Ich beschäftige mich gerade intensiver damit, wie KI bei der dynamischen Preisgestaltung bzw. der Empfehlung von Preisspannen in bestimmten Nischen helfen kann. Konkret geht es mir darum: Wenn ich in einer Nische mehrere Produkte mit unterschiedlichen Preispunkten bewerbe, gibt es ja meistens eine Conversion-optimale Zone, die ich bisher durch klassische A/B-Tests identifiziert habe.
Die Frage ist: Kann KI hier proaktiv Muster erkennen, bevor ich überhaupt anfange zu testen? Also quasi auf Basis historischer Klick- und Conversiondaten aus dem Funnel voraussagen, welcher Preisbereich für eine neue Kampagne am ehesten funktioniert?
Ich habe das bisher mit Custom GPT-Ansätzen und ein bisschen Python-Scripting versucht, aber die Ergebnisse sind durchwachsen. Manchmal trifft das Modell Preistrends ganz gut, manchmal daneben. Ich frage mich, ob das an der Datenqualität liegt oder ob ich grundsätzlich den falschen Ansatz wähle.
Hat jemand von euch das systematisch aufgebaut – idealerweise mit klaren Eingangsvariablen und nachvollziehbarem Output? Mich interessieren konkrete Setups, keine theoretischen Überlegungen. Case Studies oder zumindest Erfahrungswerte aus echten Kampagnen wären super. Gerade jetzt im Sommer, wo viele Nischen saisonale Verschiebungen zeigen, würde mich das besonders interessieren.
Ich kenn das Problem gut – durchwachsene Ergebnisse kommen bei mir meistens nicht von der KI selbst, sondern vom Input. Hast du mal genau geschaut, wie sauber deine historischen Conversiondaten wirklich sind? Fehlende Attribution, gemischte Traffic-Quellen, saisonale Ausreißer die nicht gefiltert wurden – das macht Preismodelle ziemlich unzuverlässig.
Was bei mir besser funktioniert hat: Ich gebe dem Modell nicht einfach rohe Klick-/Conversion-Paare, sondern reichere die Daten vorher an. Also Traffic-Quelle, Device-Typ, Tageszeit, Seisonkennzeichen – sowas. Erst dann fängt das Modell an, sinnvolle Cluster zu bilden.
Custom GPT würd ich für sowas ehrlich gesagt nicht primär nehmen. Das ist eher Textverarbeitung. Für strukturierte Preismuster brauchst du was wie sklearn mit einem einfachen Regressionsmodell oder Random Forest – da kriegst du zumindest nachvollziehbare Feature-Importances raus und siehst, welche Variable überhaupt zieht.
Welche Nische ist das grob? Manchmal ist die Datenmenge schlicht zu gering für sinnvolle Vorhersagen.