211service.com
Podcast: Jak algorytmy wyceny uczą się zmawiać
Pani Tech | Envato
Algorytmy określają teraz, ile rzeczy kosztują. Nazywa się to dynamiczną wyceną i dostosowuje się do aktualnych warunków rynkowych w celu zwiększenia zysków. Rozwój handlu elektronicznego sprawił, że algorytmy wyceny stały się codziennością — niezależnie od tego, czy robisz zakupy na Amazon, rezerwujesz lot, hotel czy zamawiasz Ubera. W tej kontynuacji naszej serii o automatyzacji i Twoim portfelu, badamy, co się dzieje, gdy maszyna określa cenę, którą płacisz.
W tym odcinku poznajemy:
- Lisa Wilkins, projektantka UX
- Gabe Smith, główny ewangelista, Pricefx
- Aylin Caliskan, adiunkt, University of Washington
- Joseph Harrington, profesor biznesu, ekonomii i polityki publicznej, University of Pennsylvania
- Maxime Cohen, profesor katedry Scale AI, McGill University
Kredyty:
Ten odcinek został zgłoszony przez Anthony'ego Greena i wyprodukowany przez Jennifer Strong i Emmę Cillekens. Redagujemy nas przez Mata Honana, a naszym inżynierem miksu jest Garret Lang, a dźwięk i muzykę tworzy Jacob Gorski.
Pełny zapis:
[ID TR]
Jennifer: W porządku, więc jestem na lotnisku niedaleko Nowego Jorku i po prostu patrzę na tablicę odlotów i widzę te wszystkie loty do różnych miejsc… To sprawia, że zastanawiam się, jak decydujemy, ile coś powinno kosztować… na przykład bilet na jeden z nich loty. Bo to, dokąd leci samolot, to tylko część układanki. Cena przelotu jest bardzo spersonalizowana. Zawiera ogromne ilości danych konsumenckich. Ceny zmieniają się również w czasie rzeczywistym w oparciu o takie rzeczy, jak nasze wzorce rezerwacji, ceny konkurencji, a nawet pogoda….
Jennifer: Ale nie zawsze tak było. Był czas… mogliśmy polegać na przekonaniu, że dostajesz to, co widzisz.
Obecnie o cenach decydują algorytmy. Nazywa się to dynamiczną wyceną… która wycenia rzeczy zgodnie z aktualnymi warunkami rynkowymi w celu zwiększenia zysków.
I nie tylko linie lotnicze stosują tę technikę.
[SOT: sprzedawcy wprowadzają „dynamiczne ceny” – przez YouTube]
Reporter wiadomości telewizyjnych: Praktyka zapoczątkowana przez linie lotnicze, dynamiczne ustalanie cen została teraz przyjęta przez detalistów, dzięki nowej technologii.
[SOT: Amazon oskarżony o wzrost cen WCPO ABC 9, przez YouTube]
Reporter wiadomości telewizyjnych: ...i staje się coraz bardziej powszechne dzięki algorytmom komputerowym. Znajdziesz go w biletach Disney World, pokojach hotelowych, fotelach Major League Baseball... i teraz. AMAZONKA.
Jennifer: E-commerce sprawił, że te algorytmy stały się codziennością…
Ale co to oznacza dla konsumentów?
[SOT: KONFERENCJA ANTYTRUSTOWA I KONKURENCYJNA, część 12, dzień drugi, panel trzeci „Amazon Phenomenon” – przez YouTube]
Lina Khan, dyrektor ds. polityki prawnej, Open Markets Institute: Amazon zmienia ceny dwa miliony razy dziennie, wiesz, więc jaka jest stabilna cena dla każdego z nas i skąd będziemy wiedzieć, że płacimy różne ceny? Myślę, że to będzie kluczowe pytanie w przyszłości.
Jennifer: Nazywam się Jennifer Strong iw tym odcinku, co się dzieje, gdy maszyna określa cenę, którą płacisz.
[POKAŻ ID]
OC:...dotarłeś do celu.
[MUZYKA]
[SOT: KIRO7 Seattle – przez internet]
Kotwica wiadomości 2: Kiedy wczoraj wieczorem rozległy się strzały, ludzie szukali wyjścia. Dziś wieczorem niektórzy twierdzą, że bezpieczeństwo poszło w stronę tego, kto zaoferuje najwyższą cenę.
Jennifer: Był środek wieczornych dojazdów. Zeszłego stycznia. Kiedy była strzelanina w centrum Seattle.
Kotwica wiadomości 1 : Firmy rideshare są dziś pod ostrzałem za podnoszenie cen, podczas gdy ludzie próbowali uciec przed ostrzałem. Niektórzy jeźdźcy twierdzą, że zostali wyżłobieni.
Lisa Wilkins: Autobus, którym normalnie bym jechał, jechał ulicą, na której doszło do strzelaniny. Więc wszystkie autobusy, które jechały tą ulicą, wszystkie się zatrzymały. Nie zostali przekierowani ani nic, po prostu się zatrzymali.
Jennifer: Lisa Wilkins pracuje w dziale technicznym, a jej biuro znajduje się niecałą przecznicę od miejsca, w którym doszło do strzelaniny.
Lisa Wilkins: Właśnie zdecydowałem, że wezmę Ubera lub Lyfta i, wiesz, zabiorę go do domu lub zabiorę z powrotem do mojego samochodu, który znajduje się na parkingu Park and Ride, oddalonym o około 17 mil. A potem, kiedy otworzyłem aplikację, zobaczyłem, że było to jakieś sto dolarów lub coś, żeby się tam dostać, podczas gdy normalnie byłoby to może 30 dolarów.
Jennifer: Gdy popyt jest wysoki, cena przejazdu z Lyftem lub Uberem automatycznie staje się droższa. W sytuacjach awaryjnych firmy ograniczają te ceny, gdy jest jasne, co się dzieje, i w tym przypadku oferują zwrot kosztów pasażerom, którzy zapłacili wyższe ceny.
Ale chociaż praca Lisy Wilkins polega na projektowaniu aplikacji z myślą o wrażeniach użytkownika, twierdzi, że jeszcze chwilę zajęło uświadomienie sobie, co się z nią dzieje — było to spowodowane algorytmem wyceny.
Lisa Wilkins: Na początku byłem naprawdę zły, bo chcesz wziąć to do siebie, jakby robili to celowo. To strzelanina i oni to wykorzystują. A potem, kiedy rozmawiałem o tym z innym współpracownikiem. Wiesz, wciąż byliśmy zdenerwowani, że dotarcie do dowolnego miejsca będzie tak dużo kosztować, ale zdaliśmy sobie sprawę, że to wzrost cen. To jest bot, który w zasadzie mówi, jakie będą ceny. A będąc projektantem UX, rozumiem, że jest wiele skrajnych przypadków, których możesz nie planować w swoim produkcie.
Jennifer: A to może mieć niezamierzone rezultaty.
Gabe Smith: Na Amazonie była książka o genetyce much. To było… były dwa konkurujące algorytmy, które po prostu patrzyły na siebie i nieco podnosiły cenę. Drugi dodatkowo podniósłby nieco cenę. I po prostu chodzili tam i z powrotem przez wiele dni. Skończyło się na tym, że cena tej książki wyniosła dokładnie 1,2 miliona dolarów.
Gabe Smith: Nazywam się Gabe Smith i jestem głównym ewangelistą PriceFX. A mam około 14 lat doświadczenia w optymalizacji i zarządzaniu cenami.
Jennifer: Wykorzystuje sztuczną inteligencję i inne narzędzia, aby pomóc firmom zdecydować, ile coś powinno kosztować. Myśli też o tym, jak uniknąć tych odstających… jak ta książka za milion dolarów o błędach.
Gabe Smith: Tak więc naprawdę w latach osiemdziesiątych moc obliczeniowa i dostępność danych osiągnęły punkt, w którym techniki te mogły zacząć być wykorzystywane. I rzeczywiście, pojawił się najpierw w branży lotniczej, a następnie w innych branżach związanych z podróżami i rekreacją, takich jak wynajem samochodów i hotele.
Jennifer: Dynamiczna wycena może pomóc firmom dowiedzieć się, jakie są opłaty za produkty, które wygasają lub mają ograniczoną podaż. Jak wtedy, gdy samolot startuje… nie ma zmiany, ile z tych miejsc jest zapełnionych. Tak więc, aby uzyskać jak największe przychody, linie lotnicze muszą sprzedawać największą liczbę miejsc za najwyższą możliwą cenę. I dowiedzieć się, jaka jest ta cena? Muszą zrozumieć niuanse zachowań pasażerów i popytu na rynku.
Gabe Smith: To było naprawdę pierwsze użycie optymalizacji cen i sztucznej inteligencji do wprowadzenia cen na rynek. I od tego czasu wiadomo, że naprawdę rozszerzył się w wielu różnych branżach. Mamy na przykład firmę, która zajmuje się dynamiczną wyceną swoich karnetów narciarskich w oparciu o nadchodzące wydarzenia, warunki pogodowe, warunki śniegowe, ale mamy też innych klientów, którzy sprzedają elektronikę, chemię. Mamy przemysłowe firmy produkcyjne, firmy dystrybucyjne, naprawdę te techniki zyskują popularność w wielu różnych branżach.
Jennifer: Kluczem do tego, aby to wszystko działało, jest bogaty zestaw danych o klientach i o tym, co napędza ich gotowość do płacenia. Im więcej danych... Im bardziej ukierunkowane ceny mogą być dla osób fizycznych.
Gabe Smith: Jak się zachowują. Jaki produkt oferujesz. Na przykład, jaki jest charakter transakcji lub wycena, którą robisz? Wszystko to można uwzględnić w algorytmach optymalizacji cen i wpływać na to, co masz do zaoferowania. Jeśli więc masz takie dane, wdrożenie optymalizacji cen może być całkiem proste. Mamy więc klientów, u których wdrożyliśmy rzeczy w ciągu zaledwie kilku miesięcy.
Jennifer: I mówi, że te systemy są coraz lepsze w zarządzaniu złożonością i równoważeniu konkurencyjnych celów.
Gabe Smith: Więc może chcę mieć pewność, że zawsze jestem w określony sposób pozycjonowany w stosunku do konkurencji, prawda? A może chcę powiedzieć: „Hej, nigdy nie chcę zwiększać cen o więcej niż 5% dla nikogo”. Czy próbuję zmaksymalizować przychody, czy zmaksymalizować zysk? Czy próbuję zmaksymalizować przepustowość woluminów? Mogłem zrównoważyć te rzeczy. Tak więc, co dzieje się w organizacjach, wiesz, wiele razy konkurują ze sobą cele. Możesz więc nie tylko kierować moją ceną katalogową, ale także wynegocjowaną ceną lub promocją opartą na kombinacji produktów klienta.
Jennifer: Ograniczenia te są ważne, ponieważ algorytmy ustalania cen, które pozostają niezwiązane, mogą po prostu nadawać priorytet wyższym cenom.
Inny problem? Upewnienie się, że te ceny nie wzmacniają uprzedzeń systemowych.
Ale to nie jest takie proste.
Gabe Smith: Możliwe, że, wiesz, nie widzisz wyraźnie jednej z tych rzeczy, ale mogą one znajdować się tuż pod powierzchnią w innym atrybucie, którego używasz. Więc jeśli używasz kodu pocztowego lub używasz danych demograficznych pod względem poziomów dochodów, wiesz, że w tych danych może być błąd systemowy. Więc naprawdę musisz być ostrożny w tym, jak budujesz te rzeczy i upewnić się, że postępujesz właściwie z punktu widzenia etyki. Myślę, że część akceptacji to: czy czuję się jak konsument, w wyniku tego dostaję dobrą ofertę lub w niektórych przypadkach lepszą ofertę, czy też zawsze jest to korzystne dla dostawcy?
[PRZEJŚCIE MUZYCZNE]
Aylin Kaliskan: Wiemy, że big tech szeroko korzysta z tych zindywidualizowanych algorytmów wyceny i niekoniecznie rozumiemy, co się dzieje za tymi systemami lub algorytmami, ponieważ są to czarne skrzynki. Wyniki widzimy tylko indywidualnie, w zasadzie cenę, którą otrzymujemy. I tak naprawdę nie mamy metod ani zbiorów danych do systematycznego badania algorytmów dyskryminacji cenowej.
Aylin Kaliskan: Jestem Aylin Kaliskan. Obecnie jestem adiunktem na Uniwersytecie Waszyngtońskim, a moje badania koncentrują się na uczeniu maszynowym i sztucznej inteligencji.
Jennifer: Kilka lat temu miasto Chicago nakazało firmom takim jak Uber i Lyft udostępniać publicznie dane dotyczące taryf. Dało to naukowcom dostęp do milionów anonimowych wycieczek po całym mieście. Porównała ceny z demografią okolicy i co znalazła? Zaskoczył ją.
Aylin Kaliskan: Nasze wyniki pokazują, że dzielnice, które mają młodszych mieszkańców lub wysoko wykształconych mieszkańców, płacą znacznie wyższe ceny biletów. A sąsiedztwa, które mają wyższą liczbę mieszkańców rasy innej niż biała, a także dzielnice zubożałe, płacimy również wyższe ceny biletów, które zostały określone przez te algorytmy dyskryminacji cenowej.
Jennifer: Jej zespół chce wiedzieć, dlaczego tak się dzieje, ale jest to trudne bez szczegółów dotyczących podaży i popytu – które nie są podawane do wiadomości publicznej.
Badacze są w stanie uzyskać tylko podzbiór tych danych.
Aylin Kaliskan: Czy mieszkańcy dzielnic znajdujących się w niekorzystnej sytuacji płacą wyższe uczciwe ceny ze względu na charakterystykę swojej dzielnicy. A może podaż kierowców ma wpływ na uczciwe ceny w tych dzielnicach, gdzie popyt wydaje się stosunkowo niski. Ale jeśli podaż jest jeszcze niższa, odpowiednio względny popyt będzie wyglądał na wyższy, co może oznaczać wzrost cen biletów i im większą przejrzystość, tym lepsze metody możemy opracować, aby zbadać odmienny wpływ tych algorytmów lub ich dynamikę, jak uczą się od sąsiedztwa wzorce transportu i wzorce ruchu.
Jennifer: Co wywołuje kolejny drażliwy problem? Tak naprawdę nie ma na to żadnych zasad.
Aylin Kaliskan: Potrzebujemy więcej polityk i regulacji, abyśmy mogli uzyskać dostęp do tego zbioru danych i dalej je badać oraz zrozumieć, jak może to wpływać na planowanie inteligentnego miasta, a także na alokację zasobów, ponieważ jeśli takie zestawy danych są używane, na przykład w samochodach bez kierowcy lub alokacja zasobów w inteligentnych miastach, te uprzedzenia mogą się utrwalać lub potencjalnie wzmacniać w przyszłości, powodując wszelkiego rodzaju nieoczekiwane skutki uboczne, z którymi będziemy musieli sobie poradzić w przyszłości.
Jennifer: Po przerwie dowiadujemy się, jak może wyglądać regulacja… i dowiadujemy się, jak te algorytmy mogą działać w sklepie spożywczym.
Ale najpierw chcę opowiedzieć o wydarzeniu o nazwie CyberSecure. To konferencja poświęcona cyberbezpieczeństwu Tech Review. Będę tam z kolegami, rozmawiając o oprogramowaniu ransomware i innych ważnych kwestiach. Możesz dowiedzieć się więcej na Cyber Secure M-I-T dot com.
Zaraz wrócimy… po tym.
[MIDROLKA]
[MUZYKA]
Jennifer: Algorytmy cenowe mogą również pomóc konsumentom…. personalizując produkty i rekomendacje… lub dostarczając informacji firmom, które pomagają im projektować lepsze produkty i usługi.
Ale systemy te stawiają również nowe wyzwania dla tych, którzy regulują konkurencję.
Kongres uchwalił pierwszą ustawę antymonopolową ponad sto lat temu, ale dopiero w 2015 roku rząd wszczął swoją pierwszą sprawę antymonopolową, której celem było konkretnie handel elektroniczny. W takim przypadku mężczyzna przyznał się do winy za spiskowanie w celu nielegalnego ustalenia cen plakatów, które sprzedawał na Amazon z innymi sprzedawcami… za pomocą algorytmu zaprojektowanego do koordynowania zmian cen.
Joseph Harrington: Algorytm cenowy rozglądałby się za najlepszą lub najniższą ceną konkurencyjnych sprzedawców, czyli konkurentów dla tych dwóch sprzedawców internetowych. A potem dwaj sprzedawcy internetowi ustaliliby nieco niższą wspólną cenę. Tak więc dwaj sprzedawcy nadal rywalizowali z innymi firmami na rynku, ale po prostu nie rywalizowali ze sobą. Więc zamiast koordynować wspólną cenę, koordynowali wspólne algorytmy cenowe, co miało ten sam efekt w postaci ograniczenia konkurencji.
Joseph Harrington: Więc jestem Joe Harrington. Jestem profesorem biznesu, ekonomii i polityki publicznej w Wharton School, University of Pennsylvania. Moje badania dotyczą zmowy i karteli.
Jennifer: Sprawa dotycząca sprzedawców plakatów Amazon jest czymś bardzo zbliżonym do tradycyjnej zmowy… gdzie konkurujące ze sobą firmy koordynują ceny poprzez bezpośrednią komunikację między ludźmi.
Jednak coraz więcej badań wskazuje, że algorytmy cenowe same mogą nauczyć się tworzyć rodzaj własnego kartelu cyfrowego… i współpracować w celu podniesienia cen bez udziału człowieka.
Joseph Harrington: A teraz pomyślmy o menedżerze decydującym, że przekaże decyzję cenową algorytmowi samouczącemu się. Ten samouczący się algorytm będzie eksperymentował z różnymi algorytmami cenowymi lub regułami cenowymi w nadziei na znalezienie tych, które są bardziej opłacalne. Tak więc kończą się bardziej opłacalnymi regułami cenowymi. A powodem, dla którego są bardziej opłacalne, jest fakt, że algorytmy samouczące się nauczyły się nie konkurować ze sobą.
Jennifer: A badacze we Włoszech znaleźli już dowody na to, że dzieje się to w symulowanym środowisku.
Joseph Harrington: Rozważali więc bardzo standardowy model ekonomiczny rynku. Taki, który jest używany przez wielu ekonomistów, zarówno w pracach teoretycznych, jak i empirycznych. Pytanie brzmiało, czy byliby w stanie nauczyć się zmowy w dość wyrafinowanym i złożonym symulowanym środowisku. Odpowiedź jest bardzo jasna: tak, okazało się, że istnieją ceny, które były, rutynowo, znacznie powyżej cen konkurencyjnych, czasami całkiem zbliżone do cen monopolistycznych.
Jennifer: Twierdzi, że te samouczące się algorytmy zachowują się w sposób, który odzwierciedla ludzkie kartele.
Joseph Harrington: Algorytmy ustalają wysoką cenę powyżej cen konkurencyjnych, co stwarza zatem zachętę, przynajmniej w krótkim okresie, do ustalenia niższej ceny w celu zdobycia większego udziału w rynku i wyższych zysków. To, czego algorytmy samouczące się dowiedziały o konsekwencjach odejścia od tego poprzez ustalenie niższej ceny, to fakt, że inny algorytm samouczący się przyjął algorytm cenowy, który ukarze takie zachowanie. Tak więc konkretnie, jeśli jeden z nich nagle obniżył cenę, algorytm cenowy drugiego algorytmu samouczącego się został nauczony, aby w odpowiedzi odpowiedzieć bardzo niską ceną. Ceny pozostałyby niskie przez jakiś czas, ale mieliby tendencję do powrotu do wysokich cen zmowy. Więc tak naprawdę mamy tutaj te samouczące się algorytmy, które uczą się, że, w porządku, ustalimy wysoką cenę, a powodem, dla którego nie odchodzą od tego, jest to, że nauczyły się, że będzie odwet kara przez inny, samouczący się algorytm. I to jest dokładnie to, o czym myślimy jako o zmowie.
Jennifer: Nadal pozostaje otwarte pytanie, czy coś takiego może się zdarzyć na prawdziwym rynku, z całą jego dodatkową złożonością.
Jednak koncepcja zmowy automatycznej rodzi wiele pytań prawnych.
Joseph Harrington: Jeśli wrócimy do przykładu na rynku Amazon i sprzedawców plakatów online, to jest to rodzaj zmowy, dla której ramy prawne są dobrze zaprojektowane. Jest przeznaczony do konspiracji, w której konkurenci się komunikują. I koordynować ich postępowanie. Prawo definiowane jest w kategoriach spotkania umysłów, świadomego przywiązania do wspólnego schematu. Pomysł, że doszło do takiej komunikacji, która doprowadziła do pewnego wzajemnego zrozumienia wśród konkurentów, aby przestali konkurować. Wszystko to jest nieobecne w przypadku konkurentów, którzy przyjęli algorytmy samouczące się, o ile robili to niezależnie. Te samouczące się algorytmy nie mają zrozumienia, a tym bardziej wzajemnego zrozumienia, co jest naprawdę wymagane w kontekście prawa.
Jennifer: A na razie… nie ma nikogo, kto byłby odpowiedzialny za monitorowanie, czy te systemy działają według zasad, które uważamy za uczciwe.
Joseph Harrington: Myślę, że tak naprawdę potencjalną reakcją prawną w przyszłości byłoby zakazanie pewnych właściwości algorytmów wyceny. Gdyby było to zakazane, byłoby zachętą dla samych firm do monitorowania swoich algorytmów cenowych, a nie do narażania się nielegalnie. Ale w tej chwili tak naprawdę nikt ich nie monitoruje. I z pewnością firmy nie mają motywacji, powiedziałbym, do ich monitorowania.
Jennifer: Twierdzi, że antykonkurencyjne algorytmy cenowe mogą być również wbudowane w oprogramowanie… które mogą być wykorzystywane przez firmy konkurujące ze sobą… nawet nie zdając sobie z tego sprawy.
Joseph Harrington: A potem pytanie brzmi, co można z tym zrobić? A teraz znowu znajdujemy się na nieco niejasnym obszarze prawnym, ponieważ spisek wymaga dwóch lub więcej aktorów, czyli tradycyjnie dwóch lub więcej konkurentów, którzy postanowili już nie konkurować. Ale teraz wyobrażamy sobie, że jest to rodzaj jednego aktora, który jest niezależnym deweloperem, który może zaprojektować algorytm wyceny, który nie jest zbyt konkurencyjny. A jeśli może przekonać wiele firm na rynku do jej przyjęcia, będzie dobrze działać dla tych firm, ponieważ spowoduje to wyższe ceny i mniejszą konkurencję cenową. Teraz, po raz kolejny, to źle, ale nie ma spisku, ponieważ tak naprawdę jest tylko ten jeden aktor, niezależny deweloper, który to promuje.
Jennifer: I tam jest przykład tego w prawdziwym świecie..w badaniu przeprowadzonym na niemieckich stacjach benzynowych, które zaczęły przyjmować algorytm ustalania cen.
Joseph Harrington: A dowody są takie, że średnie marże kosztowe wzrosły w odpowiedzi na to, o około 12%. Ale naprawdę bardzo uderzające było to, że jeśli spojrzeć na rynki, na których były tylko dwie stacje, wyobraź sobie rynek geograficzny, na którym konkurują tylko dwie stacje. Badanie wykazało, że jeśli jeden z nich przyjmie algorytm wyceny, tak naprawdę nie będzie zauważalnego wpływu na ceny. Ale jeśli oba zostały przyjęte, to nastąpił znaczny wzrost marż kosztowych. Około 29%. Więc teraz jest to informacja pod kątem tego, co robią te algorytmy wyceny. Jeśli prowadzą one do bardziej efektywnej dynamicznej wyceny, można by się spodziewać pewnego efektu, nawet jeśli zastosuje go tylko jeden operator stacji. Ale to nie jest to, co stwierdzono w badaniu. Dopiero wtedy, gdy obaj konkurenci przyjęli, widać efekt. I to jest efekt, czyli spory wzrost ceny. Więc myślę, że to jest coś, co się dzieje. I jest to coś, co jest, jak sądzę, nieco bardziej konkretne i gdzie potencjalnie jest więcej opcji politycznych, którymi można się zająć. W przeciwieństwie do przypadku algorytmów samouczących się, co moim zdaniem jest potencjalnym problemem, który chcemy wyprzedzić.
Maxime Cohen: Kiedyś mogliśmy zmieniać ceny codziennie lub co miesiąc, ale teraz ceny mogą zmieniać się co godzinę, a w niektórych aplikacjach nawet co minutę.
Maxime Cohen: Nazywam się Maxime Cohen. Jestem profesorem katedry Scale AI na Uniwersytecie McGill w Montrealu w Kanadzie, a także współkieruję laboratorium Retail Innovation.
Jennifer: W ciągu ostatnich kilku lat nastąpiła eksplozja dynamicznych praktyk cenowych... Coraz powszechniejsze jest również ustalanie cen spersonalizowanych.
W przyszłości dynamiczne systemy cenowe mogłyby być w pełni autonomiczne… i stosowane na jeszcze większą skalę.
Co nasuwa pytanie: jak chronimy naszą prywatność, gdy nasze dane są wykorzystywane do określania, ile płacimy za rzeczy?
Maxime Cohen: Tak więc algorytm wyceny na koniec dnia powinien opierać się na atrybutach nieosobowych. Na przykład możesz zbierać historię zakupów, możesz zbierać potencjalnie lokalizację użytkowników, działania, które podjęli w przeszłości, ale nie chcesz używać żadnych osobistych atrybutów, takich jak imię i nazwisko, płeć ani niczego, co jest Bardziej osobiscie.
Jennifer: Kolejne pytanie… gdzie wyznaczamy granicę między uczciwymi a nieuczciwymi cenami?
Maxime Cohen: Trzeba sobie zadać pytanie. Czy uczciwe jest oferowanie różnych cen różnym klientom za te same produkty lub tę samą usługę? A odpowiedź na to pytanie nie jest właściwie prosta. Te dwa tematy prywatności i sprawiedliwości są bardzo delikatne i moim zdaniem wymagają ostrożnych regulacji.
Jennifer: Twierdzi, że organy regulacyjne powinny zebrać się i jasno określić, jakie dane mogą być gromadzone, przechowywane i wykorzystywane do podejmowania decyzji cenowych.
Maxime Cohen: Na przykład, jeśli Uber zacznie krzyczeć różne ceny, na podstawie procentu naładowania baterii w telefonie podczas zamawiania przejazdu. Czy to byłoby w porządku? Czy to nie byłoby w porządku? Tak więc organy regulacyjne powinny zebrać się i sporządzić listę atrybutów, które są rozsądne do wykorzystania w decyzjach cenowych, oraz kilka innych atrybutów na czarnej liście, gdzie nie powinny być wykorzystywane do decyzji cenowych.
Jennifer: I nie chodzi tylko o nasze internetowe koszyki na zakupy. Dynamiczne algorytmy wyceny mogą wkrótce znaleźć swoje miejsce również w fizycznym handlu detalicznym… w postaci elektronicznych etykiet na półki.
Maxime Cohen: Możesz faktycznie zmienić cenę określonych produktów w określonych godzinach, po prostu modyfikując jedną linijkę kodu i naciskając jeden przycisk. Zmieniasz jeden wiersz kodu. Następnie możesz wdrożyć zmianę ceny przy praktycznie zerowych kosztach. Teraz jedynym pytaniem, jakie pozostaje w fizycznym handlu detalicznym, jest to, jak klienci zareagują na gwałtowne, dynamiczne praktyki cenowe. Jeśli się nad tym zastanowić, w godzinach szczytu ceny w supermarketach zaczną rosnąć. Jeśli nadejdzie pora dnia, kiedy w supermarkecie jest dużo ludzi, ceny wzrosną. Podobnie ceny zaczną rosnąć, gdy będziesz mieć bardzo niskie zapasy określonych produktów. Jeśli masz mniej akcji, ceny pójdą w górę, aby polubić, upewnij się, że optymalizujesz swoje zyski. Teraz nie jest jasne, czy klienci będą zadowoleni i będzie akceptować tego typu praktyki, które już istnieją w świecie online. Może to być zdecydowanie opłacalne w krótkim okresie, ale może generować straty w długim okresie, zwłaszcza jeśli chodzi o lojalność klientów. Dlatego musimy przeprowadzić wiele badań, aby spróbować zrozumieć moc i potencjalne korzyści dynamicznej wyceny w fizycznej sprzedaży detalicznej.
[KREDYTY]
Jennifer: Ten odcinek został zgłoszony przez Anthony'ego Greena i wyprodukowany przez nas dwoje z Emmą Cillekens. Redagujemy nas przez Mata Honana, a naszym inżynierem miksu jest Garret Lang, a dźwięk i muzykę tworzy Jacob Gorski.
Dzięki za wysłuchanie, jestem Jennifer Strong.
[ID TR]