Datenbasiertes Pricing für E-Books – wie Sie Ihre Umsätze jetzt steigern können
Während der herkömmliche Buchmarkt mit stagnierenden oder sinkenden Umsätzen kämpft, ist der E-Book Markt ein boomender Wachstumsmarkt: In den vergangenen Jahren stiegen E-Book-Umsätze in Deutschland jährlich um mehr als 10%.
Unsere Marktbeobachtungen zeigen allerdings, dass das tatsächliche Umsatzpotenzial noch signifikant über diesen Wert hinaus geht. Die Zahlungsbereitschaft im Markt liegt bei vielen Käufergruppen teilweise deutlich über den heutigen Preisen. Das macht datenbasiertes Pricing zu einem Kernhebel für Anbieter.
Traditionelles Pricing begrenzt die Umsatzpotenziale
Heute gibt es zum Beispiel immer mehr „Multiformat-Nutzer“, die sowohl Printmedien als auch E-Books und Audiobooks konsumieren und somit ein optimales Ziel zur Absatzsteigerung darstellen. Erfahrungswerte zeigen immer wieder, dass diese oft jüngere, digitale Leserschaft eine höhere Zahlungsbereitschaft für E-Books und Audiobooks aufweist als für Printmedien. Paradoxerweise sind die Preisniveaus von E-Books in den vergangenen Jahren aber sogar gesunken.
Das Kernproblem sehen wir in der Tatsache, dass sich Pricing-Mechanismen im E-Book Markt noch zu stark am klassischen, gedruckten Medium orientieren. Im Printmarkt wird erfahrungsgemäß kaum datengetrieben bepreist, sondern eher basierend auf traditionell gelernten Mustern (z.B. höhere Bepreisung bekannter Autoren im Vergleich zu Newcomern).
Dabei bietet die Datenfülle des E-Book-Geschäfts eine perfekte Option, das unausgeschöpfte Umsatzpotenzial über datenbasiertes Pricing zu nutzen. Denn Sie können mit Preispunkten über einen gewissen Zeitraum experimentieren und Muster lernen, anstatt nur einen Preis über die gesamte Lebensdauer eines E-Books anzubieten.
Einflussfaktoren für die Bestimmung von Preispunkten im E-Book-Markt
Was sind für Sie als Verlag konkret die nächsten Schritte zu einem datenbasierten Preismodell?
- Tracking, Crawling und Datensammlung: Es ist grundlegend, dass Sie über ausreichende interne und externe Datenpunkte verfügen. Interne Quellen sind vor allem ihre Verkaufshistorie über eigene Systeme oder auch Thalia Insights. Externe Quellen können per Website-Crawling von großen Plattformen wie Amazon abgegriffen werden. Die verschiedenen Datenströme können Sie in einem Data Warehouse zusammenführen.
- Mustererkennung: Mit den vorliegenden Daten trainieren Sie nun ein Machine-Learning-Modell. Die KI erkennt auf Basis einer initialen Eingabe von Preistreibern und Einflussfaktoren wiederkehrende Muster, abgrenzbare Segmente und relevante Effekte, z.B. Verkaufshistorien oder Feiertage.
Exemplarische Darstellung des IT-Architekturansatzes
- Empfehlungen und weiteres Training: Das KI-Modell gibt nach dem initialen Training Empfehlungen für Preisvorschläge aus und entwickelt das Modell immer weiter. Die bestehende Datenanbindung ermöglicht dem Algorithmus, Preispunkte im Zeitverlauf zu hinterfragen und optional anzupassen, z.B. auf Basis von Kundenfeedbacks, Abverkaufshistorien oder Preisaktionen der Wettbewerber. Je länger das Machine-Learning-Modell aktiv ist, desto genauer wird es.
- Diskussion der Empfehlungen: Insbesondere in der ersten Phase sollte ein System wie dieses nicht als Vollautomat gesehen werden, sondern als Unterstützung Ihrer Programm- und Marketingrunden, um noch fundiertere Entscheidungen über Ihre Preisstrategie zu treffen.
Auf diese Art und Weise können Sie mit steigender Genauigkeit optimale Preise für Ihre Produkte setzen und sowohl von höheren Absätzen als auch von steigenden Umsätzen profitieren. So können Sie mittel- und langfristig den sinkenden Printumsätzen entgegenwirken und das volle Potenzial des wachsenden E-Book-Marktes ausschöpfen. Wir unterstützen Sie gerne bei diesem Prozess.
Sie möchten mehr zu dem Thema erfahren oder mit uns ins Gespräch kommen? Schreiben Sie uns gerne eine kurze E-Mail an h.langen@schickler.de
