Was ist Automatische Preiskalkulation mit KI? — Definition und Funktionsweise
Stellen Sie sich vor: Ihr Vertriebsteam sitzt vor Excel-Tabellen, kopiert Preise aus ERP-Auszügen, vergleicht manuell Konkurrenzangebote und kalkuliert individuell jeden Auftrag — häufig unter Zeitdruck und mit Unsicherheit über den optimalen Preis. Dieser Alltag kostet Leads, Margen und Nerven.
Automatische Preiskalkulation mit KI bezeichnet ein technisches System, das Preise für Produkte oder Dienstleistungen auf Basis strukturierter Daten, Regeln und maschineller Lernmodelle automatisch berechnet und vorschlägt. Ziel ist ein skalierbarer, nachvollziehbarer Prozess, der operative Arbeit reduziert und gleichzeitig wirtschaftlichere Entscheidungen ermöglicht.
Technische Kernelemente — in Kürze
- Datenbasis: Historische Verkaufsdaten, Kostenstrukturen, Bestände, Lead Times, Kampagnen, Wettbewerberpreise, Saisonalität.
- Feature-Engineering: Ableitung von Merkmalen wie Preiselastizität, Deckungsbeiträge, Absatzprognosen, Promotions-Effekte.
- Modelle: Zeitreihenmodelle (z. B. Prophet), Gradient-Boosting-Bäume (XGBoost/LightGBM) für strukturierte Vorhersagen, neuronale Netze für komplexe Muster; LLMs zur Generierung verständlicher Preisbegründungen.
- Orchestrierung: Workflows, die Datenverarbeitung, Modelltraining, Auslieferung und Monitoring automatisieren — z. B. n8n-Workflows.
- API-Schicht: Echtzeit-Vorhersagen über REST/GraphQL-Endpoints, Anbindung an ERP/Shop/CRM.
Technisch funktioniert das in zwei Ebenen: Offline-Training (Modelle werden regelmäßig mit aggregierten historischen Daten trainiert und bewertet) und Online-Scoring (neue Anfragen werden sofort mit dem aktuellen Modell bewertet und ein Preisvorschlag zurückgegeben). Regelbasierte Logik sorgt für Constraints (Mindestmargen, rechtliche Vorgaben) und Human-in-the-loop erlaubt Freigaben bei Ausnahmefällen.
Für wen lohnt sich Automatische Preiskalkulation mit KI? — Branchen und Anwendungsfälle
Die Lösung ist branchenübergreifend relevant, besonders wertstiftend ist sie für KMU mit folgenden Eigenschaften:
- Hohe Variantenvielfalt (Produktkonfigurationen, individuelle Angebote)
- Häufige Preisentscheidungen (tägliche Angebote, Online-Preise)
- Volatile Nachfrage oder starker Wettbewerbsdruck
- Fehlende oder aufwändige manuelle Preiskontrollen
Relevante Branchen und Anwendungsfälle:
- Handel / E‑Commerce: Dynamische Preisanpassung nach Nachfrage, Lagerbestand und Konkurrenzpreisen.
- Produktion / Maschinenbau: Angebotskalkulation auf Basis von Stücklisten, Fertigungszeiten und Lieferantenpreisen.
- Dienstleister (IT, Beratung, Bau): Projektangebote und Paketpreise unter Berücksichtigung von Auslastung und Deadlines.
So funktioniert die technische Umsetzung — Schritt für Schritt
-
Initiale Analyse und Datenaufnahme
Ziel: Identifikation relevanter Datenquellen (ERP-Export, CRM, E‑Commerce-DB, Excel, PIM, Logistik). Ergebnis ist ein Datenkatalog mit Qualitätseinschätzung. Typische Probleme: fehlende Historie, inkonsistente SKUs, unterschiedliche Währungen.
-
Prototyp (Pilot)
Aufsetzen eines MVP: Datenextraktion, Feature-Engineering, ein initiales Modell (z. B. LightGBM), API für Score-Requests und ein n8n-Workflow zur Orchestrierung. Ziel: Schnell messbare KPI-Verbesserungen (Zeit pro Angebot, durchschnittliche Marge).
-
Datenaufbereitung & Feature-Engineering
Schritte: Normalisierung, Kategorisierung, Zeitreihen-Features (Lag, Rolling Mean), externe Daten (Währung, Rohstoffpreise, Konkurrenzpreise via Scraping). Speicherung in einer relationalen Datenbank oder Data Lake; Option: Feature Store für Reproduzierbarkeit.
-
Modelltraining & Validierung
Modelle werden mit Cross‑Validation, Backtesting und Szenariotests validiert. Methoden: Zeitreihenmodelle für Absatzprognosen, Gradient-Boosting für Preisempfehlungen, evtl. Bayesianische Modelle für Unsicherheitsabschätzung. Modell-Metriken: MAE/RMSE für Forecasts, Business-Metriken wie Margenabweichung und Conversion-Impact.
-
Orchestrierung & Schnittstellen
n8n-Workflows übernehmen: regelmäßiges Data-Pulling aus ERP/DB, Trigger für Retraining, Aufruf von Training-Jobs (z. B. auf einem Docker-Container oder in einer CI/CD-Pipeline), Deployment der Modelle und Bereitstellung der Scoring-API. Die Scoring-API liefert neben dem Preis Vorschlagsgründe (Feature-Impacts) zur Nachvollziehbarkeit.
-
Regelwerk & Human-in-the-loop
Parallele Regel-Engine sorgt für rechtliche und geschäftliche Constraints: Mindestpreise, Kundenrabatte, Volumenrabatte. Ausnahmen werden via Dashboard an Sachbearbeiter zur Freigabe gereicht.
-
Monitoring & Continuous Improvement
Tracking von KPIs: angenommene Angebote, realisierte Gewinnmargen, Abweichungen gegenüber empfohlenen Preisen. Alerts bei Drift; automatisierte Retrainings, wenn Performance sinkt.
n8n-konkretes Beispiel eines Workflows
- Trigger: Zeitplan oder Webhook bei neuem Angebotsrequest.
- Node 1: HTTP Request — Daten aus ERP/CRM abrufen.
- Node 2: Function — Feature-Encoding und Validierung.
- Node 3: HTTP Request — Scoring-API des Modells (lokaler Python-Service oder Cloud) aufrufen.
- Node 4: Switch — Prüft Regeln (Mindestmarge). Bei Ausnahme: Notifikation an Vertriebsleiter; sonst Ergebnis zurück an Vertriebssystem.
- Node 5: Log — speichern von Input/Output für Monitoring.
Tools und Technologien im Überblick (Auswahl)
- Datenintegration: n8n, REST/GraphQL-APIs, SFTP, Datenbanken (PostgreSQL, MySQL), CSV-Import
- Storage & Feature Store: Relationale DB, Data Lake (S3), Feature Store (einfache Implementierung oder dediziert)
- Modellierung: Python (pandas, scikit-learn, XGBoost/LightGBM), Prophet/ARIMA für Zeitreihen, PyTorch/TensorFlow bei Bedarf
- Orchestrierung & Automatisierung: n8n für Integrationen und Trigger, ggf. Airflow für komplexe ML-Pipelines
- APIs & Auslieferung: FastAPI/Flask für Scoring-APIs, Auth via API-Keys/OAuth, Webhooks
- Erklärbarkeit & Assistenz: SHAP/feature-importance, LLMs (z. B. OpenAI-APIs) zur Generierung verständlicher Erläuterungen
- Monitoring & Logging: Prometheus, Grafana, ELK-Stack; per-Request-Logging in DB
Anmerkung zu OpenAI & LLMs: Große Sprachmodelle eignen sich gut zur Formulierung von Preisbegründungen, automatisierten Kundenkommunikationen und zur Normalisierung unstrukturierter Daten. Sie sollten nicht die alleinige Entscheidungsquelle für Preise sein, sondern erklärende Schicht über den numerischen Modellen.
Typische Effekte automatisierter Preiskalkulation
Automatisierungsprojekte in diesem Bereich zeigen typischerweise folgende Wirkungsfelder:
- Zeitersparnis: Durch automatische Erstkalkulation und Vorbefüllung von Angeboten reduziert sich der manuelle Aufwand in der Angebotsbearbeitung deutlich.
- Kostensenkung: Weniger Nachverhandlungen und niedrigere operative Kosten durch reduzierte manuelle Kalkulationsschritte.
- Qualitätssteigerung: Konsistentere Margen, weniger Preisfehler, bessere Dokumentation der Preisentscheidungen.
- Umsatz- und Margeneffekte: Datengetriebene Preisoptimierung und besser getargetete Promotions können Umsatz- und Margenverbesserungen unterstützen.
Wichtig: Erfolg ist messbar nur mit geeigneten KPIs (Angebotsdauer, Win-Rate, durchschnittliche Marge, Retouren/Preisanpassungen). A/B-Tests unterstützen valide Aussagen über den Business-Impact.
Goma-IT — Ihr Partner für Automatische Preiskalkulation mit KI
Goma-IT aus Bludenz, Vorarlberg, begleitet KMU in AT, CH und DE remote bei der Einführung datengetriebener Preisprozesse. Wir arbeiten pragmatisch, technisch fundiert und mit klaren Schritten:
- Initialworkshop & Datencheck (remote oder vor Ort in Bludenz)
- Prototyp in überschaubarem Zeitrahmen (n8n‑Orchestrierung, erstes Modell, Scoring-API)
- Produktivsetzung, Anbindung an ERP/Shop/CRM und Monitoring
- Schulung, Dokumentation und Betriebssupport
Unsere Herangehensweise: keine Blackbox‑Versprechen, sondern messbare KPIs, nachvollziehbare Modelle (SHAP/Regeln) und pragmatische Automatisierungs-Workflows mit n8n. Auf Wunsch führen wir einen kurzen Pre-Check durch und erarbeiten gemeinsam eine Einschätzung für Ihren konkreten Use-Case.
Häufige Fragen zu Automatische Preiskalkulation mit KI
1. Wie zuverlässig sind die automatischen Preisempfehlungen?
Die Zuverlässigkeit hängt von Datenqualität und Modellvalidierung ab. In gut vorbereiteten Szenarien liefern Modelle stabile Vorschläge; für kritische Angebote empfehlen wir Human‑in‑the‑loop mit Schwellen für automatische Freigabe.
2. Wie werden rechtliche Vorgaben und Rabatte berücksichtigt?
Regeln und Constraints sind Teil der Architektur: Eine Rule‑Engine filtert Vorgaben (Mindestpreis, Vertragsrabatte, branchenspezifische Regeln) vor oder nach dem Modellvorschlag, so dass gesetzliche und unternehmensspezifische Vorgaben eingehalten werden.
3. Braucht man Cloud-Services oder funktioniert das On‑Premise?
Beides ist möglich. Für sensible Daten bevorzugen manche Unternehmen On‑Premise-Modelle. Cloud-Hosting hingegen vereinfacht Skalierung und Wartung. Goma-IT berät je nach Sicherheitsanforderungen und Rahmenbedingungen.
4. Wie lange dauert ein Pilotprojekt?
Ein MVP ist in der Regel innerhalb eines überschaubaren Zeitrahmens umsetzbar, sofern der Datenzugang gesichert ist. Ein vollständiger Rollout hängt von Integrationen und regulatorischen Prüfungen ab.
5. Welche Rolle spielen LLMs in der Preiskalkulation?
LLMs unterstützen vor allem bei der Textverarbeitung (z. B. Parsing unstrukturierter Angebote), der Generierung von Preisbegründungen und als Assistenz für Vertriebsmitarbeitende. Entscheidungslogik und numerische Preisberechnung sollten auf robusten ML-/Statistikmodellen basieren.
Kontakt: Goma-IT, Bludenz (Vorarlberg) — Remote für AT / CH / DE. Wir arbeiten technisch, lösungsorientiert und pragmatisch am Schnittpunkt von n8n‑Integration, ML‑Modellen und API‑Automatisierung.