Neue Forschung der ESMT Berlin zeigt, warum Start-ups oft die falschen Schlüsse aus Kundendaten ziehen

Die Studie wurde von Huseyin Gurkan (ESMT), N. Bora Keskin (Duke University) und Rodney P. Parker (Indiana University) verfasst. Der Beitrag „Dynamic Learning for Joint Pricing, Advertising, and Inventory Management“ wurde zur Veröffentlichung in der Fachzeitschrift Manufacturing & Service Operations Management angenommen. Die Forscher entwickelten ein dynamisches Modell, das simuliert, wie Unternehmen wiederholt Entscheidungen zu Preisen, Werbung und Lagerbeständen treffen und dabei schrittweise mehr über Kundennachfragen lernen. 
 
Die Einführung eines neuen Produkts bedeutet häufig, kritische Geschäftsentscheidungen mit nur sehr begrenzten Erkenntnissen über die Kundschaft treffen zu müssen. Unternehmen müssen gleichzeitig entscheiden, welchen Preis sie verlangen, wie viel sie in Werbung investieren und wie hoch ihre Lagerbestände sein sollen, während sie noch dabei sind zu verstehen, wie Kundinnen und Kunden auf das Produkt reagieren. 
 
Die Forscher zeigen, dass diese Entscheidungen deutlich stärker miteinander verknüpft sind, als viele Unternehmen annehmen. Werbung beeinflusst beispielsweise nicht nur kurzfristige Verkäufe, sondern prägt auch die langfristige Bekanntheit eines Produkts bei Kundinnen und Kunden. Unternehmen können jedoch nicht direkt beobachten, wie bekannt ein Produkt tatsächlich ist. Stattdessen sehen sie nur indirekte Signale, etwa ob Kundinnen und Kunden erscheinen oder einen Kauf tätigen. Dadurch entsteht ein erhebliches Lern-Dilemma. Werben Unternehmen zu wenig, beschäftigen sich zu wenige Kunden mit dem Produkt, als dass die Unternehmen aussagekräftige Erkenntnisse über die Nachfrage gewinnen könnten. Werben Unternehmen hingegen zu aggressiv, wird die Bekanntheit des Produkts so groß, dass sich kaum noch messen lässt, ob die Werbung selbst die Nachfrage weiterhin antreibt.

„Viele Unternehmen gehen davon aus, dass sie das Verhalten ihrer Kundinnen und Kunden einfach über die Zeit beobachten und ihre Entscheidungen schrittweise verbessern können“, sagt Huseyin Gurkan, Associate Professor of Management Science an der ESMT. „In der Realität führt passives Lernen Unternehmen jedoch häufig in die falsche Richtung. Um effizient zu lernen, benötigen Unternehmen gezielte Experimente bei Preis- und Werbeentscheidungen. Gut konzipierte Experimente reduzieren langfristige Verluste und helfen Unternehmen dabei, mit zunehmendem Wachstum deutlich bessere Entscheidungen zu treffen.“ 

„Lagerbestände werden häufig als rein operative Entscheidung betrachtet und vom Marketing getrennt gesehen“, ergänzt Rodney P. Parker, Professor of Operations and Decision Technologies an der Kelley School of Business der Indiana University. „Aber wenn eine Kundin oder ein Kunde kaufen möchte und das Produkt nicht verfügbar ist, geht nicht nur ein Verkauf verloren, sondern auch eine Lernmöglichkeit. Unser Modell zeigt, dass die richtige Bestandsplanung während der Experimentierphase genauso wichtig ist wie die Wahl des richtigen Preises oder des passenden Werbeniveaus. Unternehmen, die diese Abstimmung vernachlässigen, schneiden dauerhaft schlechter ab, selbst wenn ihre Marketingentscheidungen ansonsten sinnvoll sind.“ 
 
Die Studie zeigt, dass strukturierte Experimente, etwa das Testen unterschiedlicher Preisniveaus oder variierender Werbeausgaben über die Zeit, nicht nur eine Marketingmaßnahme sind, sondern ein wesentlicher Bestandteil effektiven Lernens über Kundschaft. Entscheidend ist dabei, dass diese Experimente aufeinander abgestimmt werden müssen, da Preis- und Werbeentscheidungen beeinflussen, was Unternehmen jeweils voneinander lernen können. Um bessere Entscheidungen zu treffen, müssen Unternehmen jedoch nicht unbegrenzt experimentieren. Eine vergleichsweise kurze, aber sorgfältig konzipierte Testphase kann ihnen helfen, das Verhalten ihrer Kundinnen und Kunden deutlich schneller zu verstehen und die langfristige Performance erheblich zu verbessern. Mit der Zeit werden die Nachteile, die aus begrenzten Kundeninformationen entstehen, deutlich geringer.

Die Ergebnisse sind insbesondere für Start-ups, E-Commerce-Unternehmen sowie Unternehmen in unsicheren oder sich schnell verändernden Märkten relevant, in denen das Kundenverhalten schwer vorherzusagen ist und nur begrenzte historische Daten zur Verfügung stehen.