Prijzenalgoritmes kijken voortdurend naar andere online winkels. Kaspar Grinvalds / Shutterstock

Heb je ooit 's ochtends online naar een product gezocht en ben je teruggegaan om het' s avonds opnieuw te bekijken om te zien dat de prijs is veranderd? In dat geval was u wellicht onderworpen aan het prijsalgoritme van de detailhandelaar.

Traditioneel beschouwen marketeers bij het bepalen van de prijs van een product de waarde voor de koper en hoeveel vergelijkbare producten kosten, en bepalen ze of potentiële kopers gevoelig zijn voor prijswijzigingen. Maar in de technologisch aangedreven markt van vandaag zijn dingen veranderd. De prijsalgoritmen voeren deze activiteiten meestal uit en bepalen de prijs van producten binnen de digitale omgeving. Wat meer is, deze algoritmen kunnen effectief samenspannen op een manier die slecht is voor de consument.

Oorspronkelijk werd online winkelen geprezen als een voordeel voor consumenten omdat het hen in staat stelde eenvoudig prijzen te vergelijken. De toegenomen concurrentie die dit zou veroorzaken (samen met het groeiende aantal retailers) zou ook de prijzen doen dalen. Maar wat bekend staat als revenue management prijssystemen hebben online retailers toegestaan ​​om marktgegevens te gebruiken om de vraag te voorspellen en prijzen dienovereenkomstig in te stellen om de winst te maximaliseren.

Deze systemen zijn uitzonderlijk populair geweest in de horeca- en toerismesector, vooral omdat hotels vaste kosten hebben, bederfelijke voorraden (voedsel dat moet worden gegeten voordat het afgaat) en fluctuerende niveaus van de vraag. In de meeste gevallen stellen revenue management-systemen hotels in staat om snel en nauwkeurig de ideale kamerprijzen te berekenen met behulp van geavanceerde algoritmen, prestatiegegevens uit het verleden en actuele marktgegevens. Kamerprijzen kunnen dan gemakkelijk overal worden aangepast ze zijn geadverteerd.

Deze inkomstenbeheersystemen hebben geleid tot de term "dynamisch prijzen”. Dit verwijst naar het vermogen van online providers om direct de prijs van goederen of diensten aan te passen in reactie op de geringste verschuivingen in vraag en aanbod, of het nu gaat om een ​​impopulair product in een volledig magazijn of een Uber-rit tijdens een late nachtopkomst. De consumenten van vandaag worden daarom steeds comfortabeler met het idee dat prijzen online kunnen en zullen fluctueren, niet alleen tijdens de verkoop, maar meerdere keren in de loop van een enkele dag.

Echter, nieuw algoritmische prijsstellingsprogramma's worden steeds geavanceerder dan de oorspronkelijke inkomstenbeheersystemen vanwege ontwikkelingen in kunstmatige intelligentie. Mensen hebben nog steeds een belangrijke rol gespeeld in revenue management-systemen door de verzamelde gegevens te analyseren en de uiteindelijke beslissing over prijzen te nemen. Maar algoritmische prijsstellingssystemen werken grotendeels op zichzelf.

Op dezelfde manier als in-home stemassistenten zoals Amazon Echo leer over hun gebruikers na verloop van tijd en verander de manier waarop ze dienovereenkomstig werken, algoritmische prijsstelling programma's leren door ervaring van de markt.

De algoritmen bestuderen de activiteit van online winkels om de economische dynamiek van de markt te leren kennen (hoe producten geprijsd zijn, normale consumptiepatronen, niveaus van vraag en aanbod). Maar ze kunnen ook onbedoeld "praten" met andere prijsstellingsprogramma's door constant naar de prijzen van andere verkopers te kijken om te leren wat werkt in de markt

Deze algoritmen zijn niet noodzakelijk geprogrammeerd om andere algoritmen op deze manier te controleren. Maar ze leren dat het het beste is om te doen om hun doel, het maximaliseren van winst, te bereiken. Dit resulteert in een onbedoelde collusie van prijzen, waarbij de prijzen binnen een zeer nabije grens van elkaar worden geplaatst. Als één bedrijf prijzen verhoogt, zullen concurrerende systemen onmiddellijk reageren door die van hen op te heffen, waardoor een samengeklonterde niet-concurrerende markt ontstaat.

Het volgen van de prijzen van concurrenten en het reageren op prijsveranderingen is normaal en legaal voor bedrijven. Maar algoritmische prijsstellingssystemen kunnen een stap verder gaan door prijzen hoger te stellen dan waar ze anders zouden zijn in een concurrerende markt omdat ze allemaal op dezelfde manier werken om de winst te maximaliseren.

Dit kan goed zijn vanuit het perspectief van bedrijven, maar is een probleem voor consumenten die overal hetzelfde moeten betalen, zelfs als de prijzen lager zouden kunnen zijn. Niet-concurrerende markten leiden ook tot minder innovatie, lagere productiviteit en uiteindelijk minder economische groei.

Wat kunnen we doen?

Dit vormt een intrigerende vraag. Als programmeurs (onbedoeld) hebben gefaald om te voorkomen dat deze heimelijke afspraak plaatsvindt, wat zou er dan moeten gebeuren? In de meeste landen wordt stilzwijgende collusie (waar bedrijven niet rechtstreeks met elkaar communiceren) momenteel niet als een illegale activiteit beschouwd.

De bedrijven en hun ontwikkelaars kunnen echter nog steeds verantwoordelijk worden gehouden omdat deze algoritmen door mensen zijn geprogrammeerd en de mogelijkheid hebben om te leren communiceren en informatie uit te wisselen met algoritmen van concurrenten. De Europese Commissie heeft gewaarschuwd dat het wijdverspreide gebruik van prijsalgoritmen in e-commerce kan resulteren in kunstmatig hoge prijzen op de hele markt, en de software moet worden gebouwd op een manier die niet laat het samenspannen.

Maar zolang de algoritmen zo geprogrammeerd zijn dat ze de grootst mogelijke winst opleveren en zelfstandig kunnen leren hoe dit moet, kunnen programmeurs deze heimelijke verstandhouding mogelijk niet overwinnen. Zelfs met enkele beperkingen die zijn ingevoerd, kunnen de algoritmen heel goed manieren leren om ze te overwinnen terwijl ze op zoek zijn naar nieuwe manieren om hun doel te bereiken.

Pogingen om de marktomgeving te beheersen om bewuste prijsbewaking of markttransparantie te voorkomen, zullen ongetwijfeld ook leiden tot meer vragen en tot nieuwe problemen. Met dit in ons achterhoofd, moeten we dit soort machinaal leren en de mogelijkheden ervan beter begrijpen voordat we nieuwe regels introduceren.

Over de auteur

Graeme McLean, docent marketing, University of Strathclyde

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.

Verwante Boeken

at InnerSelf Market en Amazon