211service.com
Podcast: Hvordan prissætningsalgoritmer lærer at samarbejde
Fru Tech | Envato
Algoritmer bestemmer nu, hvor meget ting koster. Det kaldes dynamisk prissætning, og det justerer i henhold til de aktuelle markedsforhold for at øge fortjenesten. Fremkomsten af e-handel har drevet prissætningsalgoritmer til en hverdag – uanset om du handler på Amazon, booker en flyrejse, hotel eller bestiller en Uber. I denne fortsættelse af vores serie om automatisering og din pengepung undersøger vi, hvad der sker, når en maskine bestemmer prisen, du betaler.
I denne episode møder vi:
- Lisa Wilkins, UX-designer
- Gabe Smith, chefevangelist, Pricefx
- Aylin Caliskan, assisterende professor, University of Washington
- Joseph Harrington, professor i business, økonomi og offentlig politik, University of Pennsylvania
- Maxime Cohen, professor i Scale AI Chair, McGill University
Credits:
Denne episode blev rapporteret af Anthony Green og produceret af Jennifer Strong og Emma Cillekens. Vi er redigeret af Mat Honan, og vores mix-tekniker er Garret Lang, med lyddesign og musik af Jacob Gorski.
Fuld udskrift:
[TR ID]
Jennifer: Okay, så jeg er i en lufthavn lige uden for New York City og kigger bare på afgangstavlen her, hvor jeg ser alle disse flyvninger, der går forskellige steder... Det får mig til at tænke på, hvordan vi beslutter, hvor meget noget skal koste... som en billet til en af disse flyvninger. For hvor flyet skal hen, er bare en del af puslespillet. Prisen på flybilletter er meget personlig. Det omfatter enorme mængder forbrugerdata. Priserne ændrer sig også i realtid baseret på ting som vores bookingmønstre, konkurrentpriser, selv vejret….
Jennifer: Men sådan var det ikke altid. Der var engang … vi kunne stole på forestillingen om, at det, du ser, er, hvad du får.
I disse dage bestemmes priserne af algoritmer. Det kaldes dynamisk prissætning ... som priser ting i henhold til de aktuelle markedsforhold for at øge fortjenesten.
Og det er ikke kun flyselskaber, der bruger denne teknik.
[SOT: Forhandlere vedtager 'Dynamisk prisfastsættelse' - via YouTube]
TV-nyhedsreporter: En praksis startet af flyselskaberne, dynamisk prissætning er nu blevet vedtaget af detailhandlere, takket være noget ny teknologi.
[SOT: Amazon anklaget for høje priser WCPO ABC 9, via YouTube]
TV-nyhedsreporter: ...og det bliver mere og mere almindeligt takket være computeralgoritmer. Du finder det med Disney World-billetter, hotelværelser, Major League Baseball-sæder...og nu. AMAZON.
Jennifer: E-handel drev disse algoritmer til en hverdagslig begivenhed...
Men hvad betyder det for forbrugerne?
[SOT: ANTITTRUST OG KONKURRENCE KONFERENCE Del 12 Dag 2 Panel Tre 'Amazon Phenomenon' - via YouTube]
Lina Khan, direktør, juridisk politik, Open Markets Institute: Amazon ændrer priser to millioner gange om dagen, du ved, så hvad er en stabil pris for nogen af os, og hvordan ved vi, at vi betaler forskellige priser? Jeg tror, det bliver et nøglespørgsmål fremover.
Jennifer: Jeg er Jennifer Strong, og denne episode, hvad sker der, når en maskine bestemmer prisen, du betaler.
[VIS ID]
OC:...du har nået din destination.
[MUSIK]
[SOT: KIRO7 Seattle - Via web]
Nyhedsanker 2: Da der lød skud i aftes, ledte folk efter en udvej. I aften siger nogle, at sikkerheden gik til højestbydende.
Jennifer: Det var midt på aftenturen. Sidste januar. Da der var et skyderi i downtown Seattle.
Nyhedsanker 1 : Rideshare-selskaber er under beskydning i aften for at hæve priserne, mens folk forsøgte at flygte fra skuden. Nogle ryttere siger, at de blev udhulet.
Lisa Wilkins: Den bus, som jeg normalt ville tage, ville køre ned ad den gade, hvor skyderiet skete. Så alle busserne, der kørte ned ad den gade, stoppede alle sammen. De blev ikke omdirigeret eller noget, de stoppede bare.
Jennifer: Lisa Wilkins arbejder inden for teknologi, og hendes kontor er mindre end en blok væk fra det sted, hvor skyderiet fandt sted.
Lisa Wilkins: Jeg har lige besluttet, at jeg vil snuppe en Uber eller Lyft og, du ved, tage den med hjem eller tage den tilbage til min bil, som er ved en Park and Ride, som var omkring 17 miles væk. Og så da jeg åbnede appen, så jeg så, at det var som hundrede dollars eller noget for at komme dertil, når det normalt ville have været måske 30 dollars.
Jennifer: Når efterspørgslen er høj, bliver prisen for en tur med Lyft eller Uber automatisk dyrere. I nødstilfælde sætter virksomheder et loft over disse priser, når det er klart, hvad der foregår, og i dette tilfælde tilbød de at refundere ryttere, der betalte højere priser.
Men selvom Lisa Wilkins' job er at designe apps med et øje på brugeroplevelsen, siger hun, at det stadig tog et øjeblik at indse, hvad der skete med hende - var på grund af en prissætningsalgoritme.
Lisa Wilkins: Først var jeg virkelig vred, fordi du vil tage det personligt, som om de med vilje gør det her. Dette er et skyderi, og de udnytter det. Og så da jeg på en måde snakkede med en anden kollega om det. Du ved, vi var stadig kede af, at det skulle koste så meget at komme nogen vegne, men vi indså, at dette er prisstigninger. Dette er en bot, der dybest set siger, hvad priserne vil være. Og da jeg er UX-designer, forstår jeg, at der er mange kantsager, som du måske ikke planlægger, at det skal ske i dit produkt.
Jennifer: Og dette kan have nogle utilsigtede resultater.
Gabe Smith: Der var en bog om fluegenetik på Amazon. Det var.. der var to konkurrerende algoritmer, der bare blev ved med at kigge på hinanden og øge prisen en lille smule. Den anden ville forhøje prisen en lille smule oven i købet. Og de blev bare ved med at gå frem og tilbage ukontrolleret i, du ved, mange dage. Og det endte med, at prisen på denne bog var 1,2 millioner dollars.
Gabe Smith: Mit navn er Gabe Smith og jeg er chefevangelist for PriceFX. Og jeg har omkring 14 års erfaring med prisoptimering og styring.
Jennifer: Han bruger kunstig intelligens og andre værktøjer til at hjælpe virksomheder med at beslutte, hvad noget skal koste. Han tænker også på, hvordan man undgår disse afvigere ... som den bog om millioner dollars om bugs.
Gabe Smith: Så i firserne var det virkelig, når computerkraften og datatilgængeligheden nåede til det punkt, hvor disse teknikker kunne begynde at blive udnyttet. Og egentlig dukkede det først op i luftfartsindustrien og fulgte derefter op i de andre rejse- og fritidsbrancher, såsom udlejningsbiler og hoteller.
Jennifer: Dynamisk prisfastsættelse kan hjælpe virksomheder med at vide, hvad de skal betale for produkter, der udløber eller er begrænset i udbud. Som når et fly letter... der er ingen ændringer i, hvor mange af de sæder, der er fyldt. Så for at opnå størst mulig omsætning skal flyselskaberne sælge det største antal sæder til den højest mulige pris. Og for at lære, hvad den pris er? De skal forstå nuancerne i passageradfærd og markedsefterspørgsel.
Gabe Smith: Så det var virkelig den første brug af prisoptimering og kunstig intelligens til at drive prisfastsættelse ind på et marked. Og siden da er det, du ved, virkelig udvidet i brug på tværs af mange forskellige brancher. Vi har for eksempel et firma, der laver dynamiske priser for deres skibilletter baseret på kommende begivenheder, vejrforhold, sneforhold, men vi har også andre kunder, der sælger elektronik, kemikalier. Vi har industrielle produktionsvirksomheder, distributionsselskaber, disse teknikker vinder virkelig indpas i en bred vifte af industrier.
Jennifer: Nøglen til at få alt dette til at fungere er et rigt datasæt om kunder, og hvad der driver deres betalingsvillighed. Jo flere data... Jo mere målrettede priser kan være for enkeltpersoner.
Gabe Smith: Hvordan de opfører sig. Hvilket produkt du tilbyder. Ting som, hvad er arten af transaktionen eller det tilbud, du laver? Alle disse kan indregnes i dine prisoptimeringsalgoritmer og påvirke, hvad du vil tilbyde. Så hvis du har sådan data, kan det faktisk være ret ligetil at kunne implementere prisoptimering. Så vi har kunder, hvor vi har implementeret tingene på så lidt som et par måneder.
Jennifer: Og han siger, at disse systemer bliver bedre til at håndtere kompleksitet og afbalancere konkurrerende mål.
Gabe Smith: Så måske vil jeg sikre mig, at jeg altid er placeret på en bestemt måde i forhold til mine konkurrenter, ikke? Eller måske vil jeg sige: ‘Hey, jeg vil aldrig øge priserne med mere end 5 % på nogen.’ Forsøger jeg at maksimere omsætningen, forsøger jeg at maksimere profitten? Forsøger jeg at maksimere volumengennemstrømningen? Jeg kunne balancere mellem dem. Så hvad der sker i organisationer, du ved, der er konkurrerende mål mange gange. Og så kan du ikke kun vejlede, okay, hvad er min listepris, men hvad er, du ved, den forhandlede pris eller kampagne baseret på en kundeproduktkombination.
Jennifer: Disse begrænsninger er vigtige, fordi prissætningsalgoritmer, hvis de ikke er bundet, simpelthen kan prioritere højere priser.
Et andet problem? At sikre, at disse priser ikke forstærker systemisk skævhed.
Men dette er ikke så ligetil.
Gabe Smith: Det kan være, du ved, at du ikke ser en af disse ting eksplicit, men de kan være lige under overfladen i en anden egenskab, du bruger. Så hvis du bruger et postnummer, eller du bruger demografien i form af indkomstniveauer, ved du, der kan være systemisk skævhed, der er i disse data. Så du skal virkelig være betænksom over, hvordan du bygger disse ting ud og sikre dig, at du gør det rigtige ud fra et etisk perspektiv. Og jeg tror, at en del af accepten er: Føler jeg som forbruger, at jeg i nogle tilfælde får en god handel eller en bedre handel som følge af dette, eller er det altid til udbyderens fordel?
[MUSIKOVERGANG]
Aylin Caliskan: Vi ved, at big tech bruger disse individualiserede prisalgoritmer bredt, og vi forstår ikke nødvendigvis, hvad der foregår bag disse systemer eller algoritmer, fordi de er sorte bokse. Vi ser kun resultaterne på individuel basis, i bund og grund den pris, vi modtager. Og vi har ikke rigtig metoder eller datasæt til systematisk at studere prisdiskrimineringsalgoritmer.
Aylin Caliskan: Jeg er Aylin Caliskan. Jeg er i øjeblikket assisterende professor ved University of Washington, og min forskning fokuserer på maskinlæring og kunstig intelligens bias.
Jennifer: For et par år siden gav byen Chicago mandat til, at virksomheder som Uber og Lyft frigiver billetpriser til offentligheden. Dette gav forskerne adgang til millioner af anonymiserede ture i hele byen. Hun sammenlignede priser med demografien i nabolaget og hvad hun fandt? overraskede hende.
Aylin Caliskan: Vores resultater viser, at kvarterer, der har yngre beboere eller højtuddannede indbyggere, betalte væsentligt højere billetpriser. Og kvarterer, der har højere ikke-hvide indbyggere, såvel som fattige kvarterer, vi betaler også højere billetpriser, som blev bestemt af disse prisdiskrimineringsalgoritmer.
Jennifer: Hendes team vil gerne vide, hvorfor dette sker, men det er svært uden detaljer om udbud og efterspørgsel - som ikke bliver offentliggjort.
Forskere er kun i stand til at få en delmængde af disse data.
Aylin Caliskan: Betaler beboere i ugunstigt stillede kvarterer højere fair priser på grund af deres kvarters karakteristika. Eller har udbuddet af chauffører en indflydelse på fair priser i disse kvarterer, hvor efterspørgslen synes relativt lav. Men hvis udbuddet er endnu lavere, vil den relative efterspørgsel følgelig se højere ud, hvilket kan øge billetpriserne, og jo mere gennemsigtighed, jo bedre metoder kan vi udvikle til at studere den forskelligartede virkning af disse algoritmer eller deres dynamik, hvordan de lærer af nabolaget transportmønstre og trafikmønstre.
Jennifer: Hvilket bringer endnu et vanskeligt spørgsmål op? Der er ikke rigtig regler om dette.
Aylin Caliskan: Vi har brug for flere politikker og regler, så vi kan få adgang til dette datasæt og blive ved med at studere dette og forstå, hvordan dette kan påvirke smart byplanlægning såvel som ressourceallokering, for hvis sådanne datasæt bruges, for eksempel i førerløse biler eller ressourceallokering i smarte byer, kan disse skævheder ende med at blive videreført eller potentielt forstærket i fremtiden, hvilket forårsager alle slags uventede bivirkninger, som vi bliver nødt til at håndtere i fremtiden.
Jennifer: Efter pausen finder vi ud af, hvordan regulering kan se ud... og vi lærer, hvordan disse algoritmer kan fungere i en købmand.
Men først vil jeg fortælle dig om en begivenhed kaldet CyberSecure. Det er Tech Reviews cybersikkerhedskonference, og jeg vil være der sammen med mine kolleger og tale om ransomware og andre vigtige spørgsmål. Du kan lære mere på Cyber Secure M-I-T dot com.
Vi er straks tilbage... efter dette.
[MIDROLL]
[MUSIK]
Jennifer: Prissætningsalgoritmer kan også hjælpe forbrugere... ved at personalisere produkter og anbefalinger... eller give indsigt til virksomheder, der hjælper dem med at designe bedre produkter og tjenester.
Men disse systemer giver også nye udfordringer for dem, der regulerer konkurrencen.
Kongressen vedtog den første antitrustlov for mere end et århundrede siden, men det var først i 2015, at regeringen forfulgte sin første antitrustsag, der specifikt var rettet mod e-handel. I det tilfælde erklærede en mand sig skyldig i at sammensværge for ulovligt at fastsætte priserne på plakater, han solgte på Amazon med andre sælgere... ved hjælp af en algoritme designet til at koordinere prisændringer.
Joseph Harrington: Prisalgoritmen ville se sig om efter den bedste eller laveste pris for konkurrerende sælgere, det vil sige konkurrenter til disse to onlinesælgere. Og så ville de to online sælgere sætte en lidt lavere fælles pris. Så de to sælgere konkurrerede stadig mod andre firmaer på markedet, men konkurrerede bare ikke mod hinanden. Så i stedet for at koordinere på en fælles pris, koordinerede de på en fælles prissætningsalgoritme, og det havde samme effekt med at reducere konkurrencen.
Joseph Harrington: Så jeg er Joe Harrington. Jeg er professor i business, økonomi og offentlig politik ved Wharton School, University of Pennsylvania. Min forskning er inden for samordning og karteller.
Jennifer: Sagen, der involverer Amazon-plakatsælgerne, er noget, der er temmelig tæt på traditionel samordning... hvor ellers konkurrerende virksomheder koordinerer priserne via direkte, menneske til menneskelig kommunikation.
Men der er voksende forskning om, at prissætningsalgoritmer selv kunne lære at danne en slags digitalt kartel af deres eget … og indgå i samarbejde om at hæve priserne uden nogen menneskelig involvering.
Joseph Harrington: Lad os nu tænke på en leder, der beslutter, at de vil uddelegere prisbeslutningen til en selvlærende algoritme. Denne selvlærende algoritme vil eksperimentere med forskellige prisalgoritmer eller prissætningsregler i håbet om at finde dem, der er mere rentable. Så de ender med mere rentable prissætningsregler. Og grunden til, at de er mere profitable, er på grund af det faktum, at de selvlærende algoritmer har lært ikke at konkurrere mod hinanden.
Jennifer: Og forskere i Italien har allerede fundet beviser for, at det sker i et simuleret miljø.
Joseph Harrington: Så de betragtede en meget standard økonomisk model af et marked. En, der er blevet brugt af mange økonomer, både til teoretisk og empirisk arbejde. Og spørgsmålet var, om de kunne lære at samarbejde i et ret sofistikeret og komplekst simuleret miljø. Og svaret er meget klart, ja, der har vist sig at være priser, der bare rutinemæssigt var langt over konkurrencedygtige priser, nogle gange ret tæt på monopolpriser.
Jennifer: Han siger, at disse selvlærende algoritmer opfører sig på en måde, der afspejler menneskelige karteller.
Joseph Harrington: Algoritmer sætter en høj pris over konkurrencedygtige priser, hvilket skaber et incitament, i det mindste på kort sigt, til at sætte en lavere pris for at hente flere markedsandele og højere profit. Det, de selvlærende algoritmer har lært om konsekvenserne af at afvige fra det ved at sætte en lavere pris, er, at den anden selvlærende algoritme har taget en prissætningsalgoritme til sig, der vil straffe den adfærd. Så specifikt hvis en af dem pludselig skulle sænke prisen, blev den anden selvlærende algoritmes prissætningsalgoritme trænet til at reagere med en meget lav pris som svar. Priserne ville forblive lave i nogen tid, men de ville have tendens til at arbejde sig tilbage til de høje hemmelige priser. Så det, vi har her, er, at disse selvlærende algoritmer lærer, at vi kommer til at sætte en høj pris, og grunden til, at de ikke afviger fra det, er, at de har erfaret, at der vil være en gengældelse. afstraffelse af den anden, selvlærende algoritme. Og det er præcis, hvad vi tænker på som samordning.
Jennifer: Det er stadig et åbent spørgsmål om, hvorvidt denne slags ting kunne ske på et rigtigt marked, med al dets ekstra kompleksitet.
Men begrebet automatiseret hemmeligt samarbejde rejser alle mulige juridiske spørgsmål.
Joseph Harrington: Hvis vi går tilbage til eksemplet på Amazon-markedspladsen og online plakatsælgerne, så er det den type hemmelige aftaler, som den juridiske ramme er veldesignet til. Den er designet til konspiration, hvor konkurrenter kommunikerer. Og koordinere deres adfærd. Loven er defineret som et møde mellem sindene, en bevidst forpligtelse til en fælles ordning. Tanken om, at der har været denne kommunikation, som har ført til en vis gensidig forståelse blandt konkurrenterne om ikke længere at konkurrere. Alt det er fraværende med konkurrenter, der har vedtaget selvlærende algoritmer, så længe de gjorde det uafhængigt. Disse selvlærende algoritmer har ingen forståelse, meget mindre gensidig forståelse, hvilket virkelig er det, der kræves i lovens sammenhæng.
Jennifer: Og for nu ... er der ingen, der har ansvaret for at overvåge, om disse systemer spiller efter regler, vi anser for retfærdige.
Joseph Harrington: Jeg mener, jeg tror, at det potentielle juridiske svar i fremtiden ville være at forbyde visse egenskaber ved prissætningsalgoritmer. Hvis disse var forbudte, ville der være et incitament for virksomhederne selv til at overvåge deres prissætningsalgoritmer, ikke til at afsløre sig selv ulovligt. Men lige nu er der virkelig ingen, der overvåger dem. Og virksomhederne har bestemt ikke noget incitament, vil jeg sige, til at overvåge dem.
Jennifer: Han siger, at konkurrencebegrænsende prissætningsalgoritmer også kan være indlejret i software... som måske kan bruges af virksomheder, der konkurrerer mod hinanden... uden at disse virksomheder overhovedet er klar over det.
Joseph Harrington: Og så er spørgsmålet, ja, hvad kan man gøre ved det? Og nu er vi her igen på et lidt grumset juridisk område, fordi konspiration kræver to eller flere aktører, hvilket traditionelt er to eller flere konkurrenter, der har besluttet ikke længere at konkurrere. Men nu forestiller vi os, at det er en slags en aktør, som er tredjepartsudvikleren, der kan designe en prisalgoritme, der ikke er særlig konkurrencedygtig. Og hvis det kan overbevise mange virksomheder på et marked om at adoptere det, vil det klare sig godt for disse virksomheder, fordi det vil resultere i højere priser og mindre priskonkurrence. Endnu en gang er det slemt, men der er ingen konspiration, fordi der egentlig kun er den ene skuespiller, tredjepartsudvikleren, der promoverer dette.
Jennifer: Og der er et eksempel på det i den virkelige verden..i en undersøgelse lavet af tyske tankstationer, der begyndte at vedtage en prissætningsalgoritme.
Joseph Harrington: Og beviset er, at de gennemsnitlige prisomkostningsmargener steg som svar på dette, i størrelsesordenen omkring 12 %. Men det var virkelig meget slående, hvis du kiggede på markeder, hvor der kun var to stationer, så forestil dig bare et geografisk marked, hvor der bare er en slags to stationer, der konkurrerer. Og hvad undersøgelsen fandt var, at hvis en af dem adopterede prisalgoritmen, var der virkelig ingen mærkbar effekt på priserne. Men hvis begge blev vedtaget, var der en betydelig stigning i prisomkostningsmarginerne. I størrelsesordenen 29 pct. Så nu informerer dette i forhold til, hvad disse prisalgoritmer gør. Hvis de kun fører til mere effektiv dynamisk prissætning, ville du have forventet at se en vis effekt, selv når kun én stationsoperatør tog det i brug. Men det er ikke det, man finder i undersøgelsen. Det er først, når begge konkurrenter er vedtaget, du ser en effekt. Og det er en effekt, som er en betydelig prisstigning. Så jeg tror, det er noget, der er ved at ske. Og det er noget, der er lidt mere, synes jeg, konkret, og hvor der potentielt er flere politiske muligheder at håndtere. I modsætning til tilfældet med selvlærende algoritmer, som jeg mener er et potentielt problem, som vi ønsker at komme foran.
Maxime Cohen: Tidligere var vi i stand til at ændre priser hver dag eller hver måned, men nu kan priserne ændre sig hver time eller i nogle applikationer, endda hvert minut.
Maxime Cohen: Mit navn er Maxime Cohen. Jeg er Scale AI Chair professor ved McGill University i Montreal, Canada, og jeg er også meddirektør for Retail Innovation lab.
Jennifer: De seneste par år har set en eksplosion af dynamisk prissætning... Og personlig prisfastsættelse er også mere og mere almindelig.
I fremtiden kan dynamiske prissystemer være fuldt autonome... og anvendes i endnu større skala.
Hvilket rejser spørgsmålet: Hvordan beskytter vi vores privatliv, når vores data bliver brugt til at bestemme, hvor meget vi betaler for tingene?
Maxime Cohen: Så prissætningsalgoritmen i slutningen af dagen bør være baseret på ikke-personlige egenskaber. For eksempel kan du indsamle købshistorik, du kan potentielt indsamle brugernes placering, de handlinger, de har foretaget tidligere, men du ønsker ikke at bruge nogen form for personlige egenskaber som navne eller køn eller noget, der er mere personlig.
Jennifer: Et andet spørgsmål… hvor trækker vi grænsen mellem fair og uretfærdig prissætning?
Maxime Cohen: Man er nødt til at stille sig selv spørgsmålet. Er det rimeligt at tilbyde forskellige priser til forskellige kunder for de samme produkter eller den samme service? Og svaret på det spørgsmål er faktisk ikke enkelt. Disse to emner om privatlivets fred og retfærdighed er meget følsomme og kræver efter min mening omhyggelige regler fremadrettet.
Jennifer: Han siger, at regulatorer bør gå sammen og gøre det klart, hvilke data der kan indsamles, opbevares og bruges til at træffe prisbeslutninger.
Maxime Cohen: For eksempel hvis Uber begynder at råbe forskellige priser, baseret på den procentdel af batteri, du har i din telefon, når du bestiller en tur. Ville det være okay? Ville det ikke være okay? Så regulatorer bør mødes til bordet og lave en liste over attributter, der er rimelige at bruge til prisfastsættelsesbeslutninger, og nogle andre attributter på en sortliste, hvor de ikke bør bruges til prisfastsættelsesbeslutninger.
Jennifer: Og det er ikke kun vores online indkøbskurve, der er på spil. Dynamiske prissætningsalgoritmer kan snart også finde et hjem i den fysiske detailhandel ... i form af elektroniske hyldeetiketter.
Maxime Cohen: Du kan faktisk ændre prisen på specifikke produkter på bestemte tidspunkter ved blot at ændre en enkelt kodelinje og trykke på en knap. Du ændrer en linje kode. Så kan du implementere en prisændring til praktisk talt nul omkostninger. Nu er det eneste tilbageværende spørgsmål i den fysiske detailhandel, hvordan kunderne vil reagere på kraftige, dynamiske prispraksis. Hvis du tænker over det, vil priserne begynde at stige i supermarkeder i travle timer. Hvis der er et tidspunkt på dagen, hvor de har mange mennesker i supermarkedet, vil priserne stige. Tilsvarende vil priserne begynde at stige, når du har meget lav lagerbeholdning for specifikke produkter. Hvis du har færre aktiekurser vil stige for at kunne lide, så sørg for at optimere dit overskud. Nu er det ikke klart, om kunderne vil være glade, og det vil være at acceptere den type praksis, der allerede er på plads i onlineverdenen. Det kan helt sikkert være rentabelt på kort sigt, men det kan generere langsigtede tab, især med hensyn til kundeloyalitet. Så vi er nødt til at lave en masse research for at forsøge at forstå kraften og de potentielle fordele ved dynamisk prissætning for fysisk detailhandel.
[KREDITTER]
Jennifer: Denne episode blev rapporteret af Anthony Green og produceret af os to med Emma Cillekens. Vi er redigeret af Mat Honan, og vores mix-tekniker er Garret Lang, med lyddesign og musik af Jacob Gorski.
Tak fordi du lyttede, jeg er Jennifer Strong.
[TR ID]