Kursbeschreibung
Viele E-Commerce-Teams scheitern bei Pricing- und Recommender-Projekten nicht an fehlender KI, sondern an unklaren Zielen, schlechter Messung und fehlenden Leitplanken. Dieses Seminar gibt dir die Grundlagen, um Dynamic Pricing und Recommendation Engines kontrolliert einzuführen und langfristig zu betreiben. Du lernst zuerst, welche Ziele du für Pricing und Empfehlungen definieren solltest und wie du Zielkonflikte sichtbar machst, zum Beispiel Profit versus Conversion oder Personalisierung versus Sortimentsexploration. Wir sprechen über Risiken wie Preiskriege durch zu aggressive Reaktionen, Filterblasen, Kannibalisierung und über Anforderungen an Transparenz und Fairness. Danach gehst du in die Praxis der Daten: Welche Events im Shop müssen sauber erfasst werden, welche Produktattribute sind unverzichtbar, und wie beeinflussen Verfügbarkeit, Lieferzeiten und Retouren deine Modelle. Im Pricing-Teil erarbeitest du ein Set an Guardrails, das in realen Shops funktioniert: Mindestmargen, Preisrundungen, Grenzen für Preisänderungen, Regeln für Ausnahmen und ein Monitoring, das auch Beschwerden und Support-Tickets berücksichtigt. Im Recommender-Teil verstehst du die zweistufige Architektur aus Kandidaten und Ranking, die Stärken von Collaborative Filtering und Content-based sowie hybride Strategien, die Cold Start entschärfen. Zum Abschluss baust du ein belastbares Evaluations- und Experiment-Setup auf: Offline-Metriken wie NDCG, Online-KPIs wie AOV und Profit, A/B-Tests mit Holdouts und Guardrail-KPIs. Damit kannst du Entscheidungen datenbasiert treffen, Stakeholder überzeugen und die Einführung Schritt für Schritt skalieren.
Zielgruppe
- E-Commerce Managerinnen und E-Commerce Manager
- Product Ownerinnen und Product Owner für Shop und Personalisierung
- Data Analysts und BI-Verantwortliche im Handel
- Marketing- und CRM-Verantwortliche mit KPI-Verantwortung
- Alle, die Dynamic Pricing und Recommendation Engines bewerten, einführen oder steuern wollen.
Voraussetzung für die Schulung
- Grundverständnis von E-Commerce-KPIs (z. B. Conversion Rate, Marge, Warenkorb).
- Keine Programmierkenntnisse erforderlich; Offenheit für Daten- und Experimentlogik ist hilfreich.
Kursinhalte
- Use Cases, Grenzen und Risiken
- Dynamic Pricing vs. Promotion-Logik: wann lohnt sich was?
- Recommendation Engines: Umsatzhebel und typische Fehlannahmen
- Risiken: Preisspiralen, Filterblasen, Kannibalisierung
- Recht und Fairness: Transparenz, Diskriminierung, Wettbewerbsrecht
- Daten, Tracking und Feature-Design
- Events im Shop: View, Add-to-Cart, Purchase, Return
- Produkt- und Kundendaten: Katalogqualität, Attribute, Verfügbarkeit
- Features für Pricing: Nachfrage, Saison, Wettbewerb, Lager
- Features für Empfehlungen: Kontext, Session, Affinitäten
- Dynamic Pricing: Methoden, Regeln, Guardrails
- Preisanker, Elastizität, Margen und Mindestpreise
- Regelbasierte Ansätze vs. ML-Modelle
- Guardrails: Preisänderungsfrequenz, Rundungen, MAP
- Monitoring: Profit, Conversion, Retouren, Beschwerden
- Recommendation Engines: Grundlogiken und Architektur
- Candidate Generation vs. Ranking: warum zwei Stufen?
- Collaborative Filtering, Content-based, Hybrid
- Cold Start: neue Produkte, neue Kundschaft
- Erklärbarkeit: „Warum sehe ich das?“ sinnvoll nutzen
- Evaluation und Experiment-Design
- Offline-Metriken: Precision/Recall, MAP, NDCG
- Online-KPIs: CTR, CVR, AOV, Profit, LTV
- A/B-Tests, Holdouts, Guardrail-KPIs
- Bias und Leakage: typische Messfehler vermeiden
- Rollout, Betrieb und Organisation
- Realtime vs. Batch: Latenz, Kosten, Komplexität
- MLOps-Basics: Versionierung, Drift, Retraining
- Zusammenspiel mit Merchandising und Kampagnen
- Roadmap: Quick Wins und nachhaltige Ausbaustufen
