Individuelle Preisdifferenzierung. Chancen und Herausforderungen individualisierter Preise für Unternehmen im Online-Handel

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung und Zielsetzung

2 Theoretische Grundlagen
2.1 Preisdifferenzierung im Online-Handel
2.2 Besonderheiten individueller Preisdifferenzierung
2.1.1 Bedeutung des individuellen Kundenprofils
2.2.2 Ausgewählte Methode zur individuellen Preisdifferenzierung

3 Individuelle Preisdifferenzierung im deutschen Online-Handel
3.1 Verbreitung individueller Preisdifferenzierung
3.2 Chancen und Herausforderungen individualisierter Preise für Online-Händler

4 Fazit

Anhang

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Gründe für Preisdifferenzierung

Abbildung 2: Preisentwicklung Pauschalreise nach Betriebssystem

Abbildung 3: Bewertung von Aussagen zur Preisgestaltung

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung und Zielsetzung

Auf der Suche nach einem bestimmten Produkt im Internet erleben Kunden immer häufiger folgende Situation: Loggen sie sich bei einem der großen Online-Händler wie beispielsweise bei Amazon (https://www.amazon.de/) aus, löschen die „Cookies“ und starten die Produktsuche noch einmal, diesmal jedoch im Inkognito-Modus, wird das gleiche Produkt plötzlich günstiger angeboten. Der Algorithmus kann den Kunden nicht mehr identifizieren und schlägt ihm daher einen neuen Angebotspreis vor.¹

Dieses Phänomen wird als individuelle Preisdifferenzierung bezeichnet. Auf Grundlage seiner persönlichen Daten, wird dem einzelnen Kunden ein individueller Verkaufspreis offeriert, der genau seiner Zahlungsbereitschaft entspricht und keinem anderen Nutzer angeboten wird.² Die Grundlage individualisierter Preisgestaltung sind individuelle Daten beispielsweise in Form soziodemographischer Merkmalen wie Orts- und Bewegungsdaten ebenso wie Browser-Daten und Geräteinformationen. Mithilfe computergestützter Datenanalyse ist es möglich, die individuelle Zahlungsbereitschaft der Kunden vorherzusagen und ihnen auf Basis dessen, individualisierte Preise anzubieten.³ Während international tätige Online-Händler wie „Amazon“ den Einsatz individualisierter Preise in der Vergangenheit bereits testeten, steht ein Großteil der kleineren bis mittleren deutschen Online-Händler dem Thema noch etwas kritisch gegenüber.⁴ Ein Grund für den nur zögerlichen Einsatz von individueller Preisdifferenzierungsstrategien mag einerseits an der fehlenden technischen Infrastruktur und andererseits an der Sorge um einen Vertrauensverlust der in Deutschland eher Datenschutz affinen Kunden liegen.⁵

Zielsetzung dieser vorliegenden Untersuchung ist es, die Chancen und Herausforderungen aufzuzeigen, die Online-Händler beim Einsatz von individualisierten Preisen erwarten und zu berücksichtigen haben. Diese Arbeit verfolgt diesbezüglich vor allem das Ziel, einen Überblick über den gegenwärtigen Stand der Nutzung individueller Preisdifferenzierung in Deutschland zu geben und die zukünftige Einwicklung des Einsatzes individualisierter Preise im deutschen Online-Handel zu beleuchten. Darüber hinaus liegt ein weiteres Ziel dieser Arbeit darin, die Besonderheiten von individueller Preisdifferenzierung aufzuzeigen, hierbei liegt der Fokus insbesondere auf der Bedeutung des individuellen Kundenprofils und der Vorstellung einer ausgewählten Methode zur individuellen Preisdifferenzierung.

2 Theoretische Grundlagen

2.1 Preisdifferenzierung im Online-Handel

Im Gegensatz zu klassischen Einheitspreisen, ist es das Ziel von Online-Händlern mit individueller Preisdifferenzierung die Preisgestaltung individuell je Produkt und Kunde zu gestalten.⁶ In der englischen Literatur wird diese Form der Preisgestaltung auch als Preisdifferenzierung („Price Differentiation“) oder Preisdiskriminierung („Price Discrimination“) bezeichnet. Eine perfekte Preisdiskriminierung liegt nach der ökonomischen Theorie vor, wenn Kunden für das gleiche Produkt ein individueller Preis angeboten wird, der genau ihrer Zahlungsbereitschaft entspricht. Preissensiblen Kunden werden somit niedrigere Preise angeboten als weniger preissensiblen Kunden.⁷ In dieser Untersuchung wird unter personalisierter, individueller Preisdifferenzierung verstanden, dass einem Kunden auf Grundlage von individuellen Daten ein individueller Preis angezeigt wird, der keinem anderen Nutzer angeboten wird.⁸ Auf welche kundenindividuellen Daten Online-Händler bei der Anpassung individualisierter Preise zurückgreifen, wird im Abschnitt 2.2 genauer erläutert. Zunächst soll jedoch in einem Überblick aufgezeigt werden, welche Arten von Preisdifferenzierung bereits heute von Online-Händlern eingesetzt werden. In dieser Arbeit können sie jedoch nur angerissen werden.

- Zeitliche Preisdifferenzierung

Ein zentrales Element in der Online-Preisgestaltung stellt die Einkaufszeit dar. Online-Händler versuchen die sich im Verkaufszeitraum verändernde Preissensibilität bzw. Preisbereitschaft der Verbraucher profitbringend zu nutzen. Deutlich wird dies, wenn bei hohen Nachfrage Preise stabil bleiben, wohingegen bei schwacher Nachfrage gezielt günstigere Preise angeboten werden.⁹ Bei dieser Art der Preisdifferenzierung handelt es nicht um eine individuelle Preisdifferenzierung, sondern um eine Selbstselektion, durch ein bestimmtes Verhalten.¹⁰

- Preisdifferenzierung über den Zugang zur Website

Diese Art der Preisdifferenzierung tritt auf, wenn Kunden, die beispielsweise über eine Preisvergleichsseite auf die Website des Online-Händlers kommen einen anderen Preis sehen, als Kunden die die Seite des Händlers direkt aufrufen. Nach der Definition handelt es sich nicht um eine individuelle Preisdifferenzierung, sondern um eine Art transaktionsbezogener Preisdifferenzierung.¹¹

- Preisdifferenzierung mithilfe von Coupons/Gutscheinen

Verschiedene Online-Händler bieten spezielle Online-Vorteile oder Rabattaktionen, um ihre Kunden von ihren Online-Plattformen/Kanälen zu überzeugen. So bietet beispielsweise der Telefonanbieter o2 seinen Kunden bei Abschluss eines Mobilfunkvertrages über den Online-Shop einen Online-Rabatt von 60€ und eine Anschlusspreis-Befreiung an.¹² Diese Form der Preisgestaltung ist keine individuelle Preisdifferenzierung im engeren Sinne, da die Gutscheine zumeist allen Nachfragern zur Verfügung stehen.¹³

- Ortsbezogene, geographische Preisdifferenzierung

Am Beispiel von Uber zeigt sich, dass auch zunehmend Informationen über den Aufenthaltsort von Kunden für die Preisgestaltung verarbeitet werden. Aktivieren Kunden beispielsweise GPS in ihren mobilen Geräten, können Online-Händler abhängig von ortsspezifischen Merkmalen individuelle Preise definieren. Bei diesem Ansatz handelt es um eine gröbere Differenzierung und nicht um individuelle Preisdifferenzierung.¹⁴

2.2 Besonderheiten individueller Preisdifferenzierung

2.1.1 Bedeutung des individuellen Kundenprofils

Wie bereits angesprochen, bezeichnet individuelle Preisdifferenzierung, dass verschiedenen Kunden für ein spezielles Produkt genau der Preis angeboten wird, der ihrer individuellen Zahlungsbereitschaft entspricht. Um die individuelle Zahlungsbereitschaft ihrer Kunden statistisch vorhersagen zu können, benötigen Online- Händler eine große Anzahl an nutzerspezifischen Daten. Durch die steigende Bedeutung von technologischen Informationsplattformen wie dem Smartphone und dem Internet steht Online-Händlern eine riesige Menge an kundenspezifischen Daten zur Verfügung. In einer Studie des „Executive Office of the President of the United States“ wurde die Vielzahl an Möglichkeiten für die kommerzielle Nutzung kundenindividueller Daten betont. Um die individuelle Preisbereitschaft ihrer Kunden vorherzusagen, können Online-Händler beispielsweise auf folgende Daten ihrer Kunden zugreifen:

-Surf- und Suchverlauf
-Verhalten in sozialen Netzwerken wie Facebook
-ihr Einkaufsverhalten und -historie
-Inhalte ihrer Online-Rezensionen und Blog Einträge¹⁵

Große Online-Händler wie Amazon oder Fluglinien-Websites halten darüber hinaus die Häufigkeit der Seitenaufrufe pro Endgerät fest, betont Freya Oehle, Gründerin des Preisvergleichsportales Spottster in einem Interview mit der Zeitschrift „brandeins“. Das im Hintergrund arbeitende System erkennt beispielsweise, wenn einzelne Nutzer an einem Produkt ein starkes Interesse haben und erzeugt dann automatisch eine Art Panikmoment, indem es den Preis erhöht. Dem einzelnen Nutzer wird so das Gefühl vermittelt, dass er sich sofort entscheiden muss. Ruft der Kunde die Website von einem anderen Endgerät auf, kann es passieren, dass ihm wieder der ursprüngliche Preis angeboten wird.¹⁶

Eine weitere entscheidende Information stellt die technische Ausstattung der Kunden dar. So können beispielsweise je nach Hersteller oder Preisklasse des Endgerätes unter statistischen Hypothesen ein entsprechendes Kaufverhalten vorhergesagt und individualisierte Verkaufspreise für jeden Nutzer angeboten werden.¹⁷ In einer Untersuchung der Verbraucherzentrale Nordrhein-Westfalen aus dem Jahr 2014 konnten vereinzelt individualisierte Preise in Abhängigkeit vom Endgerät nachgewiesen werden. Beispielweise wurden den Testpersonen spezielle Rabattaktionen nur an stationären Computern, nicht aber über Handys oder Tablets angezeigt. Außerdem ergaben Testkäufe bei gleicher Produktwahl je nach Endgerät deutliche Preisunterschiede. So waren einige Produkte über das Handy deutlich teurer, als über den Desktop-PC.¹⁸ Weiterhin können Online-Händler auch die Information über den gewählten Internetbrowser für individuelle Preisdifferenzierung nutzen.¹⁹ Als Beispiel, testete Amazon bereits im Jahr 2000 den Einsatz individualisierter Preise, indem sie Kunden, die den Webbrowser „Netscape Navigator“ nutzen, um die DVD „Planet der Affen“ zu kaufen einen niedrigeren Preis anboten, als Kunden, die die Website über „Microsoft Explorer“ aufriefen.²⁰

Für Online-Händler ist es umso einfacher das individuelle Verhalten ihrer Kunden zu messen und auszuwerten, je besser die Beziehung zwischen beiden ist. Besucht ein Internetnutzer bspw. die Website eines Online-Händlers kann dieser einen „Cookie“ auf dem Computer des Benutzers platzieren, so dass die Website Informationen über die Interaktion des Benutzers mit der Website verfolgen kann. Im Laufe der Zeit können „Cookies“ verwendet werden, um ein langfristiges Bild über den Internet-Browserverlauf einer Person aufzubauen und diese Informationen über Websites zu teilen. Wesentlich einfacher das kundenindividuelle Verhalten nachzuvollziehen, ist es für den OnlineHändler, wenn der Kunde ein Benutzerprofil auf der Website anlegt und sich darüber anmeldet. Außerdem stellen Nutzer bei der Erstellung eines Kundenkontos normalerweise persönliche Informationen bereit, die eine Website verwenden kann, um sie mit anderen externen Informationsquellen zu verknüpfen.²¹

Die richtige Vorhersage individuellen Kundenverhaltens stellt jedoch ein nicht einfach zu lösendes Problem dar. Allerdings kann der Einsatz intelligenter Methoden zur individuellen Preisdifferenzierung die Rentabilität von Unternehmen erheblich beeinträchtigen, insbesondere bei Unternehmen mit einem großen Kundenstamm.²²

So schätzte eine Studie von Benjamin Shiller aus dem Jahr 2014, dass Netflix seine Gewinne steigern würde, wenn das Unternehmen intelligente Methoden zur personalisierten Preisgestaltung verwenden würde. Er kam zu dem Ergebnis, dass die Preisdifferenzierung auf Grundlage demografischer Daten wie Rasse, Alter, Einkommen, geographischer Standort und Familiengröße eine Gewinnsteigerung, um 0,8 % ergeben würde, wohingegen eine individuelle Preisanpassung in Abhängigkeit nutzerspezifischer Daten wie der durchschnittlichen Onlinezeit oder die Surf- und Suchhistorie den Gewinn um bis zu 12,2 % steigern würde.²³

2.2.2 Ausgewählte Methode zur individuellen Preisdifferenzierung

Die Beschleunigung von Prozessen und die Menge, Vielfalt und Komplexität der heute verfügbaren Daten machen es Online-Händlern schon lange praktisch unmöglich, darin enthaltende Zusammenhänge zu identifizieren. Mithilfe von Algorithmen und weiteren modernen Methoden zur Datenanalyse ist es jedoch möglich, automatisiert signifikante Zusammenhänge in den verfügbaren Datenmengen aufzuspüren, aus denen sich Prognosen für zukünftige Ereignisse ableiten lassen.²⁴

Eine ausgewählte Methode zur Vorhersage individuellen Kundenverhaltens und zum Einsatz individueller Preisdifferenzierung bietet das Unternehmen SO1 aus Berlin. Mit ihrer entwickelten Software „SO1 Engine“, die auf künstlicher Intelligenz und ökonomischen Algorithmen beruht, können Online-Händler das bisherige Kaufverhalten der Konsumenten analysieren und die individuelle Preissensibilität und Produktpräferenz berechnen.²⁵ Die Software ermöglicht es speziell auf die Verbraucher zugeschnittene Angebote zu erstellen, ohne dessen individuelle Daten zu sammeln oder zu verarbeiten. Dabei greift sie auf verschiedene Plattformen wie zum Beispiel Kundenkarten oder auch andere Schnittstellen zu, um das Kaufverhalten der Verbraucher zu analysieren. Daraufhin wertet sie die individuellen Produkt- und Preispräferenzen aus und erstellt daraus ein personalisiertes Angebot, das über verschiedene Kanäle wie zum Beispiel über einen Newsletter oder eine Smartphone App an den Verbraucher übermittelt werden kann.²⁶ Dass die SO1 Software nicht nur für Online-Händler geeignet ist, zeigt das praktische Beispiel Kaiser´s Tengelmann. Das Unternehmen führte im Juni 2014 die Kundenkarte Extrakarte testweise in 30 Filialen ein, mit der Kunden speziell auf sie zugeschnittene Angebote erhielten. Die Software des Unternehmens SO1 kombiniert die Informationen über das Einkaufsverhalten des einzelnen Kunden mit dem Haushaltspanel der Gfk, in dem die Einkaufsdaten von mehr als 30.000 Konsumentendaten erhalten waren und ermittelte daraus ein individuelles Angebot.²⁷ Neben Kaiser´s Tengelmann testen auch der Discounter Netto und die Drogeriekette Budni das durch Big Data individualisierte Coupon-System von SO1.²⁸

An dieser Stelle soll kurz darauf hingewiesen werden, dass die hier beschriebene Methode zur individuellen Preisdifferenzierung lediglich ein ausgewähltes Beispiel darstellt und es viele weitere Anbieter gibt. Im folgenden Kapitel wird die Verbreitung individueller Preisdifferenzierung in Deutschland untersucht und die Chancen und Herausforderungen, die Online-Handeltreibende beim Einsatz individualisierter Preise zu berücksichtigen haben.

3 Individuelle Preisdifferenzierung im deutschen Online-Handel

3.1 Verbreitung individueller Preisdifferenzierung

Zufolge der aktuellen Studie des Bundesverbands E-Commerce & Versandhandel Deutschland, durchgeführt in 2015 bis Mitte 2016, passen etwa 4 von zehn Online- Händler in Deutschland die Preise ihrer Waren sehr zeitnah an besondere Anlässe an. Während das „Preisverhalten von Wettbewerbern“ mit 62 % und „Bestellverhalten der Kunden“ die Hauptgründe für die Preisdifferenzierung darstellen, nutzen jedoch nur 5 % der Befragten das individuelle Profil ihrer Kunden, um ihre Verkaufspreise entsprechend zu gestalten (s. Anhang Abb. 1).²⁹

Das eWeb Research Center führte von August bis Oktober 2015 eine Studie durch, um zu ermitteln, inwieweit individualisierte Preise im Online-Handel in Deutschland bereits eingesetzt werden. In einem experimentellen Setting wurde die Preisgestaltung von Online-Händlern in Abhängigkeit nutzerbezogener, ortsbezogener und technischer Merkmale auf den Einsatz individueller Preise getestet. Ergänzend zum experimentellen Vorgehen wurden Online-Händler und IT-Experten zum Einsatz individualisierter Preise befragt. Es wurde ermittelt, dass eine individuelle Preisdifferenzierung nach Nutzermerkmalen, sowie nach technischen Merkmalen nur in der Tourismusbranche vorgenommen wurde. Hierbei zeigten die Ergebnisse, dass bei Pauschalreisen niedrigere Preise für Windows-Betriebssysteme angezeigt wurden als für Apple- Betriebssysteme (s. Anhang Abb.2). In den Experteninterviews zeigte sich, dass den Marketingverantwortlichen das Thema individuelle Preisdifferenzierung zwar bekannt ist, aber die Umsetzung für sie aktuell noch eine niedrigere Priorität besitzt. Jedoch messen sie individualisierten Preisen zukünftig eine größere Bedeutung zu.³⁰

Im Mai 2016 führten Prof. Dr. Andreas Krämer, Fachdozent an der Business and Information Technology School Iserlohn und Prof. Dr. Regine Kalka, Professorin für Marketing und Kommunikation an der Hochschule Düsseldorf eine Studie zur Preisdifferenzierung im stationären und Online-Handel in verschiedenen Konsumgütersegmenten durch. Sie untersuchten die Entwicklung von ca. 32.000 Einzelpreisen über vier Wochen. Gleichzeitig führten Sie eine Befragung mit Marketingverantwortlichen zum Thema individualisierter Preise durch. Während zeitliche Preisdifferenzierung bei einigen Anbietern festgestellt wurden, konnten keine Hinweise auf individuelle Preisgestaltung, z. B. auf Basis von Kundenkonten sowie Cookie Einstellungen festgestellt werden. Wie bei der Studie des eWeb Research Centers gaben ein Großteil der Befragten an, individuelle Preisdifferenzierung aktuell noch nicht zu nutzen. In Zukunft könnte die Bedeutung individueller Preisdifferenzierung jedoch steigen.³¹

Detaillierte Einblicke in die Preisgestaltung der Unternehmen liefert eine Studie von Prof. Dr. Hans-Christian Riekhof, Professor für Allgemeines Marketing an der PFH Göttingen und Anton Ha. Wie bereits erwähnt, verhält sich ein Großteil der deutschen Online- Händler gegenüber dem Thema individualisierter Preise noch etwas zurückhaltend. Die Interviews, die im Rahmen dieser Studie mit Experten aus der Praxis geführt wurden, vermitteln einen ähnlichen Eindruck. So gibt Stefan Baumert, ehemaliges Mitglied des Vorstandes der L´TUR an, dass Kunden bei Ihnen grundsätzlich den gleichen Verkaufspreis erhalten, allerdings personalisierte Rabatte bereits eine wichtige Rolle spielen.³² Auch bei der Media Saturn Multi Channel/E-Business GmbH hat individuelle Preisdifferenzierung eine eher untergeordnete Rolle. Im Interview, erklärt Florian Welz, ehemaliger Chief Operating Officer der Media Saturn Multi Channel/E-Business GmbH,

[...]

¹ Vgl. Grasseger, H. (Jeder hat seinen Preis 2014), S.1.

² Schleusener, M., Hosell, S., (Expertise 2015), S.5.

³ Vgl. Reisch,L., Büchel, D., Joost, G., Zander-Hayat, H., (Digitale Welt und Handel 2016), S.2. und Mikians, J., Gyarmati,L., Erramilli, V., Laoutaris, N., (Detecting price and search discrimination on the Internet 2012), S.1.

⁴ Vgl. Hannak, A., Soeller, G., Lazer, D., Mislove, A., Wilson, C., (Measuring Price Discrimination and Steering 2014), S.2. und Schleusener, M., Hosell, S., (Expertise 2015), S.22.

⁵ Vgl. Reisch,L., Büchel, D., Joost, G., Zander-Hayat, H., (Digitale Welt und Handel 2016), S.2.

⁶ Vgl. Skiera, B., Spann, M., (Preisdifferenzierung im Internet 2002), S.5. und Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 15.

⁷ Vgl. Shapiro, C., Varian, H.,R., (Information Rules 1999), S.46.

⁸ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.5.

⁹ Vgl. Gönsch, J., Klein, R., Steinhardt, C., (Dynamic Pricing- State oft the Art 2009), S.6.

¹⁰ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.5.

¹¹ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.5-6.

¹² Vgl. o2, (Homepage - o2 free M 2016), o. A.

¹³ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.5.

¹⁴ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.6 und Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 11-12.

¹⁵ Vgl. The White House, (Big Data and differential Pricing 2015), S.8. und Kammer für Arbeiter und

Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 16.

¹⁶ Vgl. Dahlmann, F., (Künstliche Panikmomente 2015), o. A. und Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 15-16.

¹⁷ Vgl. Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 11-13. und cbs, (Mac users might pay more when shopping online 2015), o. A.

¹⁸ Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 13-14. und Verbraucherzentrale Nordrhein-Westfalen, (Warnung vor Onlineshopping mit Handy 2014), o. A.

¹⁹ cbs, (Mac users might pay more when shopping online 2015), o. A.

²⁰ Vgl. Brandeins, (Eine Frage des Preises 2000), o. A.

²¹ Vgl. The White House, (Big Data and differential Pricing 2015), S.8. und Kammer für Arbeiter und Angestellte für Wien, (Studie- Dynamic Pricing- Die Individualisierung von Preisen im E-Commerce 2015), S. 16.

²² Vgl. The White House, (Big Data and differential Pricing 2015), S.8-9.

²³ Vgl. Shiller, B., (First-Degree Price Discrimination Using Big Data 2014), S.21.

²⁴ Vgl. Finkel, B., Dill, M., (Big Data Analytics im Marketing 2016), o. A. und vgl. Runkler, T., (Data Mining: Modelle und Algorithmen intelligenter Datenanalyse 2015), S.2.

²⁵ Vgl. So1, (So1 Programmatic Promotion 2016), o. A.

²⁶ Vgl. So1, (Home 2016), o. A.

²⁷ Vgl. Unternehmensgruppe Tengelmann, (Kaiser's-ExtraKarte: Weiterer Ausbau nach gelungenem Start 2015), o. A.

²⁸ Vgl. Rode, J., (Netto gibt maßgeschneiderte Rabatte 2016), S.33.

²⁹ Vgl. bevh, (Positiv-Trend hält an: Konjunkturelle Lage des Interaktiven Handel weiterhin auf hohem

Niveau 2016), o. A. und vgl. Wenk-Fischer, C., Zirbes, R., (Die Wirtschaftslage im deutschen Interaktiven Handel B2C 2015/2016 2016), o. A.

³⁰ Vgl. Schleusener, M., Hosell, S., (Expertise 2015), S.1-22.

³¹ Vgl. Krämer, A., Kalka, R., Ziehe, N., (Personalisiertes und dynamisches Pricing aus Einzelhandelsund Verbrauchersicht 2016), S.4-9.

³² Vgl. Riekhof, H.-C., Ha. A., (Pricing Prozesse in der unternehmerischen Praxis 2015), S.16-17.