Kapitel 7: Preispersonalisierung

Im Folgenden widmet sich die Untersuchung personalisierten Preisen im Online-Kontext. Hierbei handelt es sich um Formen von Preisdiskriminierung, welche im Online-Handel gegenüber Verbrauchern beim Verkauf von Gütern oder Dienstleistungen zum Einsatz kommen und Preise in Abhängigkeit von den Eigenschaften, Präferenzen und Handlungen der Verbraucher bestimmen. Synonym zum Begriff „personalisierte Preise“ werden im Folgenden die Ausdrücke Personalised Pricing sowie Preispersonalisierung verwendet. Die OECD definiert das Setzen personalisierter Preise zutreffend als „any practice of price discriminating final consumers based on their personal characteristics and conduct, resulting in prices being set as an increasing function of consumers’ willingness to pay“.¹ Die Preissetzung hängt damit nicht nur von den entstandenen Kosten ab, sondern auch von der (vom Anbieter) vermuteten bzw. berechneten Zahlungsbereitschaft des konkreten Kunden. Keine personalisierten Preise nach dieser Definition liegen bei sog. A/B-Tests vor. Bei diesen werden zwar für das gleiche Produkt verschiedene Preise verlangt, weshalb sie für außenstehende Beobachter in der Praxis von personalisierten Preisen oftmals nur mit großem technischen Aufwand bzw. gar nicht zu unterscheiden sind.² Es handelt sich aber nicht um eine Personalisierung der Preise aufgrund der Zahlungsbereitschaft des Einzelnen, sondern um das bloße Testen der Kundenreaktionen auf verschiedene Preise.³ So wird ausgetestet, welcher Preis überhaupt verlangt werden kann.

Personalisierte Preise sind immer ein Unterfall von Preisdiskriminierung. Der Begriff Preisdiskriminierung ist also weiter und geht nicht zwangsläufig mit einer Personalisierung einher. Dementsprechend wird Preisdiskriminierung 2. Grades, welche von ihrer Grundkonzeption her datenschutzrechtlich neutral ist und keine Personalisierung von Preisen, sondern zumeist eine bloße Anpassung des Angebots an die Marktverhältnisse darstellt, grundsätzlich außen vor gelassen. Ausgenommen von der folgenden Untersuchung sind des Weiteren solche Geschäftsmodelle, bei denen der Kunde keine finanzielle Gegenleistung für das Gut bzw. die Dienstleistung erbringt.⁴

Die datengetriebene Wirtschaft schafft im Online-Handel Rahmenbedingungen, welche Preisdiskriminierung und personalisierte Preise gegenüber Endverbrauchern grundsätzlich begünstigen oder in manchen Fällen überhaupt erst ermöglichen. Wie bereits gesehen müssen drei Voraussetzungen erfüllt sein: Der Anbieter muss eine gewisse Marktmacht innehaben; er muss Arbitrage verhindern oder zumindest beschränken können; und er muss (zumindest näherungsweise) Kenntnis des jeweiligen Reservationspreises einzelner Kunden haben.⁵ Auch wenn diese Voraussetzungen erfüllt sind, bedeutet dies aber nicht zwingend, dass Preispersonalisierung für den Anbieter auch tatsächlich praktikabel ist. In der Praxis kommt Personalised Pricing trotz der an sich günstigen Rahmenbedingungen erstaunlich selten vor, im Gegensatz zu anderen Formen der nicht preisbezogenen Online-Personalisierung (wie etwa die Anpassung der Reihenfolge angezeigter Suchergebnisse basierend auf dem vorherigen Surfverhalten des Nutzers).⁶ Die Frage, wie und in welchem Umfang personalisierte Preise tatsächlich kommuniziert werden und welche Umstände Anbieter ggf. davon abhalten, erfährt deshalb im Folgenden gesonderte Beachtung.

Die ersten beiden der drei genannten allgemeinen Voraussetzungen liegen häufig vor: Online-Anbieter sowie -Plattformen haben dank direkter und indirekter Netzwerkeffekte in vielen Fällen eine gewisse, in einigen Fällen eine bedeutende Marktmacht inne.⁷ Der Weiterverkauf von Gütern oder Dienstleistungen, welche online von Verbrauchern erworben wurden, ist zwar zu einem gewissen Grad denkbar, aber oftmals unmöglich (z. B. im Fall von Flugtickets) oder zumindest umständlich.⁸ Arbitrage findet in diesen Fällen nicht in bedeutendem Umfang statt und stellt daher kein strukturelles Hindernis für Anbieter dar.⁹ Eine gewisse Rolle spielt in diesem Kontext auch, wie transparent die Preissetzung aus Sicht des Kunden ist. Wie sich noch zeigen wird, haben Anbieter grundsätzlich ein Interesse daran, Preispersonalisierung zu verschleiern, sodass der Kunde gar nicht merkt, dass „sein“ Preis ein anderer ist als der für andere Kunden.¹⁰ Sinkende Preistransparenz und fehlgeleitete Vorstellungen über den Marktpreis machen damit einen Weiterverkauf zwischen Kunden unwahrscheinlicher.

Die Erfüllung der dritten Voraussetzung (Bestimmung des Reservationspreises) ist komplizierter – hier klaffen die theoretisch gegebenen Möglichkeiten und die Praxis weit auseinander. Der Anbieter muss zumindest grobe Anhaltspunkte dafür haben, wie viel der Kunde in einer konkreten Situation zu zahlen bereit ist, da ansonsten die Personalisierung von Preisen nicht möglich ist. Die (näherungsweise) Bestimmung des Reservationspreises ist in den letzten Jahren grundsätzlich einfacher und praktikabler geworden.¹¹ Aufgrund der Digitalisierung und der stärkeren Vernetzung können Unternehmen in aller Regel über ihre Kunden (und über andere Besucher ihrer Webseiten) mehr Daten sammeln. Die heutigen Geschäftsmodelle sind damit nicht mehr nur auf solche Daten angewiesen, welche von den Kunden selber aktiv mitgeteilt wurden. Anbieter können auch selber Daten über ihre Kunden erheben, ohne dass diesen dies unbedingt bewusst sein muss.¹² Zugleich können die gesammelten Daten verwendet werden, um aus ihnen weitergehende Schlüsse abzuleiten.¹³ Das damit einhergehende Wissen über das Kaufverhalten von Kunden kann durchaus dazu eingesetzt werden, um ihnen gegenüber Preise direkt oder indirekt anzupassen. Auch hier gilt allerdings, dass die praktische Umsetzung – also die tatsächliche Anpassung des Preises, der von einem Kunden verlangt wird – nicht so einfach ist, wie es die Theorie vermuten lässt.

Der Diskrepanz zwischen den bestehenden theoretischen Möglichkeiten, von Verbrauchern personalisierte Preise zu verlangen, und dem nur sehr begrenzten praktischen Vorkommen trägt die Untersuchung im Folgenden dadurch Rechnung, dass sie zunächst auf vorwiegend theoretischer Basis den Bogen zum Begriff des Profilings i. S. v. Art. 4 Nr. 4 DSGVO schlägt und personalisierte Preise zu dem in diesem Kontext bereits beschriebenen 3-stufigen Modell in Bezug setzt. Diese theoretische Betrachtung geht grundsätzlich von (aus Anbietersicht) besonders günstigen, also Idealbedingungen aus, ohne aber praktische Grenzen außen vor zu lassen und ein gänzlich unrealistisches Szenario zu skizzieren. Der theoretische Abschnitt beinhaltet somit auch bewusst praxisbezogene Überlegungen und Erkenntnisse aus der Praxis. Im Anschluss wird das Vorkommen personalisierter Preise in der Praxis vor allem anhand empirischer Studien und bekannt gewordener Einzelfälle beleuchtet, um die Gründe für die unternehmerische Zurückhaltung zu verstehen. Diese zweigliedrige Untersuchung zielt darauf ab, ein umfassendes Bild personalisierter Preise zu zeichnen. Dieses soll auch möglichst dann noch Bestand haben, wenn die Praxis sich ändert und personalisierte Preise an Bedeutung gewinnen. Letzteres ist durchaus denkbar:¹⁴ Heutzutage ist auf Verbraucherseite bereits akzeptiert, dass in manchen Bereichen für die gleiche bzw. vergleichbare Leistung unterschiedliche Preise verlangt werden. So gilt es durchaus als normal, dass beispielsweise bei der Buchung eines Flugtickets die Passagiere auf dem gleichen Flug und in der gleichen Klasse in Abhängigkeit vom Buchungszeitpunkt unterschiedlich viel bezahlen. Hierbei handelt es sich in aller Regel nicht um personalisierte Preise, sondern um die Auswirkungen von Angebot und Nachfrage sowie Preisdiskriminierung 2. und 3. Grades.¹⁵ Die in diesem Kontext de facto entgegengebrachte Akzeptanz kann sich im Laufe der Zeit auch auf personalisierte Preise ausweiten. Preissetzungsmethoden im Flugsektor sind eine gute Blaupause für solch eine sich wandelnde gesellschaftliche Akzeptanz: Das Yield Management US-amerikanischer Fluggesellschaften – also die automatisierte, dynamische Anpassung von Ticketpreisen mit dem Ziel der Gewinnmaximierung¹⁶ – wurde nach seiner Einführung von der breiten Öffentlichkeit zunächst kritisch bewertet, im Laufe der Zeit aber akzeptiert.¹⁷ Im Kontext von Personalised Pricing könnte durchaus ein ähnlicher Effekt eintreten: Die dynamischen Ticketpreise, welche die Folge von Yield Management sind, wirken aus Kundensicht oftmals wie personalisierte Preise. Zudem zeitigen sie für die Betroffenen ähnliche wirtschaftliche Auswirkungen (verschiedene Kunden zahlen verschiedene Preise für die gleiche Dienstleistung). Eine wachsende gesellschaftliche Akzeptanz wäre folglich nicht überraschend.

Ein solcher Trend zu mehr personalisierten Preisen kann auch dadurch gefördert werden, dass vermehrt das Produkt als solches – und damit einhergehend der Preis – an den Kunden angepasst wird, womit die Vergleichbarkeit der Produkte und der Preise sinkt bzw. erschwert wird.¹⁸ Die Personalisierung kann sich unmittelbar auf das Produkt als solches beziehen oder durch die Anpassung produktnaher Konditionen bewirkt werden (z. B. durch besondere Garantieleistungen, Versandarten oder Zahlungsmodalitäten). Preisvergleichsportale, die im digitalen Wettbewerb für Verbraucher oftmals eine Schlüsselfunktion bei der Kaufentscheidung spielen,¹⁹ können ihre Funktion in diesen Fällen nicht mehr wie vorgesehen erfüllen. Die geschaffene Informationsasymmetrie senkt die Vergleichbarkeit von Preisen und schafft damit zugunsten des Anbieters ein strukturelles Hindernis personalisierter Preise teilweise aus der Welt, nämlich die Vergleichbarkeit von Produkten und Preisen. Produktpersonalisierung kann zudem den Weiterverkauf (Arbitrage) erschweren oder, sofern dieser aufgrund der Personalisierung unmöglich ist, gänzlich ausschließen.

Klassische Gruppenrabatte, wie sie von der Preisdiskriminierung 3. Grades bekannt sind, sind zumeist durch ihre (oftmals grobe) Pauschalisierung gekennzeichnet: Der Preis hängt beispielsweise pauschal davon ab, ob der Kunde ein Student ist oder nicht. Eine feinere Differenzierung in Form einer feineren Segmentierung des Nachfragemarktes findet in diesen Fällen nicht statt. Im digitalen Umfeld ist das zugrunde liegende Preissetzungskonzept das gleiche – die Umsetzung ist aber potenziell deutlich präziser.²⁰ Statt pauschal und einseitig bestimmte Gruppen vorab zu definieren, werden mit statistischen Methoden Gruppen definiert, die eine bestimmte Preissensitivität aufweisen, um den Reservationspreis zu bestimmen. Bei diesen Gruppen handelt es sich z. B. um bestimmte „Käufer-Typen“. Es gilt dann, den Betroffenen – also den Kunden, für den der Anbieter im Einzelfall den Preis bestimmen möchte – in die richtige Gruppe einzuordnen, um von der Gruppenzugehörigkeit wiederum auf seinen Reservationspreis schließen zu können. Der Anbieter muss also Informationen über den Betroffenen erlangen, denn nur so kann dieser in die „richtige“ Gruppe eingeordnet und der Preis dementsprechend an ihn angepasst werden. Ein Fluss personenbezogener Daten über den Betroffenen an den Anbieter ist damit zwingend notwendig. Die auf diese Weise erzielbaren Ergebnisse sind in der Theorie äußerst präzise und können mit Blick auf ihre Präzision an perfekte Preisdiskriminierung heranreichen.²¹ Da der individuelle Reservationspreis als subjektives, inneres Merkmal des Betroffenen aber nicht bekannt ist, sondern anhand externer Faktoren indirekt bestimmt wird, liegt bei per Profiling personalisierten Preisen nach hiesigem Verständnis keine Preisdiskriminierung 1. Grades vor.²²

Bei dieser Art und Weise der Preisfestsetzung handelt es sich um Preisdiskriminierung 3. Grades, da die Gruppenzugehörigkeit den Preis bestimmt.²³ Die automatisierte Auswertung großer Datenmengen erlaubt in der Theorie allerdings die Bildung viel feinerer Gruppen, da mehr empirische und statistische Informationen über das Kaufverhalten von Kunden zusammengeführt werden können, um Preise im Einzelfall zu setzen. Statt beispielsweise nur pauschal der Gruppe „Studenten“ einen Rabatt zu gewähren, können viel präzisere Gruppen definiert werden, wodurch (zumindest theoretisch) auch ganz individuelle Faktoren des jeweils Betroffenen berücksichtigt werden können. Datengetriebene Preisdiskriminierung orientiert sich also an objektiv feststellbaren äußeren Merkmalen der Kunden. Sie wird individueller und präziser, da die zur Preisbestimmung angewendeten Gruppen potenziell sehr feingliedrig und vielschichtig sind. Die Gruppenzugehörigkeit wird anhand von Eigenschaften und Verhalten des Betroffenen bestimmt und gibt wiederum Auskunft über seine zu erwartende Preissensitivität.²⁴ Damit lässt sie näherungsweise die Bestimmung des Reservationspreises zu. Je mehr individuelle Faktoren über das Verhalten und die Eigenschaften von natürlichen Personen bekannt sind, desto feiner können die Gruppen gebildet werden – und desto präziser geben sie Auskunft über den Reservationspreis ihrer Mitglieder.²⁵

Diese datengetriebene Variante von Preisdiskriminierung 3. Grades entspricht konzeptionell und mit Blick auf ihren chronologischen Ablauf dem datenschutzrechtlichen Begriff des Profilings, wie er in Art. 4 Nr. 4 DSGVO definiert wird.²⁶ Wie bereits festgestellt²⁷ basiert auch Profiling methodisch auf dem Konzept, Wissen über das Verhalten vieler (in der Vergangenheit) zu nutzen, um daraus, bezogen auf den Einzelfall, Schlussfolgerungen für die Zukunft zu ziehen. Profiling läuft in der Regel so ab, dass Vergleichsgruppen aus großen Datensätzen herausgefiltert werden (sog. Grouping oder Clustering) und der Betroffene anhand der über ihn vorliegenden Informationen in die Gruppe eingeordnet wird, der er mit Blick auf seine persönlichen Aspekte (Eigenschaften, Präferenzen etc.) am ehesten entspricht. Im Umkehrschluss eröffnet das Wissen, dass der Betroffene angesichts der über ihn bekannten persönlichen Aspekte einer bestimmten Gruppe zugehörig ist, dem Anbieter weiteres Wissen: Weitere persönliche Aspekte des Betroffenen, welche dem Anbieter bisher nicht bekannt waren, können aus den in den Vergleichsdaten enthaltenen bekannten persönlichen Aspekten der anderen Gruppenmitglieder abgeleitet werden.

Verkürzt formuliert meint der datenschutzrechtliche Begriff Profiling i. S. d. Art. 4 Nr. 4 DSGVO das datengestützte Bewerten der persönlichen Aspekte einer natürlichen Person. In den nicht abschließenden²⁸ Regelbeispielen des Art. 4 Nr. 4 DSGVO wird Preisdiskriminierung nicht genannt. Datengetriebene Preisdiskriminierung im Online-Handel fällt aber sowohl mit Blick auf den Wortlaut der Norm als auch mit Blick auf ihren Sinn und Zweck unter die Legaldefinition des Profilings. Bereits in dem Moment, in dem Daten erstmalig zum Zwecke der Preispersonalisierung erhoben werden, liegt eine automatisierte Verarbeitung personenbezogener Daten i. S. d. Art. 4 Nr. 4, 2 und 1 DSGVO vor.²⁹ Der Bestimmung des Reservationspreises wohnt sowohl eine analytische als auch eine vorhersagende Komponente inne (vgl. dazu den Wortlaut des Art. 4 Nr. 4 DSGVO: „zu analysieren oder vorherzusagen“). Es geht im Kern immer um die Frage, zu welchem Preis der Käufer ein bestimmtes Gut oder eine bestimmte Dienstleistung noch zu kaufen bereit ist. Bestimmt werden also die momentanen Präferenzen und Eigenschaften des Betroffenen, um vorherzusagen, ob er einen bestimmten Preis akzeptieren (und das Produkt oder die Dienstleistung kaufen) wird oder nicht.³⁰ Das Bestimmen des Reservationspreises anhand der Eigenschaften und Präferenzen eines Kunden dient also dazu, seine persönlichen Aspekte „wirtschaftliche Lage“, „persönliche Vorlieben“, „Interessen“ und „Verhalten“ zu bewerten i. S. d. Art. 4 Nr. 4 DSGVO.

Da die Berechnung personalisierter Preise konzeptionell dem datenschutzrechtlichen Begriff des Profilings i. S. d. Art. 4 Nr. 4 DSGVO entspricht, kann im Rahmen ihrer Beschreibung und rechtlichen Bewertung auf das im Rahmen dieser Arbeit im Kontext von Profiling entwickelte 3-stufige Modell zurückgegriffen werden. Dieses erlaubt es, den Ablauf von datengetriebener Preisdiskriminierung in der Form personalisierter Preise zu strukturieren und damit in tatsächlicher und rechtlicher Hinsicht greifbar zu machen. Das Modell wird grundsätzlich „idealisiert“ beschrieben. Es nimmt die Situation in den Blick, in der datengetriebene Preisdiskriminierung ungehindert möglich ist und keinen bzw. kaum realen Beschränkungen unterliegt. Dieser hypothetische Ablauf wäre aus Sicht des Anbieters der ideale, da er unterstellt, dass der Reservationspreis des Kunden in jedem Einzelfall exakt bestimmt und vollständig von diesem in voller Höhe verlangt werden kann. Dies wiederum entspräche von der Präzision her gesehen perfekter Preisdiskriminierung³¹ und wäre für Anbieter am lukrativsten, da sie in dieser Konstellation bei jeder einzelnen Transaktion die Konsumentenrente komplett abschöpfen könnten.³² Gerade bei dieser letztgenannten Situation handelt es sich um ein hypothetisches Konstrukt, welches in dieser „lehrbuchhaften“ Form in der Praxis aus verschiedenen Gründen nahezu gar nicht vorzufinden ist. Aus diesem Grund nimmt die Untersuchung des Ablaufs der Preissetzung vor dem Hintergrund des 3-stufigen Modells gerade nicht nur die hypothetischen Idealumstände in den Blick, sondern auch faktische Umstände und Phänomene, welche Anbieter in der Praxis daran hindern, Preispersonalisierung tatsächlich umzusetzen. Die Untersuchung widmet sich nur dem Verhältnis zwischen Anbietern (die im Online-Handel Waren und Dienstleistungen unmittelbar an Endverbraucher verkaufen) und ihren Kunden. Vom Begriff „Kunde“ sind auch potenzielle Kunden umfasst – also etwa solche, die eine Anbieter-Seite aufrufen, um sich über Preise zu informieren. Anhand der so gefundenen, modellhaften Struktur lassen sich anschließend die praktischen Hindernisse analysieren, welche sich Anbietern gegenüber aufgrund tatsächlicher sowie rechtlicher Beschränkungen ergeben.

Mit zunehmendem Zugriff auf Daten steigt das Wissen, welches Anbieter über ihre Kunden und über Kundenverhalten im Allgemeinen haben – und damit grundsätzlich auch die Möglichkeit, die Zahlungsbereitschaft Einzelner zu bestimmen.³⁴ Im digitalen Umfeld bestehen, nicht zuletzt aufgrund moderner Tracking- und anderer Datenverarbeitungs-Technologien, grundsätzlich äußerst weitreichende Möglichkeiten, Daten jedweder Art zwecks Auswertung zu sammeln und zusammenzuführen.³⁵ Anbieter, welche personalisierte Preise verlangen möchten, müssen die dafür notwendigen Daten nicht unbedingt selber sammeln: Weitere Möglichkeiten der Datenbeschaffung sind z. B. der Kauf von Datensätzen oder auch Unternehmenskäufe bzw. Zusammenschlüsse von Unternehmen, womit dem kaufenden bzw. aufnehmenden Unternehmen Zugang zu relevanten Daten eröffnet wird.³⁶ Im theoretischen Idealfall haben Anbieter somit Zugriff auf extrem große Datensätze, welche Auskunft geben über das Kaufverhalten von Kunden in verschiedenen Situationen und angesichts verschiedener Preise. Notwendig ist der Zugriff auf besonders große, vielfältige und inhaltlich korrekte Datenmengen, welche verschiedene Konstellationen abdecken. In diesen abstrakten Vergleichsdaten müssten sämtliche relevanten Informationen darüber enthalten sein, welcher Kundentyp welche Produkte in welcher Situation zu welchem Preis zu kaufen bereit ist. Relevant sind dabei nicht nur die persönlichen Aspekte des Betroffenen, sondern darüber hinausgehend auch situative Faktoren, wie z. B. die Tageszeit. Auf dieser Stufe geht es nur um die wertungsfreie Sammlung von Daten: Das Auswerten der Daten mit den Mitteln des Profilings und mit dem Ziel der Bestimmung des Reservationspreises eines Kunden – womit das Erschaffen „neuer“ Daten einhergeht – ist der Datenbeschaffung nachgelagert.

Mit Blick auf die Quelle solcher Daten, die geeignet sind, um mit ihnen Preisdiskriminierung in der Form personalisierter Preise zu betreiben, unterschied das Office of Fair Trading in einer Veröffentlichung aus dem Jahr 2013 zwischen drei übergeordneten Gruppen, namentlich „observed“ (Daten, die vom Anbieter selber „beobachtet“ und gesammelt werden), „volunteered“ (Daten, die aktiv vom Kunden an den Anbieter übermittelt werden) und „collected“ (Daten, die sich auf das Verhalten des Kunden auf anderen Webseiten beziehen).³⁷ In die Kategorie „observed“ fallen demnach Informationen wie z. B., welches Produkt gekauft wurde, das Endgerät, über das der Kunde den Online-Shop ansteuert, sein Betriebssystem, sein (aus der IP-Adresse ersichtlicher) Standort, sein Status als Neu- oder Bestandskunde sowie frühere Einkäufe. „Volunteered“ sind z. B. seine Adressdaten, sein Geburtsdatum und Antworten, welche von ihm im Rahmen von Online-Kundenbefragungen des Anbieters gegeben wurden. Die Kategorie „collected“ bezieht sich auf Daten, welche z. B. mithilfe von Cookies gesammelt werden und Auskunft über das Online-Verhalten des Kunden geben. In diesem Rahmen geht es beispielsweise darum, ob der Kunde den Online-Shop des Anbieters direkt angesteuert hat oder ob ein Preisvergleichsportal ihn weitergeleitet hat. In diese Kategorie fallen auch das Surfverhalten des Kunden und sein Online-Kaufverhalten.³⁸

Innerhalb dieser übergeordneten Gruppen kann weiter differenziert werden hinsichtlich des Inhalts der verwendeten Daten. Eine im Auftrag der Europäischen Kommission erstellte Studie aus dem Jahr 2018 unterscheidet beispielsweise verschiedene Kategorien von Daten, welche zum Zweck der Preisdiskriminierung gesammelt werden.³⁹ Die nicht abschließende Liste umfasst 11 Kategorien, welche anhand von Beispielen erläutert werden. Zu den Kategorien gehören u. a. Daten über die finanziellen Verhältnisse des Betroffenen (Einkommen, Bonitätswerte), Kontaktdaten (Anschrift, E-Mail-Adresse, Telefonnummer), Transaktionsdaten (z. B. über vergangene Käufe), sozio-demografische Daten (Alter, Ethnie, Bildungsstand, Haushaltseinkommen etc.), Standortdaten, Daten über das Verhalten des Betroffenen und seine Interessen (besuchte Webseiten, angeklickte Werbung, Beiträge in sozialen Netzwerken, auf Webseiten und Blogs etc.), technische Daten (IP-Adresse, Informationen über das verwendete Endgerät und den verwendeten Browser), Daten über bestehende Sozialkontakte (Familien- und Freundeskreis) sowie Daten, die aus öffentlichen Registern abgefragt werden können (z. B. öffentliche Wählerregister oder Insolvenzen).⁴⁰

Diese abstrakten Vergleichsdaten sind zu unterscheiden von personenbezogenen Daten, die sich im Einzelfall auf konkrete Kunden beziehen und zwingend notwendig sind, um Preise zu personalisieren. Diese Daten stellen den Schlüssel zu dem in den abstrakten Vergleichsdaten enthaltenen Wissen dar. Im Idealfall haben Anbieter Zugriff auf ein vollständiges Profil jedes konkreten Kunden, welches inhaltlich zutreffende Informationen über sämtliche für die Preisbestimmung relevanten persönlichen Aspekte enthält.

Die dem Anbieter zur Verfügung stehenden Daten werden automatisiert ausgewertet, um den Reservationspreis des Betroffenen zu bestimmen. Dies ist das eigentliche Profiling: Die personenbezogenen Daten des Betroffenen werden zu den vorhandenen abstrakten Vergleichsdaten in Relation gesetzt und mit dem Ziel analysiert, eine Bewertung seines persönlichen Aspekts „Reservationspreis“ zu generieren. Die zweite Stufe schließt im theoretischen Idealfall mit der Erkenntnis, dass der Kunde einen bestimmten Preis zu zahlen bereit ist bzw. das Produkt gar nicht oder nur zu einem Preis kaufen würde, der unterhalb der Grenzkosten des Anbieters liegt und für diesen deshalb nicht mehr profitabel ist.

Der Reservationspreis als innerer Vorgang des Kunden ist keine Variable, die objektiv messbar oder anderweitig unmittelbar feststellbar wäre.⁴¹ Er kann methodisch nur indirekt bestimmt werden, nämlich anhand der Feststellung, ob Kunden ein Produkt zu einem bestimmten Preis kaufen oder nicht.⁴² Anbietern bleibt damit nur die Möglichkeit, im Rahmen des Profilings Schlussfolgerungen aus dem Verhalten anderer, „vergleichbarer“ Kunden in vergleichbaren Situationen zu ziehen und diese Erkenntnisse in concreto auf den einzelnen Kunden zu übertragen und situationsabhängig zur Entscheidungsfindung zu nutzen.⁴³

Vor allem Daten, die vom Kunden nicht aktiv mitgeteilt, sondern stattdessen vom Anbieter oder Dritten über diesen erhoben wurden, können grundsätzlich einiges über den Betroffenen aussagen. So ist beispielsweise die Kenntnis des Surfverhaltens hilfreich, um die Interessen des Betroffenen oder seine Preissensitivität zu bestimmen. Demografische Daten geben Hinweise auf die Kaufkraft und -willigkeit des Betroffenen. Gleiches gilt für Daten über sein Kaufverhalten: Ist der Betroffene eher ein schneller „Impuls-Käufer“, oder verhält er sich preissensitiv und recherchiert Preise, indem er die Seiten verschiedener Anbieter aufsucht oder Preisvergleichsportale nutzt? Hat er sich das gleiche oder ein ähnliches Produkt bereits auf anderen Seiten angesehen?⁴⁴

Naturgemäß handelt es sich – selbst die besten Rahmenbedingungen unterstellt – bei den auf diese Art und Weise gefundenen Erkenntnissen aber nur um Näherungswerte. Diese beruhen auf Wahrscheinlichkeitsberechnungen und erlauben dementsprechend nur näherungsweise Aussagen.⁴⁵ Mit steigender Datenmasse und besserer Software zum Auswerten steigt die Präzision der Ergebnisse. Allerdings dürfte es auch in der Theorie nur in seltenen Ausnahmefällen möglich sein, den genauen Reservationspreis zu bestimmen. Dafür wäre nämlich letztlich Zugriff auf die subjektiven, inneren Wünsche und Präferenzen der Kunden notwendig, um jeweils „ihren“ Preis im Einzelfall zutreffend erkennen zu können. Diese Präferenzen sind Schwankungen unterworfen, oftmals irrational – und somit selbst unter den besten Rahmenbedingungen nicht in allen Fällen bestimmbar. Der Kunde kann seinen Reservationspreis oftmals selber nicht eindeutig benennen, zumal dieser auch durch äußere Umstände beeinflusst wird und generell situationsabhängig ist.⁴⁶

Auch wenn datengetriebene Preisdiskriminierung den Reservationspreis eines Kunden in der Theorie also sehr präzise anhand seiner Eigenschaften und seines Verhaltens vorhersagen kann, bestehen systembedingte, dem Profiling innewohnende Unschärfen. Weitere praktische Erwägungen reduzieren in der Regel die Genauigkeit der Ergebnisse: Es stehen zu wenige abstrakte Vergleichsdaten und zu wenige personenbezogene Daten über den konkreten Kunden zur Verfügung. Die Beschränkungen für Anbieter sind damit tatsächlicher Natur: Es gibt nicht so viel Datenmaterial, dass jede denkbare Situation und jeder konkrete Einzelfall präzise abgebildet werden könnte. Im Anwendungsbereich des europäischen Datenschutzrechts bestehen zudem rechtliche Hürden, welche das Datensammeln und -speichern regulieren und damit einschränken. Die Präzision hängt also letztlich auch davon ab, auf welches Datenmaterial der Anbieter faktisch und rechtlich Zugriff hat und welche Analysemethoden ihm zur Verfügung stehen. Beispiele aus der Praxis bestätigen, dass die Ergebnisse in der Regel recht pauschal sind und nur grobe Aussagen getroffen werden können.⁴⁷ Diese Unschärfe wohnt auch fortgeschrittenen Verfahren zur Preisbestimmung inne. Diese mögen zwar im Einzelfall präzise sein. Eine hohe Präzision der Masse an Kunden gegenüber zu erreichen, scheint aber in der Praxis nach dem heutigen Stand der Technik nicht möglich zu sein.

Kennt der Anbieter den Reservationspreis des Kunden, stellt sich ihm die Frage, wie er dieses Wissen nutzbar machen soll. In der Praxis wird die ihm vorliegende kundenbezogene Information eher grob und tendenziell sein und sich auf einen preislichen Spielraum beziehen, in dem sich der Reservationspreis vermutlich befindet. Es geht für den Anbieter auf der letzten Stufe des Modells darum, eine Entscheidung über die preisbezogene Kommunikation mit dem Kunden zu treffen und diese in die Tat umzusetzen. Dem Anbieter stellen sich zwei übergeordnete Fragen, welche sich inhaltlich teilweise beeinflussen: Welcher Preis wird zu welchem Zeitpunkt vom Kunden verlangt? Und: Wie wird dieser Preis dem Kunden gegenüber kommuniziert?

Wenn Preise personalisiert werden, kann diese Form der Preisdiskriminierung in der Theorie nahezu die Präzision „perfekter Preisdiskriminierung“ (also solcher 1. Grades) erreichen. Die zugrunde gelegten Gruppen werden mit zunehmender Datenmenge immer feingliedriger und präziser und geben ab einem gewissen Maß an Granularität näherungsweise Auskunft über den exakten Reservationspreis ihrer jeweiligen Mitglieder.¹⁴⁸ So wird bei theoretischer Betrachtungsweise – die besten Bedingungen unterstellt – ein ähnlich präzises Ergebnis erzielt wie bei Preisdiskriminierung 1. Grades. Der Weg ist konzeptionell allerdings ein anderer: Preisdiskriminierung 1. Grades unterstellt Kenntnis des Reservationspreises als inneres Merkmal des Betroffenen. Preisdiskriminierung 3. Grades erlaubt den Schluss auf den näherungsweisen Reservationspreis des Betroffenen anhand äußerer Merkmale, also beobachteter bzw. gesammelter Eigenschaften.

Die Verwendung personalisierter Preise ist in der Theorie für Anbieter äußerst lukrativ. Benjamin Shiller hat 2014 mithilfe eines eigens entwickelten ökonomischen Modells untersucht, welche Gewinnsteigerung der Video-Streamingdienst Netflix bei Verwendung personalisierter Preise realisieren könnte.¹⁴⁹ Personalisierte Preise, die ausschließlich anhand „einfacher“ demografischer Daten (wie etwa das verfügbare Haushaltseinkommen, das Vorhandensein von Kindern, die Anzahl von Personen im Haushalt etc.) kalkuliert wurden, führten demnach zu einer Gewinnsteigerung von 0,8 %. Demgegenüber wurden in einem zweiten fiktiven Szenario zur Preiskalkulation ca. 5000 Variablen eingesetzt, die hoch detaillierte Auskunft über das Surfverhalten von Kunden gaben.¹⁵⁰ Beispielsweise wurde berücksichtigt, wie häufig welche Webseiten (aus einem Pool von 4788) von den Nutzern angesteuert wurden und zu welcher Tageszeit sie an welchem Tag in der Woche im Internet gesurft haben. In diesem fiktiven Szenario betrug die Gewinnsteigerung 12,2 % und einzelne Kunden zahlten im Einzelfall das Doppelte des von Netflix ansonsten verlangten Einheitspreises.¹⁵¹ Von perfekter Preisdiskriminierung nach traditionellem Verständnis kann bei dieser Untersuchung nicht gesprochen werden, da es sich um theoretische und dementsprechend fehleranfällige Hochrechnungen handelt, zumal das zugrunde gelegte Datenmaterial nur Auskunft über demografische Daten und Surfverhalten beinhaltet. Die Präzision könnte bei Zugrundelegung weitergehender Datenarten durchaus noch bedeutend gesteigert werden.¹⁵² Die Untersuchung zeigt aber, welche Möglichkeiten die Berücksichtigung einzelner, sehr spezieller Variablen in der Theorie eröffnet.

Die Übertragung der Struktur des 3-stufigen, im Kontext von Profiling entwickelten Modells auf Online-Preispersonalisierung zeigt, welche Faktoren dabei eine Rolle spielen – und warum ihre praktische Umsetzung auf jeder der drei Stufen mehr Probleme aufwirft, als die Theorie zunächst vermuten lässt. Auf Stufe 1 (Datenbeschaffung) liegt das Problem weniger auf der Beschaffung abstrakter Vergleichsdaten, die etwa die Bildung verschiedener Käuferprofile erlauben. Schwieriger ist der Zugriff auf die personenbezogenen Daten des konkreten Kunden, der Adressat eines personalisierten Preises werden soll. Anbieter mögen oft Zugriff auf einige personenbezogene Daten haben, etwa solche über das vorangehende Surfverhalten des Kunden (so etwa, wenn dieser seitenübergreifend getrackt wurde), frühere Einkäufe, seinen Aufenthaltsort etc. Die Komplexität dieser Profile ist oftmals aber zu niedrig, um aus ihnen wirklich fundierte Aussagen über seine Zahlungsbereitschaft ableiten zu können. Nicht zu unterschätzen ist bereits an dieser Stelle, wie auch auf den anderen beiden Stufen, das Problem der sicheren Identifizierung des Einzelnen: Ein Profil ist für den Anbieter nur dann nutzbar, wenn er es im richtigen Moment richtig zuordnen kann. Bei Neukunden oder etwa solchen, die verschiedene Endgeräte nutzen oder ihre Spuren im Internet bewusst reduzieren, kann die sichere Identifizierung des Einzelnen ein Ding der Unmöglichkeit werden. Hinzu kommt, dass personenbezogene Daten vom Anbieter nicht ohne Weiteres unbegrenzt gespeichert werden dürfen. Diese Hindernisse setzen sich auf Stufe 2 fort, dem Profiling, welches in der Bestimmung des Reservationspreises endet bzw. enden soll: Diese Verfahren sind auf umfassendes, qualitativ hochwertiges und relevantes Datenmaterial angewiesen, um den Betroffenen in die richtige Gruppe einzuordnen. Wenn es an diesen Faktoren scheitert, scheitert auch die Bestimmung der Zahlungsbereitschaft. Die Rahmenbedingungen auf der dritten Stufe sind wiederum anderer Natur. Zu diesem Zeitpunkt liegt dem Anbieter im Idealfall die Information vor, welche Zahlungsbereitschaft ein konkreter Kunde aufweist. In der Praxis handelt es sich eher um grobe Tendenzen dahingehend, wie preissensitiv der Kunde ist und in welcher Preisspanne sein Reservationspreis vermutlich liegt. Nun geht es darum, wie der Anbieter auf den ihm vorliegenden Informationen aufbaut und sein weiteres Vorgehen gestaltet. Mit Blick auf die Höhe des tatsächlich realisierbaren Preises unterliegt er weiterhin wettbewerblichen Beschränkungen. Die manchmal suggerierte Vorstellung, Kunden würden alle Preise akzeptieren, die ihrem Reservationspreis entsprechen oder darunter liegen, ist in dieser Schlichtheit unzutreffend: Wettbewerb, vor allem auch ein Abwerben von Kunden, kann auch bei personalisierten Preisen stattfinden und durch diese sogar in seiner Intensität steigen.¹⁵³ Je nach Marktsituation und Informationsgefüge kann die Wettbewerbsintensität aber auch absinken. Unabhängig davon sind psychologische, auf das Marketing der Anbieter bezogene Aspekte zu berücksichtigen, die sich mit der verhaltensökonomischen Forschung erklären lassen. Kunden empfinden personalisierte Preise grundsätzlich als ungerecht. Die Preiskommunikation wird damit zur Schlüsselfrage: Anbieter müssen die Personalisierung des Preises entweder verschleiern oder sie aktiv offenlegen und mit einer Rechtfertigung verknüpfen. Eine „Marketing-Todsünde“ ist das erkennbar aus Gewinnstreben motivierte Anheben von Preisen zu Lasten Einzelner. Deshalb findet eine Personalisierung tendenziell eher „nach unten“ statt, also als Vergünstigung ausgestaltet, ausgehend von einem Referenzpreis. Kunden sind zudem oftmals irrational und inkonsequent in ihrer Wahrnehmung. Die Simulation von Shiller zeigt, wie lukrativ Personalisierung sein könnte, wenn tatsächliche, rechtliche und wettbewerbliche Hindernisse ausgeschaltet sind. Deshalb ist davon auszugehen, dass für Unternehmen große Anreize bestehen, die ihnen gegebenen Möglichkeiten der Preispersonalisierung auszuloten und so weit wie möglich zu nutzen.

Vor dem Hintergrund der getroffenen Feststellungen widmet die Untersuchung sich im Folgenden der Frage, in welchem Ausmaß und in welcher Form personalisierte Preise in der Praxis vorkommen. Dies geschieht unter Rückgriff auf zwei bekannt gewordene, nachgewiesene Einzelfälle von Preispersonalisierung, behördliche bzw. behördlich veranlasste sowie wissenschaftliche Studien. Zugleich werden die gefundenen Ergebnisse analysiert.

Angesichts der Rahmenbedingungen, denen Anbieter auf der dritten Stufe ausgesetzt sind, und mit Blick auf die im Folgenden zu analysierenden Erkenntnisse aus der Praxis bietet sich eine weitergehende terminologische Konkretisierung des Begriffs Preispersonalisierung an. Im Folgenden kommt der Ausdruck „unmittelbare Preispersonalisierung“ zum Einsatz, wenn ein Anbieter so vorgeht, dass er den dem jeweiligen Kunden online angezeigten Preis unmittelbar an diesen anpasst. Die individuelle Anpassung des Preises ist dabei als solche beabsichtigt (und nicht etwa Folge eines technischen Fehlers) und basiert auf der vom Anbieter vermuteten individuellen Zahlungsbereitschaft. Gemeint ist die Fallkonstellation, dass ein Kunde ohne ihm ersichtlichen Grund eventuell¹⁵⁴ einen anderen Preis angezeigt bekommt als andere Kunden im gleichen Zeitpunkt. Bei den im Nachgang analysierten Fallbeschreibungen und Studien kann aus methodischen Gründen grundsätzlich nur diese Form des Personalised Pricings erfasst werden. Der Begriff „mittelbare Preispersonalisierung“ bezeichnet demgegenüber die Situation, dass die Anpassung des Preises in eine subtilere Form der Kommunikation eingebettet wird. Auch sie findet bewusst und basierend auf der vermuteten Zahlungsbereitschaft des Kunden statt. Gemeint sind die bereits weiter oben beschriebenen Fälle, in denen die Personalisierung entweder gänzlich verschleiert oder, alternativ, offengelegt und dem Kunden gegenüber mit einer für diesen erkennbaren Rechtfertigung versehen wird. Typische Fälle von mittelbarer Preispersonalisierung sind etwa die Produktpersonalisierung (durch die die damit einhergehende Personalisierung des Preises durch Absenkung der Vergleichbarkeit verschleiert wird) oder die gezielte Kundenansprache mit einem Gutschein, der etwa als „Gutschein für besonders loyale Kunden“ oder als Neukundengutschein deklariert wird. In diesen Fällen wird also de facto ein individualisierter Preis verlangt. Die Kommunikation ist aber so ausgestaltet, dass der Kunde diese Strategie gar nicht realisiert bzw. nicht mit negativen Assoziationen verknüpft.

Mittelbare und unmittelbare Preispersonalisierung lassen sich auch unter dem Gesichtspunkt das Umgangs mit Transparenz voneinander abgrenzen.¹⁵⁵ Die unmittelbare Variante ist transparent, obwohl der Anbieter grundsätzlich ein wirtschaftliches Interesse daran hat, dass der Kunde diese Form der Preispersonalisierung nicht als solche erkennt. Mittelbare Preispersonalisierung hingegen wählt, sofern die Anpassung des Preises gänzlich verschleiert wird, einen bewusst intransparenten Ansatz: Der Kunde soll die Personalisierung des Preises überhaupt nicht mitbekommen. Wenn die Preisanpassung hingegen offen stattfindet und der Anbieter sie mit einer Rechtfertigung verbindet, dann nutzt er diese selbst geschaffene Transparenz offensiv, um dem Kunden die Personalisierung des Preises in einer positiven Art und Weise zu kommunizieren.

Es gibt eine überschaubare Anzahl an der breiten Öffentlichkeit bekannt gewordenen Einzelfällen, in denen Preispersonalisierung tatsächlich festgestellt und in der Folge medial diskutiert wurde. Hieraus ergeben sich erste Anhaltspunkte dahingehend, an welchen Faktoren Anbieter sich bei der Berechnung personalisierter Preise in der Praxis orientieren und auf welche Weise diese den Kunden gegenüber kommuniziert werden. Die beiden folgenden, exemplarisch genannten Fälle haben dabei besondere mediale Aufmerksamkeit erfahren.