brand sich gegenseitig beeinflussen

Um zu verstehen, wie einzelne Features zum Output des Modells beitragen, stellen wir die SHAP-Werte eines Features als eine Funktion der beobachteten Feature-Werte im Datensatz dar. Die daraus resultierende Grafik weiter unten zeigt die Veränderung der prognostizierten Conversion-Rate während sich der Rabatt ändert: Je höher der Rabatt, desto höher der positive Einfluss auf die Prognosen.

Die vertikale Streuung zeigt Interaktionseffekte mit anderen Features, in diesem Fall Competitiveness Brand: Bekommt ein Produkt einen hohen Rabatt und ist der daraus resultierende Verkaufspreis innerhalb der Brand besonders wettbewerbsfähig, ist die Auswirkung am größten.

Preisgestaltung beeinflusst Wettbewerbsfähigkeit anhand dieses SHAP Modells

Wie kompetitive Preisgestaltung die Conversion-Raten beeinflusst

Kompetitive Preise für populäre Brands können die Prognosen für die Conversion-Rate um bis zu 2% steigern – wie man beim Blick auf die nächste Grafik erkennen kann. Bei weniger wettbewerbsfähigen Brands ist der Unterschied geringer ausgeprägt. Bis man den Punkt erreicht, an dem Produktpreise kompetitiv werden, sehen wir sogar eine Verringerung der Prognose um bis zu 1%.

Eine umfassende Sicht auf die Prognosen

Die nächste Grafik zeigt in einer kompakten Übersicht, wie das Machine-Learning-Modell Prognosen erstellt. Die Vorhersagen selbst sind über der Heatmap dargestellt und bewegen sich entlang des Basiswerts (horizontale Linie). Die Samples sind anhand ihrer Ähnlichkeit ihrer Erklärung geordnet: die Instanzen, die ähnlichen Output erzeugen, werden gruppiert.

Wie man nun die Ergebnisse interpretieren kann:

Das Modell prognostiziert eine niedrige Conversion-Rate wenn ein Produkt

  1. zu einer eher unbeliebten Brand gehört, oder
  2. zu einer (fast) neutralen Brand gehört und ist nicht kompetitiv bepreist ist

Im Gegensatz dazu prognostiziert das Modell eine hohe Conversion-Rate, wenn

1. ein Produkt zu einer populären Brand gehört, oder
2. ein kompetitives Produkt zu einer neutralen Brand gehört und im Abverkauf ist

Wie Decision Plots bei der Erklärung von Modellprognosen helfen können

Der Decision Plot ist ein weiterer Ansatz um zu erklären, wie Modelle zu ihren Prognosen gelangen. 

Die X-Achse repräsentiert die Vorhersagen des Modells, zentriert am erwarteten (Basis) Wert, während auf der Y-Achse alle Features nach absteigender Bedeutung aufgetragen sind. So ein Plot muss von unten nach oben gelesen werden, wo jede Prognose durch eine Linie dargestellt wird. Dieser Plot stellt dar, wie sehr jedes Feature zur gesamten Prognose beiträgt und bestätigt, was wir bereits sehen konnten: Ein Rabatt kann die Conversion-Rate bestimmter Produkte steigern, während Preis und Wettbewerbsfähigkeit die Prognosen weiter aufsplitten, bevor die Brand Popularity den finalen Wert bestimmt:

Abschließende Schlussfolgerung

Die gewonnenen Erkenntnisse decken sich mit unseren intuitiven Erwartungen: Conversion-Raten sind üblicherweise höher für populäre Brands und Rabatte haben ebenfalls einen positiven Effekt auf die zu erwartende Performance. Das ist ein gutes Zeichen und bedeutet, dass man diesem Machine-Learning-Modell Vertrauen schenken kann. Die Fallstudie hat außerdem gezeigt, dass Preise eine essentielle Rolle bei der Prognose von Conversion-Raten spielen, da kompetitive Produkte zweifellos besser performen als andere.

Während die Reihung der Wichtigkeit der Features je nach Branche variiert, sind normalerweise immer die selben Charakteristika für die Prognosen entscheidend. Wenn auch du wissen willst, wie sehr sich die Preise der Konkurrenz auf die Performance-Metriken deiner Produkte auswirken, bleib dran, denn die nächsten Artikel sind schon in der Pipeline und bald auf unserem Blog abrufbar. Solltest du dich generell für diese Materie interessieren, dann behalte die Pricing Engine (derzeit in Beta) im Auge – diese nutzt eine Vielzahl an Preisstrategien, um für Online-Händler Wachstum zu schaffen und hebt somit das Preismanagement auf die nächste Stufe. 

Quellenangabe:

  1. Lundberg, Scott, and Su-In Lee. “A unified approach to interpreting model predictions.” arXiv preprint arXiv:1705.07874 (2017).
  2. Lundberg, Scott M., et al. “From local explanations to global understanding with explainable AI for trees.” Nature machine intelligence 2.1 (2020): 56-67.
  3. Lundberg, Scott M., et al. “Explainable machine-learning predictions for the prevention of hypoxaemia during surgery.” Nature biomedical engineering 2.10 (2018): 749-760.