1 % Preiserhöhung, 8,7 % mehr Gewinn: Die richtige KPI-Architektur

Vollständiges Transkript dieser Folge. Der Podcast wird mit einer KI-Stimme produziert.

Ein kurzer Hinweis vorab: Dieser Podcast wird mit einer KI-Stimme produziert. Thema dieser Folge: 1 % Preiserhöhung, 8,7 % mehr Gewinn: Die richtige KPI-Architektur. Themenbereich: KI, Mittelstand.

Hi, ich bin Paula. Lass uns gemeinsam einen Blick auf ein Thema werfen, das in vielen Geschäftsführungsgesprächen zwar am Rand auftaucht — aber selten dort landet, wo es eigentlich hingehört: im Herz des Steuerungssystems.

Und ich sage das so direkt, weil die Zahlen schlicht verblüffend sind. Eine Preiserhöhung um gerade einmal ein Prozent kann den Betriebsgewinn im Schnitt um 8,7 Prozent steigern. Das stammt aus einer McKinsey-Studie — und nein, das ist keine neue Erkenntnis, viele kennen diese Zahl. Aber hier ist die eigentliche Frage: Wenn das bekannt ist — warum sieht man diesen Hebel dann in kaum einem Dashboard, kaum einem KPI-Report, kaum einem Analytics-Setup im Mittelstand?

Das ist kein Vorwurf. Das ist eine strukturelle Beobachtung. Und genau darüber sprechen wir heute.

Fangen wir mit dem an, was in den meisten kleinen und mittleren Unternehmen (KMU) als Analytics gilt. Was sehen Geschäftsführerinnen und Geschäftsführer in ihren Reports? Impressions. Leads. Cost-per-Lead (CPL). Conversion Rates. Vielleicht noch Umsatz nach Kanal. Das sind alles sinnvolle Metriken — keine Frage. Aber was messen sie eigentlich? Sie messen Aktivität. Sie messen, wie viel Bewegung gerade im Funnel ist.

Was sie nicht messen: Wertschöpfung. Und ganz konkret — sie messen nicht, zu welchem Preis dieser Umsatz zustande kommt. Nicht, ob der erzielte Durchschnittspreis mit der Positionierungsstärke korreliert. Nicht, wie Kundinnen und Kunden nach einer Preisanpassung reagieren. Nicht, welche Segmente preissensitiv sind — und welche es schlicht nicht sind.

Das ist der blinde Fleck. Und der kostet Marge.

Stellt euch kurz einen typischen Fall aus der Praxis vor: Ein Maschinenbauunternehmen mit 80 Mitarbeitenden. Solides Bestandskundengeschäft, guter Ruf in der Nische, regelmäßige Aufträge. Die Geschäftsführung überlegt seit Monaten, ob man die Preise leicht anpassen sollte — Kostenentwicklung, Lieferkettendruck, ihr kennt das Thema. Aber die Entscheidung wird immer wieder vertagt. Warum? Weil niemand sagen kann: "Segment A ist preisunelastisch, da geht das. Segment B ist gerade unter Druck, da lassen wir es." Diese Information existiert einfach nicht — zumindest nicht als operatives Signal, das im laufenden Betrieb abrufbar wäre.

Stattdessen: eine Excel-Tabelle, die quartalsweise aufgeräumt wird. Und dann Bauchgefühl. Was mich daran fasziniert — nicht im positiven Sinne — ist, dass diese Situation kein Einzelfall ist. Das ist Normalzustand in weiten Teilen des Mittelstands.

Und das bringt uns zu einer Frage, die ich für wirklich entscheidend halte. Die Frage ist nicht: Sollen wir die Preise erhöhen? Das ist die falsche Startfrage. Die richtige Frage lautet: Haben wir überhaupt ein System, das uns sagt, wo wir Preise anpassen könnten — ohne Mengeneinbuße?

Das ist der Unterschied zwischen Bauchgefühl und steuerbarem Wachstum. Und dieser Unterschied ist messbar.

Kurze Anmerkung dazu: Wer diese Frage mit "nein" beantworten muss, hat kein Pricing-Problem. Der hat ein Architekturproblem — ein Problem in der KPI-Architektur (Key Performance Indicator-Architektur) selbst.

Was bedeutet das konkret? Eine Pricing-fähige KPI-Architektur braucht drei Dinge. Drei. Nicht zwanzig neue Tools. Nicht eine komplette Systemlandschaft auf der grünen Wiese.

Erstens: Segmentierungsdaten zur Preissensitivität. Das klingt technischer als es ist. Im Kern geht es darum, zu wissen — nicht zu glauben, sondern zu wissen — wie verschiedene Kundengruppen auf Preisniveaus reagieren. Kaufen Bestandskunden aus dem produzierenden Gewerbe anders als Neukunden aus dem Dienstleistungsbereich? Gibt es Segmente, die ausschließlich über den Preis entscheiden — und andere, für die Verfügbarkeit oder Service der dominante Faktor ist?

Zweitens: Verhaltensdaten nach Preisanpassungen. Wenn ein Preis angepasst wurde — was ist dann passiert? Hat sich die Wiederkaufrate verändert? Hat sich die durchschnittliche Auftragsgröße verschoben? Haben Kundinnen und Kunden das Sortiment gewechselt? Ohne diese Daten ist jede weitere Preisanpassung ein Experiment ohne Lernkurve.

Drittens — und das ist für mich der entscheidende Punkt — eine direkte Verbindung zwischen Positionierungsmetriken und dem erzielten Durchschnittspreis. Was sage ich damit? Wenn meine Marke stärker wird, wenn meine Positionierung als Qualitätsanbieter klarer wird — schlägt sich das dann im Preis nieder, den ich tatsächlich durchsetze? Oder lebe ich von einer Positionierung, für die ich am Ende doch nicht bezahlt bekomme?

Solange diese Verbindung fehlt — solange Positionierung und Pricing zwei getrennte Welten sind — bleibt jedes Modell Spekulation.

Jetzt kommt der Part, bei dem KI ins Spiel kommt. Und ich sage das bewusst erst jetzt, weil KI hier kein magischer Starter ist — sie ist ein Verstärker. Laut McKinsey navigieren Business-to-Business-Unternehmen (B2B) Pricing-Entscheidungen zunehmend durch KI-gestützte Datenauswertung. Der Grund ist nicht, weil KI schlauer ist als erfahrene Vertriebsleiterinnen. Der Grund ist pragmatisch: Manuelle Preismodelle reagieren in fragmentierten Märkten schlicht zu langsam.

Wenn ein Wettbewerber seine Preise in drei Segmenten leicht verändert, wenn Rohstoffkosten in einem Quartal springen, wenn ein Großkunde das Bestellverhalten ändert — dann kann ein Mensch diese Signale nicht in Echtzeit auswerten und daraus Preisentscheidungen ableiten. Eine gut konfigurierte KI kann das.

Aber — und das ist wichtig — sie kann es nur, wenn die KPI-Architektur darunter die richtigen Inputs liefert. KI ist kein Ausweg aus einer schlechten Datenbasis. Wer keine Segmentierungsdaten hat, wer keine Verhaltensdaten nach Preisanpassungen trackt, wer Positionierung und Pricing nie zusammengedacht hat — für den wird KI-gestütztes Pricing ein teures Experiment mit wenig Mehrwert. Das veraendert alles: erst die Architektur, dann die KI.

Was mich an diesem Thema so antreibt, ist dieser scheinbare Widerspruch: Pricing ist nachweislich der stärkste Hebel in der Unternehmenssteuerung — stärker als Kostensenkung, stärker als Volumenwachstum. Das zeigen die Daten, das zeigt die McKinsey-Studie. Und gleichzeitig ist Pricing in den meisten Analytics-Setups der blinde Fleck.

Das ist kein Wissensproblem. Nahezu jede Unternehmerin, jeder Unternehmer im Mittelstand, dem ich diese Zahl nenne — 1 % Preiserhöhung, 8,7 % mehr Betriebsgewinn — nickt. Die Zahl ist nicht neu. Das Problem ist die Konsequenz, die daraus folgt. Oder genauer: die ausbleibt.

Und die ausbleibt, weil der nächste logische Schritt lautet: "Dann müssen wir zuerst messen, wo wir Preisspielraum haben." Und dieser Schritt erfordert eine Investition in die Messarchitektur — bevor es eine sichtbare Rendite gibt. Das ist psychologisch schwierig. Aber es ist der einzige Weg, der aus dem Bauchgefühl herausführt.

Kennt ihr das Gefühl, wenn in einer Besprechung jemand fragt "Und was würde passieren, wenn wir den Preis um drei Prozent erhöhen?" — und der Raum wird still? Nicht weil niemand eine Meinung hätte, sondern weil niemand eine Zahl hat. Keine Segmentdaten. Kein historisches Modell. Kein Signal aus dem System.

Genau da entsteht die Lücke zwischen dem, was möglich wäre, und dem, was tatsächlich entschieden wird.

Das Fazit ist so klar, dass ich es fast schlicht formuliere: Der Hebel liegt nicht im Mut zur Preiserhöhung. Mut ist kein Engpass. Der Engpass ist das fehlende Messsystem, das diesen Mut informiert.

Wer heute sein Analytics-Setup nicht auf Pricing-Signale ausrichtet — Segmentierungsdaten, Verhaltensdaten nach Preisanpassungen, Verbindung zwischen Positionierung und Durchschnittspreis — der lässt systematisch Marge liegen. Nicht einmalig. Nicht in einer Krisenphase. Sondern kontinuierlich, Quartal für Quartal.

Und das Gute daran? Es ist ein lösbares Problem. Keine Raketenwissenschaft. Keine Komplettinvestition in neue Systeme. Sondern ein klarer, strukturierter Aufbau der richtigen Messgrundlage.

Wenn du tiefer in das Thema einsteigen willst — auf der WorconIQ-Website gibt es zu dieser Folge einen ausführlichen Blog-Artikel mit allen Quellen und weiterführenden Einordnungen. Den findest du unter worconiq.de.

Und wenn du Fragen hast, konkrete Themen mitbringen möchtest oder einfach ins Gespräch kommen willst — schreib uns an office@worconiq.de. Wir lesen jede Nachricht.

Wenn dir diese Folge etwas mitgegeben hat, freue ich mich sehr, wenn du den Podcast auf worconiq.de abonnierst oder weiterverfolgst — so bekommst du neue Folgen direkt mit.

Bis zum nächsten Mal — ich bin Paula, und das war WorconIQ.

Quellen

• [8] B2B Pricing: Navigating the next phase of the AI revolution

Episode: wiq-ep-002