Autor: Taylan Ay

In automobilproduzierenden Unternehmen besteht die Aufgabe von Locate-to-Order Systemen in der Auftragszuordnung von bereits konfigurierten Lagerfahrzeugen zu eingehenden Kundenanfragen. Aufgrund der hohen Variantenvielfalt ist die Wahrscheinlichkeit gering, ein Fahrzeug vorzufinden, welches genau der Wunschkonfiguration des Kunden entspricht. Um diese Abweichungen zu kompensieren setzen Händler in der Praxis Rabatte ein, wodurch ihre Gewinnmarge nahezu vollständig an den Endkunden abgetreten wird. Gegenwärtig bewertet der Händler Lagerfahrzeuge anhand des Listenpreises und seiner Erfahrungswerte bzgl. zukünftiger Verkaufschancen. Die Bewertung der Vorteilhaftigkeit eines zukünftigen Verkaufs stellt den Händler vor eine komplexe Herausforderung, da weder der Rechnungsbetrag noch der Eintreffzeitpunkt der zukünftigen Kundenanfragen für eine individuelle Fahrzeugkonfiguration bekannt sind. Eine auf Grundlage der Bewertung von Lagerfahrzeugen ansetzende Entscheidungsunterstützung würde es dem Handel ermöglichen, eine höhere Zahlungsbereitschaft aller eingehenden Kundenanfragen abzuschöpfen und dadurch eine Ergebnisbeitragsmaximierung zu erreichen. Für ähnliche Problemstellungen werden Revenue-Management Methoden bereits erfolgreich eingesetzt. Die Verhandlung von Rabatten für individuelle Lagerfahrzeuge findet bislang keine Berücksichtigung in der Literatur. In dieser Studie wird eine Revenue-Management Methode für den Automobilhandel entwickelt, um während des Verkaufsgesprächs eine Maximierung des Ergebnisbeitrags bei der Zuordnung von Lagerfahrzeugen zu erreichen. Diese Entscheidungsunterstützung ist in der Lage dynamische Preisuntergrenzen für individuelle Lagerfahrzeuge zu bestimmen, welche die Opportunitätskosten des Verkaufs im Kontext unsicherheitsbehafteter Nachfrage quantifizieren. Die Preisuntergrenzen werden durch Prognose des erwarteten Rabatts sowie der standzeitbedingten Lagerhaltungskosten für detaillierte Fahrzeugkonfigurationen berechnet. Aufgrund der asymmetrischen Kosten fehlerhafter Prognosen werden Sicherheitsfaktoren eingeführt. Die eingeführten Sicherheitsfaktoren sind geeignet, um das Verhalten der Revenue-Management Methode situationsadäquat an die Präferenzen des Entscheidungsträgers anzupassen. Die Anwendbarkeit und Leistung der Entscheidungsunterstützung wird durch eine simulationsbasierte Analyse anhand realer Verkaufsdaten mehrerer Automobilhändler verifiziert. Die Ergebnisse zeigen, dass die vorgestellte Revenue-Management Methode in der Lage ist, weniger profitable Kundenanfragen zu identifizieren und die Lagerfahrzeuge Kundenanfragen höherer Wertigkeit zuzuordnen. Im betrachteten Anwendungsfall kann die vorgestellte Methode 64 Prozent des theoretischen Potenzials erschließen. Dies entspricht einer Rabattreduktion von 11,3 Prozent.