Bayessches Pricing

Definition

Bayessches Pricing behandelt jedes Angebot als probabilistische Entscheidung unter Unsicherheit. Statt einen einzelnen Preis auf Basis von Cost-Plus oder Wettbewerbsbenchmarks festzulegen, modelliert es die Gewinnwahrscheinlichkeit als Funktion von Preis, Kundencharakteristik und Marktkontext.

Der Kerngedanke: Der "optimale" Preis ist nicht der Preis, der die Gewinnrate maximiert. Es ist der Preis, der den Erwartungswert maximiert, definiert als (Gewinnwahrscheinlichkeit × Marge). Eine 90-Prozent-Gewinnrate bei niedrigem Preis erzeugt oft weniger erwarteten Umsatz als eine 60-Prozent-Gewinnrate bei höherem Preis.

Die Methodik benötigt drei Inputs: (1) eine Prior-Verteilung über die Gewinnwahrscheinlichkeit, abgeleitet aus historischen Deal-Daten oder Branchenbenchmarks; (2) beobachtete Signale während der Verhandlung (Budgetangaben, Dringlichkeit, Wettbewerberpräsenz); und (3) eine Margenfunktion, die den Preis auf Profitabilität abbildet nach Berücksichtigung des Scope-Creep-Risikos.

Darüber hinaus wird häufig Monte-Carlo-Simulation eingesetzt: Für jeden Kandidatenpreis werden tausende Projektverläufe unter verschiedenen Scope-Creep-Szenarien simuliert. Das Ergebnis ist eine risikoadjustierte erwartete Marge pro Preispunkt, die Entscheidungen auf Basis von Erwartungswert und Varianz ermöglicht.

Bayessches Pricing geht nicht darum, "den richtigen Preis" zu finden. Es geht darum, Pricing-Entscheidungen zu treffen, die unter Unsicherheit verteidigbar sind und sich mit jedem abgeschlossenen Deal verbessern.