Wie KI das Pricing im EMS-Geschäft verbessert

Electronic Manufacturing Services (EMS) gehören zu den wettbewerbsintensivsten Geschäftsfeldern der Elektronikindustrie: parallele Anfragen, hohe Vergleichbarkeit, enge Margen. Jede Kalkulation ist eine Gratwanderung zwischen Auftragsverlust und Margenverzicht. Gerade weil das Margenniveau so niedrig ist, wiegt jeder Prozentpunkt überproportional schwer. Wer mit fünf Prozent Marge kalkuliert und zwei Prozent zu tief liegt, hat 40 Prozent seines Ergebnisses verschenkt, bevor die erste Leiterplatte bestückt ist. Im margenschwachen EMS-Geschäft zählt daher jeder Prozentpunkt. Entsprechend gehört intelligentes Pricing zu den entscheidenden Erfolgsfaktoren. So kann KI in Kombination mit modernen Pricing-Methoden einen wichtigen Beitrag leisten, indem sie eine strukturierte und datenbasierte Preisfindung unterstützt.

Warum EMS-Pricing so schwer ist

Der Kunde definiert das Produkt, der Dienstleister liefert (je nach Auftrag) Beschaffung, Fertigung, Prüfung und Montage. Differenzierung ist möglich, doch der Preisvergleich durch den Kunden bleibt relativ einfach. Gleichzeitig trifft eine hohe Zahl von Anfragen auf begrenzte Angebotskapazität. Und die Auslastung schwankt, mit ihr der Kalkulationsspielraum.

Die Preisentscheidung ist deshalb komplex. Neben dem richtigen Angebotspreis muss oft unter Zeitdruck bewertet werden, ob sich die Anfrage wirtschaftlich überhaupt lohnt. In der Praxis kalkulieren viele Anbieter nach Erfahrungswerten: Zielaufschlag auf die Kosten, anschließend kundenindividuell korrigiert. Zahlungsbereitschaft, Wettbewerbssituation, Lieferfähigkeit und Vergleichsfälle fließen dabei häufig nur unsystematisch ein. Das führt zu unterschiedlichen Entscheidungen zwischen Vertriebsmitarbeitern und Segmenten und kostet im Ergebnis Marge.

Der Zielpreisrechner: Struktur statt Bauchgefühl

Ein KI-gestützter Zielpreisrechner setzt an dieser Stelle an. Er ergänzt die Erfahrung und das Fachwissen des Vertriebs durch eine strukturierte und datenbasierte Entscheidungsgrundlage. Die dafür erforderlichen Informationen liegen meist bereits in ERP-, CRM- und Kalkulationssystemen vor: frühere Anfragen, durchgesetzte Preise und realisierte Deckungsbeiträge. Das Modell verdichtet ausgewählte Preistreiber zu einer fundierten Preisempfehlung.

Technisch greifen dabei mehrere Verfahren ineinander. Peer Pricing wird mit Machine-Learning-Verfahren und prädiktiven Modellen kombiniert, um Zielmargen abzuleiten. Das System bewertet dazu, wie ähnlich eine neue Anfrage früheren Angeboten hinsichtlich Segment, Baugruppenkomplexität, Menge und Fertigungsaufwand ist. Anschließend wird die Empfehlung anhand der tatsächlich durchgesetzten Preise kalibriert. Es handelt sich damit um ein prädiktives System, das die eigene Preishistorie auswertet, und nicht um ein generatives KI-Modell, das selbst Preise erzeugt.

Wie viele historische Angebote dafür notwendig sind, hängt von der Komplexität des Geschäfts ab. Entscheidend ist weniger eine feste Zahl als die Zahl ausreichend ähnlicher Vergleichsfälle. Fehlen diese auf einer detaillierten Ebene, kann das Modell schrittweise auf übergeordnete Vergleichsgruppen zurückgreifen. Die Empfehlung wird dadurch gröber und ihre Belastbarkeit entsprechend ausgewiesen. Bei neuen Segmenten oder Anwendungen ohne ausreichende Historie beginnt das Modell mit Expertenschätzungen, die mit wachsender Datenbasis angepasst werden.

Ein Nebeneffekt ist mindestens so wertvoll wie der Preis selbst: Dieselben Faktoren beantworten die Frage, die vor jedem Angebot steht, nämlich ob es sich überhaupt lohnt. Wer jede Anfrage nach Eingangsreihenfolge kalkuliert, bindet knappe Kapazität an Anfragen mit geringem Fit oder unattraktiver Marge. Eine Logik liefert deshalb zuerst eine Priorisierung: Welche Anfrage bekommt sofort ein Team, wo genügt eine indikative Kalkulation, wo verzichtet man bewusst? Bieten oder nicht, und wenn ja, zu welchem Preis. Es ist üblich, dass sich diese Einschätzung im Verkaufsprozess ändern kann, etwa wenn sich die Auslastung, die Kundenspezifikationen oder die kommerziellen Rahmenbedingungen verschieben.

Vier Preistreiber-Cluster bestimmen den Zielpreis im EMS

1. Kundenparameter: Das Segment entscheidet über Anforderungen und Zahlungsbereitschaft. Medizintechnik verträgt in der Regel etwas höhere Preise, verlangt dafür aber deutlich mehr Dokumentations- und Qualitätsaufwand als etwa Automotive. Hinzu kommen Kundengröße und Bestands- oder Neukundenstatus.

2. Produktparameter: Wie gut passt die Baugruppe zur eigenen Fertigung? Handelt es sich um ein Me-Too-Produkt, bei dem der Preis zum Hauptkriterium wird, oder um ein technisch anspruchsvolles Produkt? Dazu der Fertigungsaufwand: Bestückungstechnologie, Bauteilkomplexität, Prüfanforderungen, usw.

3. Auftragsparameter: Menge, Zahlungsbedingungen, Lieferzeit, Materialquote usw. Kleine Lose werden durch Rüst- und Beschaffungskosten überproportional belastet. Eine schnelle Lieferzeit kann bei bestimmten Aufträgen einen (sehr) großen Unterschied machen.

4. Auslastung: Strategisch der am häufigsten vernachlässigte Faktor. Bei hoher Auslastung kann der Vertrieb selektiver auftreten und mit höheren Margen arbeiten, denn freie Kapazität ist knapp und muss sich lohnen. Bei niedriger Auslastung entsteht Spielraum, auch margenschwächere Aufträge anzunehmen. Allerdings ist hier eine klare Steuerung notwendig, damit aus der Kapazitätsfüllung keine negative Preisspirale wird.

EMS auf der electronica 2026

Die EMS-Branche gehört zu den großen Gewinnern der aktuellen Transformation der Elektronikindustrie. Entsprechend stark präsentiert sich der Bereich Electronic Manufacturing Services auf der electronica 2026.

Auf Basis dieser vier Bereiche berechnet das Modell einen Zielpreis einschließlich einer belastbaren Preisbandbreite. Bei volatilen Materialpreisen ist dabei zwischen Kostenbasis und Preisfindung zu unterscheiden. Der Zielpreisrechner ermittelt die aktuellen Beschaffungskosten nicht selbst, sondern setzt auf der Kostenbasis aus Einkauf, Kalkulation und ERP auf. Dynamische Faktoren wie Verfügbarkeit, Lieferzeit zum Kunden oder Wechselkurse können dagegen als Preistreiber in den Zielpreiskorridor und die Zielmarge einfließen. Eine knappe Verfügbarkeit oder eine besonders kurze zugesagte Lieferzeit kann so beispielsweise zu einer höheren Zielmarge führen.

Die Ermittlung der Kostenbasis bleibt ein eigener Prozess. Auch dort entstehen zunehmend KI-basierte Ansätze, etwa um Fertigungs- und Materialaufwände aus Zeichnungen und Stücklisten abzuleiten. Sie sind jedoch nicht Bestandteil des hier beschriebenen Zielpreisrechners.

Wie lassen sich unsichere Kosten besser kalkulieren?

Gerade bei Entwicklungsanteilen wird die Vorkalkulation zur Schätzaufgabe. Falsch geschätzt drohen zwei Fehler:

• Preis zu niedrig, Marge verbrannt.

• Preis zu hoch, Auftrag verloren.

Die Lösung ist eine systematische Dreipunktschätzung mit den beteiligten Fachleuten: optimistischer, wahrscheinlicher und pessimistischer Aufwand. Eine Monte-Carlo-Simulation macht daraus eine Wahrscheinlichkeitsverteilung. Der Vertrieb erhält damit einen Zielpreis inklusive transparenter Risikobewertung und kann Unsicherheiten gezielt über Risikoaufschläge oder Preisgleitklauseln berücksichtigen.

Rückkopplung mit Peer Pricing

Damit sich das Modell nicht vom Markt entkoppelt, wird der Zielpreisrechner mit Peer Pricing rückgekoppelt: Welche Margen wurden in vergleichbaren Situationen, also bei ähnlichem Segment, ähnlicher Baugruppenkomplexität und ähnlicher Menge, tatsächlich durchgesetzt? Wichtig sind dabei auch die verlorenen Angebote. Wer nur gewonnene Aufträge auswertet, sieht ausschließlich erfolgreiche Preise und kann Abschlusswahrscheinlichkeiten nicht belastbar einordnen.

Das macht die Empfehlung nachvollziehbar und erhöht die Akzeptanz im Vertrieb. Eine Grenze bleibt: KI lernt aus der Vergangenheit. Wurden bestimmte Kunden historisch zu günstig bedient, würde ein unkritisches Modell dieses Niveau fortschreiben. Preisstrategie und Mindestmargen müssen deshalb klar definiert sein. Die Preisempfehlungen orientieren sich an diesen Vorgaben.

Wie der KI-Boom den Materialengpass bei Leiterplatten verschärft

KI-Server brauchen Chips. Aber auch große Mengen hochwertiger Leiterplattenmaterialien. Branchenexperten berichten von steigenden Preisen, längeren Lieferzeiten und warnen vor einer zunehmenden Allokation. Dabei war die Entwicklung absehbar.

Vom Rechner zur Angebotsfreigabe: So lässt sich KI-Pricing in den Angebotsprozess integrieren

Der Output ist ein Zielpreis mit Korridor: eine begründete Untergrenze und der Zielpreis selbst. Innerhalb des Korridors erfolgt die Freigabe direkt im Angebotsprozess, ohne manuellen Zwischenschritt. Außerhalb des Korridors, etwa bei einem strategisch wichtigen Neukunden mit Sonderkonditionswunsch, wird an das Managment eskaliert statt automatisch abgelehnt. Raum für unternehmerisches Ermessen bleibt, aber nur dort, wo es gebraucht wird.

Ein europäischer Anbieter im größeren Mittelstand, tätig im Projektgeschäft mit kundenspezifischen Anfragen, hat seine Preisfindung neu aufgesetzt. Über klar definierte Preistreiber erhält jede Anfrage einen differenzierten Zielpreis. Die Konsistenz der Preisvergabe hat sich deutlich verbessert, die Margendifferenzierung nach Kunden- und Auftragstyp ebenso. Je nach Sektor, Wertschöpfungstiefe und Pricing-Reife sind dabei ein bis zwei Prozentpunkte zusätzliche Marge erreichbar. Da alle relevanten Projekte über die Logik laufen, kann die Geschäfts- und Vertriebsleitung das Pricing im Projektgeschäft aktiv steuern, etwa nach Auslastung oder Technologie.

Was also bringt KI-gestütztes Pricing EMS-Dienstleistern?

Gerade im margenschwachen EMS-Geschäft ist ein systematisches, KI-gestütztes Pricing-Modell kein Luxus, sondern eine Notwendigkeit. Der Wert liegt nicht in vollautomatischen Preisen, sondern in konsistenten Entscheidungen: Angebotskapazität gezielt einsetzen, Aufwände realistisch kalkulieren, Auslastung strategisch nutzen, Risiken sichtbar bepreisen. Das Ergebnis sind stabilere Margen bei schnellerer Angebotsbearbeitung, ohne die Erfahrung des Vertriebs zu ersetzen.

Der erste Schritt ist unspektakulär: die eigenen Preistreiber identifizieren, gewichten und prüfen, ob sie in den vorhandenen Systemen überhaupt nachgehalten werden. Auf dieser Basis lässt sich ein Zielpreissystem aufbauen.

Die Autoren

Michael Fechner ist Partner bei Prof. Roll & Pastuch. Seit 20 Jahren ist er als Berater für internationale Großkonzerne und mittelständische Unternehmen tätig. Sein Schwerpunkt liegt auf den Bereichen Preismanagement, Vertrieb und Strategie. Branchenseitig hat er sich besonders auf die Elektronik-Industrie spezialisiert.

Prof. Dr. Oliver Roll ist Managing Partner bei Prof. Roll & Pastuch. Er ist einer der führenden Pricing-Experten im DACH-Raum und hat für zahlreiche internationale Unternehmen Pricing-Projekte geleitet. Prof. Roll ist Inhaber des Lehrstuhls "Preismanagement" an der Hochschule Osnabrück.