Show simple item record

Entwicklung eines Evolutionären Algorithmus zur Preisoptimierung für kleine und mittlere Handelsunternehmen

dc.contributor.advisorToporowski, Waldemar Prof. Dr.
dc.contributor.authorLüders, Sören Oliver
dc.date.accessioned2018-12-12T11:12:13Z
dc.date.available2018-12-12T11:12:13Z
dc.date.issued2018-12-12
dc.identifier.urihttp://hdl.handle.net/11858/00-1735-0000-002E-E533-7
dc.identifier.urihttp://dx.doi.org/10.53846/goediss-7148
dc.language.isodeude
dc.relation.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.ddc650de
dc.titleEntwicklung eines Evolutionären Algorithmus zur Preisoptimierung für kleine und mittlere Handelsunternehmende
dc.typedoctoralThesisde
dc.title.translatedDevelopment of an evolutionary algorithm for price optimization for small and medium sized enterprisesde
dc.contributor.refereeZielke, Stephan Prof. Dr.
dc.date.examination2018-04-20
dc.description.abstractgerDie vorliegende Arbeit beschäftigt sich mit der Preisoptimierung von Handelsunternehmen und den damit verbundenen Herausforderungen für kleine und mittlere Unternehmen. Vor allem im deutschen Handel stellt der Preis eines der zentralen Marketing-Instrumente dar (Fassnacht, Köttschau & Wriedt, 2012, S. 565; Ahlert & Kenning, 2007, S. 233), welches sehr einseitig von den Handelsunternehmen genutzt wurde. Verstärkte Preiswettbewerbe führten zu rückläufigen Margen im Handel (Simon, von der Gathen & Daus, 2006, S. 271; Levy, Grewal, Kopalle & Hess, 2004, S. 15). Ein erhöhter Preisdruck erfordert es von den Unternehmen, die Preisspielräume gezielter und systematischer auszunutzen (Simon, 1992, S. 4). Dies beinhaltet neben der Option, Preise zu senken, auch die Option, Preise zu erhöhen. In Studien von Fox, Postrel & Semple (2009) sowie Neslin & Shoemaker (1983) konnte gezeigt werden, dass die Preiselastizität im Handel und insbesondere im Einzelhandel, als unelastisch angenommen werden kann und die Preise häufig zu niedrig angesetzt werden. Zur Unterstützung der Preisentscheidungen in Handelsunternehmen wurden deshalb verschiedene Category Pricing Modelle entwickelt. Die meisten dieser Modelle basieren auf der Sammlung historischer Daten, meist von Scannerkassen, die ausgewertet und anhand derer Interdependenzen berechnet werden. Mit diesen Modellen soll eine möglichst optimale Preiskombination für Artikel ermittelt werden, mit der das Unternehmen beispielsweise die Marge über alle Artikel hinweg maximiert. Nicht alle Unternehmen verfügen allerdings über eine ausreichende Datenmenge zur Bestimmung der Interdependenzen und viele Unternehmen können aufgrund von mangelnden Ressourcen die Daten nicht analysieren. Betroffen sind vor allem kleine und mittlere Unternehmen (Roll & Achterberg, 2013, S. 17). Ihre Entscheidungen zur Preisfestlegung basieren auf den Erfahrungen, die das Management gesammelt hat (Roll & Achterberg, 2013, S. 18). In Studien konnte gezeigt werden, dass eine Kombination von datengetriebenen Modellen und Erfahrungen insgesamt bessere Resultate liefert, als die alleinige Nutzung von nur datengetriebenen Modellen oder nur auf Erfahrungen basierenden Entscheidungen (Blattberg & Hoch, 1990, S. 888 f.; Libby, 1976, S. 12). Allerdings existieren keine geeigneten Preisoptimierungsansätze, die die Erfahrungen der Unternehmen integrieren und somit die besondere Situation des Mittelstands berücksichtigen. Die hier angesprochenen Probleme umgeht der Algorithmus in dieser Arbeit, indem auf die Sammlung von großen Datenmengen verzichtet wird und subjektive Schätzungen der Preisentscheider zur Bestimmung der verschiedenen Funktionsparameter genutzt werden. Es wird gezeigt, dass für die Preisoptimierung nicht zwangsläufig größere Datenmengen als Grundlage genutzt werden müssen und dass die Erfahrung der Preisentscheider eine sehr gute Alternative sein kann.de
dc.description.abstractengThe present thesis deals with the price optimization of retail companies and the associated challenges for small and medium-sized enterprises. Above all in the German trade market the price represents one of the central marketing instruments (Fassnacht, Köttschau & Wriedt, 2012, p. 565, Ahlert & Kenning, 2007, p. 233), which was used very unilaterally by the retail companies. Increased price competitions led to declining trade margins (Simon, Gathen & Daus, 2006, p.271, Levy, Grewal, Kopalle & Hess, 2004, p.15). Increased price pressure requires companies to make more targeted and systematic use of price scope (Simon, 1992, p. 4). In addition to the option to lower prices, this also includes the option to increase prices. Studies by Fox, Postrel & Semple (2009) and Neslin & Shoemaker (1983) have shown that price elasticity in retail, can be considered inelastic and that prices are often set too low. Therefore, different category pricing models have been developed to support price decisions in retail companies. Most of these models are based on the collection of historical data, mostly from scanner cash registers, which are evaluated and used to calculate interdependencies. The aim of these models is to determine the best possible price combination for items, with which the company maximizes the margin across all items. However, not all companies have enough data to determine interdependencies and many companies can not analyze the data due to a lack of resources. Especially small and medium-sized enterprises are affected (Roll & Achterberg, 2013, p. 17). Their pricing decisions are based on the experience gained by management (Roll & Achterberg, 2013, p. 18). Studies have shown that a combination of data-driven models and experiences provides better overall results than using only data-driven models or only experience-based decisions (Blattberg & Hoch, 1990, pp. 888 f., Libby, 1976). P. 12). However, there are no suitable price optimization approaches that integrate the experience of companies and thus take into account the special situation of SMEs. The problems addressed here are circumvented by the algorithm in this work by omitting the collection of large amounts of data and using subjective estimates of the price decision makers to determine the various functional parameters. It is shown that price optimization does not necessarily require the use of larger amounts of data as a basis, and that the experience of the price deciders can be a very good alternative.de
dc.contributor.coRefereeBizer, Kilian Prof. Dr.
dc.subject.gerEvolutionärer Algorithmusde
dc.subject.gerAlgorithmusde
dc.subject.gerAlgorithmende
dc.subject.gerGenetischer Algorithmusde
dc.subject.gerPreisoptimierungde
dc.subject.gerPreisde
dc.subject.gerPreismanagementde
dc.subject.gerHandelsmarketingde
dc.subject.gerHandelsmanagementde
dc.subject.gerHandelde
dc.subject.gerKMUde
dc.subject.gerkleine und mittlere Unternehmende
dc.subject.gerOptimierungde
dc.subject.engevolutionary algorithmde
dc.subject.engalgorithmde
dc.subject.engalgorithmsde
dc.subject.enggenetic algorithmde
dc.subject.engprice optimizationde
dc.subject.engpricingde
dc.subject.engpricede
dc.subject.engprice managementde
dc.subject.engretailde
dc.subject.engretail managementde
dc.subject.engretail marketingde
dc.subject.engsmede
dc.subject.engsmall and medium sized enterprisesde
dc.subject.engoptimizationde
dc.identifier.urnurn:nbn:de:gbv:7-11858/00-1735-0000-002E-E533-7-2
dc.affiliation.instituteWirtschaftswissenschaftliche Fakultätde
dc.subject.gokfullWirtschaftswissenschaften (PPN621567140)de
dc.identifier.ppn1042463638


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record