Jedes Preisüberwachungsprojekt beginnt mit derselben Frage: Wie oft müssen wir prüfen? Zu selten geprüft, und man verpasst die Änderungen, für deren Beobachtung man bezahlt. Zu oft geprüft, und man gibt Geld aus, um Preise aufzuzeichnen, die sich nicht bewegt haben.
Die Antwort hängt davon ab, wie schnell sich Preise tatsächlich ändern, und das wurde sorgfältig gemessen. Ökonomen haben zwei Jahrzehnte damit verbracht, Online-Preise in großem Maßstab zu erfassen, um Inflation zu untersuchen, und ihre Arbeiten enthalten die zuverlässigsten verfügbaren Zahlen darüber, wie oft Händler ihre Preise ändern, wie sich das verändert hat, und wie die Art der Stichprobenziehung das Bild verzerrt.
Diese Studie fasst diese Zahlen zusammen. Jede Zahl unten stammt aus dem Text oder den Tabellen der jeweiligen Studie; die Quellen sind am Ende aufgeführt.
Wichtigste Erkenntnisse
- Online-Preise ändern sich schneller als früher. Bei großen US-Multichannel-Händlern stieg die monatliche Häufigkeit regulärer Preisänderungen von 15,4% in 2008-2010 auf 27,4% in 2014-2017. Der typische reguläre Preis bestand zuvor etwa sechseinhalb Monate, nun weniger als vier.
- Marktplätze sind eine andere Welt. Bei einer Gruppe von Amazon-Bestsellern, die sechs Wochen lang verfolgt wurden, behielten nur 13% der Produkte denselben Buy-Box-Preis, und bei der Hälfte änderte er sich mehr als 14 Mal.
- Der Inflationsschub 2022-2023 hat die Häufigkeit von Online-Preisänderungen mehr als verdoppelt, branchen- und länderübergreifend, nach Jahren stabilen Verhaltens.
- Tägliche und wöchentliche Prüfungen erfassen bei Händlern nahezu dieselben Änderungen. Monatliche Prüfungen verpassen viele davon, und die Mittelung von Preisen über eine Woche erzeugt kleine Änderungen, die nie stattgefunden haben.
- Der richtige Rhythmus hängt vom Kanal ab: wöchentlich bis täglich für Händlerseiten, stündlich oder schneller für umkämpfte Marktplatzangebote.
Wie Preisänderungen gemessen werden
Zwei Kennzahlen tauchen in der Forschung durchgängig auf.
- Häufigkeit ist der Anteil der Beobachtungen, bei denen sich der Preis eines Produkts von der vorherigen Beobachtung unterscheidet. Eine monatliche Häufigkeit von 20% bedeutet, dass sich der Preis bei einem von fünf Produkten in einem typischen Monat ändert.
- Implizite Dauer rechnet die Häufigkeit in die typische Geltungsdauer eines Preises um. Die meisten Studien verwenden die Formel -1/ln(1 - f), die eine konstante Änderungswahrscheinlichkeit je Periode annimmt; manche nutzen die einfachere Formel 1/f. Beide liefern für dieselbe Häufigkeit unterschiedliche Zahlen, daher sollten Dauern nur innerhalb derselben Studie verglichen werden.
Die Forschung unterscheidet außerdem zwischen ausgewiesenen Preisen, die vorübergehende Rabattaktionen einschließen, und regulären Preisen, bei denen Rabatte herausgefiltert werden. Ein Produkt, das für eine Wochenendaktion im Preis sinkt und danach zum alten Preis zurückkehrt, zählt bei ausgewiesenen Preisen als zwei Änderungen und bei regulären Preisen als keine.
Was Händlerpreise tun
Die detailliertesten Belege stammen aus der Arbeit von Alberto Cavallo am MIT und dem Billion Prices Project, das bis 2010 täglich fünf Millionen Preise von mehr als 300 Händlern in 50 Ländern sammelte. Seine Studie von 2018 über große US-Multichannel-Händler, die tägliche Daten zu monatlichen Häufigkeiten aggregiert, zeigt, wie viel schneller die Preisgestaltung über ein Jahrzehnt wurde:
| Zeitraum | Monatliche Häufigkeit regulärer Preisänderungen | Implizite Dauer | Preiserhöhungen | Preissenkungen | Durchschnittliche Größe einer Änderung |
|---|---|---|---|---|---|
| 2008-2010 | 15,4% | 6,5 Monate | 6,9% | 8,9% | 17,5% |
| 2011-2013 | 22,4% | 4,5 Monate | 10,3% | 12,1% | 16,2% |
| 2014-2017 | 27,4% | 3,7 Monate | 12,5% | 15,0% | 15,0% |
Quelle: Cavallo (2018), „More Amazon Effects”, Tabelle 1. Dauern verwenden 1/f.
Einschließlich Rabattaktionen stieg die monatliche Häufigkeit im selben Zeitraum von 21% auf über 31%. Änderungen wurden häufiger und etwas kleiner.
Die Beschleunigung verlief nicht gleichmäßig über alle Kategorien. Die Dauer regulärer Preise für Freizeit und Elektronik sank von 13,1 auf 5,5 Monate, und für Einrichtungsgegenstände und Haushaltswaren von 14,2 auf 5,9 Monate. Lebensmittel und alkoholfreie Getränke blieben bei konstant 6,4 Monaten. Die Kategorien, die sich am schnellsten änderten, sind jene, in denen der Online-Wettbewerb am stärksten zunahm.
Wettbewerb zeigt sich auch auf Produktebene. Bei rund 50.000 Walmart-Produkten, die von 2016 bis 2018 täglich verfolgt wurden, hatten diejenigen, die auch bei Amazon verkauft wurden, Preise, die rund 20% kürzer bestanden als bei den übrigen. Bei Bekleidung und Schuhen war die Lücke deutlich größer.
Online- und Offline-Preise bewegen sich stärker gemeinsam, als viele annehmen. In einer separaten Studie über 56 große Multichannel-Händler in 10 Ländern stimmte der Online-Preis in 72% der Fälle mit dem Ladenpreis überein, und die wöchentliche Häufigkeit von Preisänderungen online (7,6%) unterschied sich nicht signifikant von der offline (6,8%). Für Händler, die auf beiden Wegen verkaufen, ist die Website meist ein zuverlässiges Abbild des Regals. Unser Leitfaden zur Erkennung geo-personalisierter und dynamischer Preisgestaltung behandelt die Fälle, in denen das nicht zutrifft.
Was Marktplatzpreise tun
Marktplätze sind der Ort, an dem die schnellste Preisgestaltung stattfindet. Eine Studie von 2016 von Forschern der Northeastern University verfolgte 1.641 Amazon-Bestseller und erfasste alle 25 Minuten die Top-20-Verkäufer jedes Produkts. Über sechs Wochen:
| Kennzahl | Ergebnis |
|---|---|
| Produkte, deren Buy-Box-Preis sich nie änderte | 13% |
| Produkte mit mehr als 14 Buy-Box-Preisänderungen | 50% |
| Produkte, deren Buy-Box-Gewinner sich nie änderte | 31% |
| Verkäufer, bei denen algorithmische Preisgestaltung festgestellt wurde | 543, bzw. 2,4% aller Verkäufer |
| Anteil der Verkäufer mit 20+ Preisänderungen bei einem Produkt, die algorithmisch waren | 38% |
Quelle: Chen, Mislove und Wilson (2016).
Bei manchen Produkten gab es in sechs Wochen Hunderte Buy-Box-Änderungen, weit mehr als eine pro Tag, während die meisten einzelnen Verkäufer ihren Preis nie änderten. Eine kleine Gruppe algorithmischer Verkäufer treibt den Großteil der Bewegung an. Produkte mit algorithmischen Verkäufern behielten fast nie einen statischen Buy-Box-Preis (2%), gegenüber 20% der Produkte ohne diese.
Repricing-Tools sind inzwischen weit über Amazon hinaus verbreitet. In der E-Commerce-Sektoruntersuchung der Europäischen Kommission von 2017 gaben 53% der Händler an, die Online-Preise der Konkurrenz zu verfolgen. Zwei Drittel von ihnen nutzten dafür Software, und 78% der Händler, die Software einsetzten, passten daraufhin ihre eigenen Preise an. Wie sich das in der Praxis auswirkt, zeigt unser Leitfaden zum Aufbau eines Echtzeit-Feeds für Wettbewerbspreise.
Was während des Inflationsschubs geschah
Preisgestaltung ist nicht fest vorgegeben. Mithilfe täglich erfasster Preise aus den USA und mehreren europäischen Ländern stellten Cavallo, Lippi und Miyahara fest, dass die Häufigkeit von Online-Preisänderungen bis 2021 weitgehend stabil war und sich dann “2022 und 2023 deutlich erhöhte, mehr als Verdopplung über alle Branchen und Länder hinweg.”
Der Ausgangspunkt war langsam. Vor dem Schub, in 2019-2021, änderten Lebensmittel- und Getränkehändler ihre regulären Preise im Durchschnitt etwa 1,9 Mal pro Jahr, von 0,8 Mal im Vereinigten Königreich bis 2,3 Mal in den Niederlanden.
Dasselbe Muster zeigt sich in den offiziellen Verbraucherpreisdaten, die größtenteils stationäre Geschäfte abdecken:
- Vereinigte Staaten: Die monatliche Häufigkeit von Preisänderungen ohne Rabattaktionen stieg von rund 10% vor der Pandemie auf einen Höhepunkt knapp über 20% Anfang 2022 und lag 2024 wieder bei rund 13% (Federal Reserve Board, 2025).
- Euroraum: Die monatliche Häufigkeit stieg von durchschnittlich 8% in 2010-2019 auf 12% in 2022 und ging dann 2023 und 2024 wieder zurück (Banca d’Italia, 2026). Dieselbe Studie fand, dass sich Online-Preise in den deutschen Daten tendenziell häufiger ändern als Offline-Preise.
Ein Überwachungsrhythmus, der 2019 ausreichend war, reichte 2022 nicht mehr aus. Der Rhythmus sollte überprüft werden, wenn sich der Markt ändert, nicht einmalig festgelegt werden.
Online im Vergleich zum Offline-Referenzwert
Zum Vergleich: Die klassischen Studien zu US-Verbraucherpreisdaten beziffern die mediane Dauer eines Preises einschließlich Rabattaktionen mit 4,3 Monaten und ausschließlich davon mit 5,5 Monaten (Bils und Klenow, 2004). Nur für reguläre Preise lag der Median bei 8 bis 11 Monaten im Zeitraum 1988-2005 (Nakamura und Steinsson, 2008).
Gemessen an diesem Referenzwert ist die Dauer regulärer Preise von 3,7 Monaten bei großen US-Online-Händlern in 2014-2017 etwa zwei- bis dreimal schneller. Beide verwenden unterschiedliche Daten und Methoden, daher ist der Vergleich approximativ, aber die Richtung ist eindeutig.
Was das für den Überwachungsrhythmus bedeutet
Die nützlichste Erkenntnis für Überwachungsteams stammt aus Cavallos Studie von 2018, die dieselben erfassten Daten bei unterschiedlichen Abtastintervallen vergleicht:
| Abtastung | Implizite Dauer (USA) | Was passiert |
|---|---|---|
| Täglich | 2,68 Monate | Referenzwert |
| Wöchentlich | 2,91 Monate | Nahezu identisch: “wenige Produkte haben mehr als eine Preisänderung pro Woche” |
| Monatlich | 4,7 Monate | ”Viele Preisänderungen innerhalb des Monats werden nicht erfasst” |
| Wöchentliche Mittelwerte | Etwa die Hälfte der Dauer wöchentlicher Preise | Mittelung erzeugt kleine, falsche Änderungen |
Quelle: Cavallo (2018), „Scraped Data and Sticky Prices”, veröffentlichte Fassung.
Daraus ergeben sich vier praktische Regeln.
- Bei Händler-Websites erfasst wöchentliche Prüfung die meisten Änderungen, und tägliche Prüfung nahezu alle. Der Übergang von wöchentlich zu täglich macht kaum einen Unterschied für das, was man misst. Der Übergang von wöchentlich zu monatlich macht einen großen Unterschied.
- Preise niemals mitteln, bevor man Änderungen misst. Wöchentliche Mittelwerte halbieren sowohl die gemessene Dauer als auch die gemessene Größe von Änderungen, weil eine einzelne Preissenkung mitten in einer Woche zu zwei kleineren Schritten wird. Jeden beobachteten Preis speichern.
- Bei Marktplätzen zählen Minuten und Stunden. Umkämpfte Buy-Box-Preise können sich mehrmals täglich ändern. Das Team der Northeastern University legte sich auf 25 Minuten fest, nachdem es festgestellt hatte, dass minütliches Crawling größtenteils kurze Flackerer der eigenen Systeme des Marktplatzes erfasste und nicht echte Preisanpassungen.
- Verfügbarkeit ebenso erfassen wie Preis. In Cavallos täglichen Daten fehlten 22% bis 37% der täglichen Beobachtungen, weil ein Produkt nicht vorrätig war oder die Seite nicht erfasst werden konnte, und Lagerausfälle selbst erwiesen sich als nützliches Signal: Sie stiegen während der Pandemie in den USA von rund 14% auf über 35%. Eine Lücke in den Daten ist Information, nicht nur Rauschen.
| Kanal | Empfohlener Ausgangsrhythmus |
|---|---|
| Händler-Websites, stabile Kategorien (Lebensmittel, Haushalt) | Wöchentlich, täglich rund um Aktionen |
| Händler-Websites, schnelle Kategorien (Elektronik, Haushaltswaren) | Täglich |
| Marktplatzangebote mit mehreren Verkäufern | Stündlich, schneller bei Bestsellern |
| Reisetarife und Hotelpreise | Täglich je Abflug- oder Aufenthaltsdatum, häufiger nahe am Datum |
Es an den eigenen Daten messen
Wenn man bereits Preise erfasst, kann man die Volatilität des eigenen Marktes messen, statt sich auf Durchschnittswerte aus fremden Stichproben zu verlassen. Die folgende Funktion berechnet die Häufigkeit, die implizite Dauer, den Anteil der Erhöhungen und die mediane Größe einer Änderung aus täglichen Beobachtungen:
import math
from collections import defaultdict
def change_stats(observations, min_change=0.0):
"""observations: (product_id, day, price) tuples from a daily scrape.
Compares each price with the product's previous observed price on the day
before. Gaps are skipped, not filled: a price carried across a missing day
would hide changes, and an interpolated one would invent small ones.
"""
by_product = defaultdict(dict)
for product, day, price in observations:
by_product[product][day] = price
pairs = changes = increases = 0
sizes = []
for prices in by_product.values():
for day in sorted(prices):
previous = prices.get(day - 1)
if previous is None:
continue
pairs += 1
change = (prices[day] - previous) / previous
if abs(change) > min_change:
changes += 1
increases += change > 0
sizes.append(abs(change))
frequency = changes / pairs if pairs else 0.0
sizes.sort()
return {
"daily_pairs": pairs,
"frequency": round(frequency, 4),
# Mean days between changes if each day were an independent draw.
"implied_duration_days": round(-1 / math.log(1 - frequency), 1) if 0 < frequency < 1 else None,
"share_increases": round(increases / changes, 3) if changes else None,
"median_abs_change": round(sizes[len(sizes) // 2], 4) if sizes else None,
}Sie vergleicht jeden Preis nur mit dem Preis des Vortags. Eine Lücke wird übersprungen statt aufgefüllt, denn das Fortschreiben des letzten Preises verbirgt Änderungen, und das Auffüllen der Lücke mit einer Schätzung erfindet kleine Änderungen. Das ist dieselbe Verzerrung, die die Forschung bei gemittelten Daten gefunden hat.
Ein kleines Beispiel:
from price_changes import change_stats
observations = [
("sku-1", 1, 19.99), ("sku-1", 2, 19.99), ("sku-1", 3, 17.99), ("sku-1", 4, 17.99),
("sku-2", 1, 5.49), ("sku-2", 2, 5.49), ("sku-2", 4, 5.79), ("sku-2", 5, 5.79),
("sku-3", 1, 249.00), ("sku-3", 2, 239.00), ("sku-3", 3, 249.00), ("sku-3", 4, 249.00),
]
print(change_stats(observations)){'daily_pairs': 8, 'frequency': 0.375, 'implied_duration_days': 2.1, 'share_increases': 0.333, 'median_abs_change': 0.0418}Der Preis des zweiten Produkts stieg über eine fehlende Tageslücke hinweg von 5,49 auf 5,79, daher wird diese Änderung nicht gezählt. Bei echten Daten sind die fehlenden Tage die Tage mit Lagerausfall und gescheiterter Erfassung, und man sollte deren Anzahl zusammen mit dem Ergebnis angeben. Von vornherein sauber zu erfassen hilft: Eine fehlende Beobachtung aufgrund einer Blockierung sieht genauso aus wie eine, die durch einen Lagerausfall verursacht wurde. Unser Leitfaden zu den Kosten pro sauberem Datensatz behandelt, wie Fehlerquoten in Überwachungsbudgets einfließen.
Die Funktion pro Kategorie und pro Wettbewerber ausführen. Eine Kategorie, deren implizite Dauer einige Tage beträgt, benötigt tägliche oder schnellere Erfassung. Eine in Monaten gemessene Kategorie kann wöchentlich geprüft werden, ohne dass etwas verloren geht.
FAQ
Wie oft ändern sich Online-Preise?
Bei großen US-Multichannel-Händlern änderte etwa 27% der Produkte ihren regulären Preis in einem typischen Monat in 2014-2017, sodass ein regulärer Preis rund vier Monate Bestand hatte. Marktplatzpreise ändern sich viel schneller: Bei der Hälfte der Amazon-Bestseller in einer Studie änderte sich der Buy-Box-Preis in sechs Wochen mehr als 14 Mal.
Ist tägliche Preisüberwachung notwendig?
Bei den meisten Händler-Websites erfasst wöchentliche Überwachung die meisten Änderungen, und Forschung, die tägliche und wöchentliche Stichprobenziehung verglichen hat, kam zu fast identischen Ergebnissen. Tägliche Überwachung ist wichtig für schnelle Kategorien, Aktionen und Marktplätze. Monatliche Überwachung verpasst viele Änderungen.
Ändern sich Online-Preise häufiger als Ladenpreise?
Bei Händlern, die sowohl online als auch in Geschäften verkaufen, sind die Preise in etwa 72% der Fälle identisch und ändern sich mit ähnlicher Häufigkeit. Reiner Online-Wettbewerb, besonders auf Marktplätzen, ist dort, wo sich Preise am häufigsten ändern.
Hat die Inflation verändert, wie oft sich Preise ändern?
Ja. Die Häufigkeit von Online-Preisänderungen hat sich 2022 und 2023 mehr als verdoppelt, und offizielle Preisdaten in den USA und im Euroraum zeigen ähnliche Anstiege, gefolgt von einer teilweisen Rückkehr zu früheren Werten.
Fazit
Online-Preise ändern sich schneller als vor einem Jahrzehnt, auf Marktplätzen deutlich schneller als auf Händler-Websites, und noch schneller, wenn die Inflation steigt. Die Forschung gibt eine klare Regel für die Überwachung vor: Bei Händler-Websites erfasst wöchentliche Erfassung das meiste, was tägliche Erfassung erfasst, monatliche Erfassung verpasst vieles, und gemittelte Daten verzerren das Bild. Die eigenen Kategorien messen, den Rhythmus danach festlegen, wie schnell sie sich tatsächlich bewegen, und ihn überprüfen, wenn sich der Markt ändert.
Quellen und Verweise
- Cavallo, A. (2018). More Amazon Effects: Online Competition and Pricing Behaviors. NBER Working Paper 25138.
- Cavallo, A. (2018). Scraped Data and Sticky Prices. Review of Economics and Statistics 100(1).
- Cavallo, A. (2017). Are Online and Offline Prices Similar? Evidence from Large Multi-Channel Retailers. American Economic Review 107(1).
- Cavallo, A. und Rigobon, R. (2016). The Billion Prices Project: Using Online Prices for Measurement and Research. NBER Working Paper 22111, veröffentlicht im Journal of Economic Perspectives 30(2).
- Cavallo, A., Lippi, F. und Miyahara, K. (2023). Large Shocks Travel Fast. NBER Working Paper 31659.
- Cavallo, A. und Kryvtsov, O. (2023). What Can Stockouts Tell Us About Inflation? Evidence from Online Micro Data. NBER Working Paper 29209.
- Chen, L., Mislove, A. und Wilson, C. (2016). An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace. WWW 2016.
- Europäische Kommission (2017). Final report on the E-commerce Sector Inquiry und staff working document.
- Montag, H. und Villar, D. (2025). Post-Pandemic Price Flexibility in the U.S. Federal Reserve Board, FEDS 2025-024.
- Gautier, E. et al. (2026). Consumer price stickiness in the euro area during an inflation surge. Banca d’Italia, Temi di discussione 1524.
- Bils, M. und Klenow, P. (2004). Some Evidence on the Importance of Sticky Prices. Journal of Political Economy 112(5).
- Nakamura, E. und Steinsson, J. (2008). Five Facts About Prices: A Reevaluation of Menu Cost Models. Quarterly Journal of Economics 123(4).
Mehrere der Cavallo-Studien verwenden Daten von PriceStats, das er mitbegründet hat; die Studien legen dies offen.