211service.com
Podcast: cómo los algoritmos de fijación de precios aprenden a coludirse
Sra. Tecnología | Envato
Los algoritmos ahora determinan cuánto cuestan las cosas. Se llama fijación dinámica de precios y se ajusta de acuerdo con las condiciones actuales del mercado para aumentar las ganancias. El auge del comercio electrónico ha impulsado los algoritmos de fijación de precios a un hecho cotidiano, ya sea que esté comprando en Amazon, reservando un vuelo, un hotel o pidiendo un Uber. En esta continuación de nuestra serie sobre la automatización y su billetera, exploramos lo que sucede cuando una máquina determina el precio que paga.
En este episodio nos encontramos con:
- Lisa Wilkins, diseñadora de experiencia de usuario
- Gabe Smith, evangelista jefe, Pricefx
- Aylin Caliskan, profesora asistente, Universidad de Washington
- Joseph Harrington, profesor de negocios, economía y política pública, Universidad de Pensilvania
- Maxime Cohen, profesor de la Cátedra Scale AI, Universidad McGill
Créditos:
Este episodio fue informado por Anthony Green y producido por Jennifer Strong y Emma Cillekens. Estamos editados por Mat Honan y nuestro ingeniero de mezcla es Garret Lang, con diseño de sonido y música de Jacob Gorski.
Transcripción completa:
[ID TR]
Jennifer: Muy bien, estoy en un aeropuerto a las afueras de la ciudad de Nueva York y solo miro el tablero de salidas aquí y veo todos estos vuelos que van a diferentes lugares... Me hace pensar en cómo decidimos cuánto debería costar algo... como un boleto para uno de estos vuelos Porque hacia dónde se dirige el avión es solo una parte del rompecabezas. El precio del pasaje aéreo es altamente personalizado. Incluye cantidades masivas de datos de consumidores. Los precios también cambian en tiempo real en función de cosas como nuestros patrones de reserva, los precios de la competencia, incluso el clima...
Jennifer: Pero no siempre fue así. Hubo un tiempo... podíamos confiar en la noción de que lo que ves es lo que obtienes.
En estos días, los precios son decididos por algoritmos. Se llama precios dinámicos... que fijan el precio de las cosas de acuerdo con las condiciones actuales del mercado para aumentar las ganancias.
Y no son solo las aerolíneas las que utilizan esta técnica.
[SOT: Los minoristas adoptan 'Precios dinámicos' - a través de YouTube]
Reportero de noticias de televisión: Una práctica iniciada por las aerolíneas, los precios dinámicos ahora han sido adoptados por los minoristas, gracias a una nueva tecnología.
[SOT: Amazon acusado de aumentar los precios de WCPO ABC 9, a través de YouTube]
Reportero de noticias de televisión: ...y cada vez es más común gracias a los algoritmos informáticos. Lo encontrará con boletos de Disney World, habitaciones de hotel, asientos de Major League Baseball... y ahora. AMAZONAS.
Jennifer: El comercio electrónico impulsó estos algoritmos a una ocurrencia cotidiana...
Pero, ¿qué significa eso para los consumidores?
[SOT: CONFERENCIA ANTIMONOPOLIO Y COMPETENCIA Parte 12 Día dos Panel tres 'Fenómeno de Amazon' - vía YouTube]
Lina Khan, Directora, Política Legal, Instituto de Mercados Abiertos: Amazon cambia los precios dos millones de veces al día, entonces, ¿cuál es un precio estable para cualquiera de nosotros y cómo sabremos que estamos pagando precios diferentes? Creo que esa va a ser una pregunta clave en el futuro.
Jennifer: Soy Jennifer Strong y este episodio, lo que sucede cuando una máquina determina el precio que pagas.
[MOSTRAR ID]
OC:... has llegado a tu destino.
[MÚSICA]
[SOT: KIRO7 Seattle - Via web]
Presentador de noticias 2: Cuando sonaron los disparos anoche, la gente buscaba alguna salida. Esta noche, algunos dicen que la seguridad fue para el mejor postor.
Jennifer: Era la mitad del viaje de la tarde. Enero pasado. Cuando hubo un tiroteo en el centro de Seattle.
Presentador de noticias 1 : Las compañías de viajes compartidos están bajo fuego esta noche por subir los precios mientras la gente intentaba huir de los disparos. Algunos ciclistas dicen que fueron arrancados.
Lisa Wilkins: El autobús que normalmente tomaría iría por la calle en la que ocurrió el tiroteo. Así que todos los autobuses que iban por esa calle, todos se detuvieron. No fueron desviados ni nada, simplemente se detuvieron.
Jennifer: Lisa Wilkins trabaja en tecnología y su oficina está a menos de una cuadra de donde ocurrió el tiroteo.
Lisa Wilkins: Decidí tomar un Uber o Lyft y, ya sabes, llevarlo a casa o llevarlo de regreso a mi automóvil, que está en un Park and Ride, que estaba a unas 17 millas de distancia. Y luego, cuando abrí la aplicación, vi que costaba como cien dólares o algo así llegar allí cuando normalmente habría sido tal vez 30 dólares.
Jennifer: Cuando la demanda es alta, el precio de un viaje con Lyft o Uber automáticamente se vuelve más caro. En emergencias, las empresas limitan esos precios una vez que está claro lo que está sucediendo y, en este caso, se ofrecen a reembolsar a los pasajeros que pagaron tarifas más altas.
Pero a pesar de que el trabajo de Lisa Wilkins es diseñar aplicaciones teniendo en cuenta la experiencia del usuario, dice que le llevó un momento darse cuenta de lo que le estaba pasando: fue debido a un algoritmo de fijación de precios.
Lisa Wilkins: Al principio, estaba muy enojado porque quieres tomártelo como algo personal, como si lo estuvieran haciendo intencionalmente. Esto es un tiroteo y se están aprovechando de ello. Y luego, cuando estaba hablando con otro compañero de trabajo al respecto. Ya sabes, todavía estábamos molestos porque iba a costar tanto llegar a cualquier parte, pero nos dimos cuenta de que esto estaba subiendo de precio. Este es un bot que básicamente dice cuáles serán los precios. Y siendo un diseñador de UX, entiendo que hay muchos casos extremos que quizás no planifiques para que sucedan en tu producto.
Jennifer: Y esto puede tener algunos resultados no deseados.
Gabe Smith: Había un libro sobre genética de moscas en Amazon. Eso fue... había dos algoritmos en competencia que simplemente se miraban entre sí y aumentaban un poco el precio. El otro aumentaría un poco el precio además de eso. Y siguieron yendo y viniendo sin control durante, ya sabes, muchos días. Y terminó con el precio de este libro como $ 1,2 millones, ¿verdad?
Gabe Smith: Mi nombre es Gabe Smith y soy el principal evangelista de PriceFX. Y tengo unos 14 años de experiencia en optimización y gestión de precios.
Jennifer: Utiliza IA y otras herramientas para ayudar a las empresas a decidir cuánto debería costar algo. También piensa en cómo evitar esos valores atípicos... como ese libro de un millón de dólares sobre bichos.
Gabe Smith: Así que en los años ochenta es realmente cuando el poder de cómputo y la disponibilidad de datos llegaron al punto en que estas técnicas podrían comenzar a aprovecharse. Y realmente, apareció primero en las industrias de las aerolíneas y luego siguió en otras industrias de viajes y ocio, como el alquiler de automóviles y los hoteles.
Jennifer: Los precios dinámicos pueden ayudar a las empresas a saber cuánto cobrar por los productos que vencen o tienen un suministro limitado. Como cuando un avión despega... no cambia cuántos de esos asientos están llenos. Por lo tanto, para generar la mayor cantidad de ingresos, las aerolíneas deben vender la mayor cantidad de asientos al precio más alto posible. ¿Y para saber cuál es ese precio? Necesitan comprender los matices del comportamiento de los pasajeros y la demanda del mercado.
Gabe Smith: Ese fue realmente el primer uso de la optimización de precios y la inteligencia artificial para impulsar los precios en un mercado. Y desde entonces, su uso realmente se expandió en muchas industrias diferentes. Tenemos una empresa, por ejemplo, que establece precios dinámicos para sus boletos de esquí en función de los próximos eventos, las condiciones climáticas, las condiciones de la nieve, pero también tenemos otros clientes que venden productos electrónicos y químicos. Tenemos empresas de fabricación industrial, empresas de distribución, realmente estas técnicas están ganando adopción en una amplia variedad de industrias.
Jennifer: La clave para que todo esto funcione es un rico conjunto de datos sobre los clientes y lo que impulsa su disposición a pagar. Cuantos más datos... Los precios más específicos pueden ser para las personas.
Gabe Smith: Cómo se comportan. Qué producto que estás ofreciendo. Cosas como, ¿cuál es la naturaleza de la transacción o la cotización que está haciendo? Todo eso puede tenerse en cuenta en sus algoritmos de optimización de precios e influir en lo que va a ofrecer. Entonces, si tiene datos como ese, en realidad puede ser bastante sencillo poder implementar la optimización de precios. Así que tenemos clientes en los que hemos implementado cosas en tan solo un par de meses.
Jennifer: Y dice que estos sistemas están mejorando en la gestión de la complejidad y el equilibrio de los objetivos contrapuestos.
Gabe Smith: Así que tal vez quiero asegurarme de estar siempre posicionado de cierta manera frente a mi competencia, ¿verdad? O tal vez quiero decir: 'Oye, nunca quiero aumentar los precios en más del 5 % para nadie'. ¿Estoy tratando de maximizar los ingresos, estoy tratando de maximizar las ganancias? ¿Estoy tratando de maximizar el rendimiento del volumen? Podría equilibrar entre esos. Entonces, lo que sucede en las organizaciones, ya sabes, hay objetivos en competencia muchas veces. Y así puede estar guiando no solo, está bien, cuál es mi precio de lista, sino cuál es, ya sabes, el precio negociado o la promoción basada en una combinación de productos del cliente.
Jennifer: Estas restricciones son importantes porque, si no se limitan, los algoritmos de fijación de precios pueden simplemente priorizar precios más altos.
¿Otro problema? Asegurarse de que esos precios no refuercen el sesgo sistémico.
Pero esto no es tan sencillo.
Gabe Smith: Puede ser que, ya sabes, no veas una de esas cosas explícitamente, pero podrían estar debajo de la superficie en otro atributo que estés usando. Entonces, si está usando un código postal o está usando datos demográficos en términos de niveles de ingresos, puede haber un sesgo sistémico en esos datos. Por lo tanto, realmente debe pensar en cómo construye estas cosas y asegurarse de que está haciendo lo correcto desde una perspectiva ética. Y creo que parte de la aceptación es: ¿Siento que, como consumidor, obtengo un buen trato o un mejor trato en algunos casos como resultado de esto, o siempre es en beneficio del proveedor?
[TRANSICIÓN DE MÚSICA]
Aylin Caliskan: Sabemos que la gran tecnología utiliza ampliamente estos algoritmos de fijación de precios individualizados y no necesariamente entendemos qué sucede detrás de estos sistemas o algoritmos porque son cajas negras. Solo vemos los resultados de forma individual, básicamente el precio que recibimos. Y realmente no tenemos métodos o conjuntos de datos para estudiar sistemáticamente los algoritmos de discriminación de precios.
Aylin Caliskan: Soy Aylin Caliskan. Actualmente soy profesor asistente en la Universidad de Washington y mi investigación se centra en el aprendizaje automático y el sesgo de inteligencia artificial.
Jennifer: Hace un par de años, la ciudad de Chicago ordenó que compañías como Uber y Lyft hicieran pública la información sobre las tarifas. Esto dio a los investigadores acceso a millones de viajes anónimos por toda la ciudad. Comparó los precios con la demografía del vecindario y ¿qué encontró? la sorprendió
Aylin Caliskan: Nuestros resultados muestran que los vecindarios que tienen residentes más jóvenes o residentes con un alto nivel educativo estaban pagando precios de tarifas significativamente más altos. Y los vecindarios que tienen más residentes no blancos, así como los vecindarios empobrecidos, también estamos pagando precios de tarifas más altos que fueron determinados por estos algoritmos de discriminación de precios.
Jennifer: Su equipo quiere saber por qué sucede esto, pero eso es difícil sin detalles sobre la oferta y la demanda, que no se hacen públicos.
Los investigadores solo pueden obtener un subconjunto de estos datos.
Aylin Caliskan: ¿Están los residentes de barrios desfavorecidos pagando precios justos más altos debido a las características de sus barrios? ¿O la oferta de conductores tiene un impacto en los precios justos en estos vecindarios donde la demanda parece relativamente baja? Pero si la oferta es aún más baja, en consecuencia, la demanda relativa parecería más alta, lo que podría estar aumentando el precio de las tarifas y cuanta más transparencia, mejores métodos podemos desarrollar para estudiar el impacto dispar de estos algoritmos o su dinámica, cómo están aprendiendo de los vecinos. patrones de transporte y patrones de tráfico.
Jennifer: ¿Qué trae a colación otro tema espinoso? Realmente no hay reglas sobre esto.
Aylin Caliskan: Necesitamos más políticas y regulaciones para poder acceder a este conjunto de datos y seguir estudiándolo y comprender cómo esto podría estar afectando la planificación de ciudades inteligentes, así como la asignación de recursos, porque si dichos conjuntos de datos se utilizan, por ejemplo, en automóviles sin conductor o asignación de recursos en las ciudades inteligentes, estos sesgos podrían terminar perpetuándose o potencialmente amplificados en el futuro, causando todo tipo de efectos secundarios inesperados con los que tendríamos que lidiar en el futuro.
Jennifer: Después del descanso, descubrimos cómo sería la regulación... y aprendemos cómo podrían funcionar estos algoritmos en una tienda de comestibles.
Pero primero, quiero contarles sobre un evento llamado CyberSecure. Es la conferencia de ciberseguridad de Tech Review y estaré allí con mis colegas para hablar sobre ransomware y otros temas importantes. Puede obtener más información en Cyber Secure M-I-T punto com.
Volveremos enseguida... después de esto.
[A MEDIO ROLLO]
[MÚSICA]
Jennifer: Los algoritmos de fijación de precios también pueden ayudar a los consumidores... personalizando productos y recomendaciones... o brindando información a las empresas que las ayuden a diseñar mejores productos y servicios.
Pero estos sistemas también presentan nuevos desafíos para quienes regulan la competencia.
El Congreso aprobó la primera ley antimonopolio hace más de un siglo, pero no fue hasta 2015 que el gobierno procesó su primer caso antimonopolio dirigido específicamente al comercio electrónico. En ese caso, un hombre se declaró culpable de conspirar para fijar ilegalmente los precios de los carteles que vendió en Amazon con otros vendedores... utilizando un algoritmo diseñado para coordinar los cambios de precios.
José Harrington: El algoritmo de fijación de precios buscaría el mejor o el precio más bajo de los vendedores competidores, es decir, los competidores de esos dos vendedores en línea. Y luego los dos vendedores en línea establecerían un precio común ligeramente más bajo. Así que los dos vendedores seguían compitiendo contra otras empresas en el mercado, pero simplemente no competían entre sí. Entonces, en lugar de coordinarse con un precio común, se coordinaron con un algoritmo de fijación de precios común y eso tuvo el mismo efecto de reducir la competencia.
José Harrington: Así que soy Joe Harrington. Soy profesor de negocios, economía y política pública en la Escuela Wharton de la Universidad de Pensilvania. Mi investigación es en el área de colusión y cárteles.
Jennifer: El caso que involucra a los vendedores de carteles de Amazon es algo que está bastante cerca de la colusión tradicional... donde, de otro modo, las empresas competidoras coordinan los precios a través de una comunicación directa de persona a persona.
Pero hay una creciente investigación de que los propios algoritmos de fijación de precios podrían aprender a formar una especie de cartel digital propio... y coludirse para aumentar los precios sin ninguna participación humana.
José Harrington: Ahora bien, pensemos en un gerente que decide que va a delegar la decisión de fijación de precios a un algoritmo de autoaprendizaje. Ese algoritmo de autoaprendizaje experimentará con diferentes algoritmos de fijación de precios o reglas de fijación de precios con la esperanza de encontrar los que sean más rentables. Entonces terminan con reglas de precios más rentables. Y la razón por la que son más rentables es por el hecho de que los algoritmos de autoaprendizaje han aprendido a no competir entre sí.
Jennifer: Y los investigadores en Italia ya han encontrado evidencia de que eso sucede en un entorno simulado.
José Harrington: Así que consideraron un modelo económico muy estándar de un mercado. Uno que ha sido utilizado por muchos economistas, tanto para trabajos teóricos como empíricos. Y la pregunta era si podrían aprender a confabularse en un entorno simulado bastante sofisticado y complejo. Y la respuesta es muy clara, sí, se encuentran precios que eran justos, rutinariamente muy por encima de los precios competitivos, a veces muy cerca de los precios de monopolio.
Jennifer: Él dice que estos algoritmos de autoaprendizaje se comportan de una manera que refleja los carteles humanos.
José Harrington: Los algoritmos establecen un precio alto por encima de los precios competitivos, lo que crea un incentivo, al menos a corto plazo, para establecer un precio más bajo con el fin de obtener una mayor participación de mercado y mayores ganancias. Lo que los algoritmos de autoaprendizaje han aprendido sobre las consecuencias de desviarse de eso al establecer un precio más bajo es que el otro algoritmo de autoaprendizaje ha adoptado un algoritmo de fijación de precios que castigará ese comportamiento. Entonces, específicamente, si uno de ellos bajara el precio de repente, el algoritmo de fijación de precios del otro algoritmo de autoaprendizaje fue entrenado para responder con un precio muy bajo en respuesta. Los precios se mantendrían bajos durante algún tiempo, pero tenderían a volver a subir hasta los altos precios colusorios. Entonces, lo que tenemos aquí realmente son estos algoritmos de autoaprendizaje que aprenden que, está bien, vamos a establecer un precio alto y la razón por la que no se desvían de eso es que han aprendido que va a haber una represalia. castigo por el otro, algoritmo de autoaprendizaje. Y eso es exactamente lo que consideramos colusión.
Jennifer: Todavía es una pregunta abierta si este tipo de cosas podrían suceder en un mercado real, con toda su complejidad adicional.
Pero el concepto de colusión automatizada plantea todo tipo de cuestiones legales.
José Harrington: Si volvemos al ejemplo del mercado de Amazon y los vendedores de carteles en línea, bueno, es ese tipo de colusión para el que el marco legal está bien diseñado. Está diseñado para conspiraciones donde los competidores se comunican. Y coordinar su conducta. La ley se define en términos de un encuentro de mentes, un compromiso consciente con un esquema común. La idea de que ha habido esta comunicación, que ha dado lugar a cierto entendimiento mutuo entre los competidores para dejar de competir. Todo eso está ausente con los competidores que han adoptado algoritmos de autoaprendizaje siempre que lo hayan hecho de forma independiente. Estos algoritmos de autoaprendizaje no tienen comprensión, y mucho menos comprensión mutua, que es realmente lo que se requiere en el contexto de la ley.
Jennifer: Y por ahora… no hay nadie a cargo de monitorear si estos sistemas están siguiendo las reglas que consideramos justas.
José Harrington: Quiero decir, creo que la posible respuesta legal en el futuro sería prohibir ciertas propiedades de los algoritmos de fijación de precios. Si se prohibieran, habría un incentivo para que las propias empresas controlaran sus algoritmos de fijación de precios, para no exponerse ilegalmente. Pero a partir de ahora, realmente no hay nadie que los controle. Y ciertamente las empresas no tienen ningún incentivo, diría yo, para monitorearlas.
Jennifer: Él dice que los algoritmos de fijación de precios anticompetitivos también podrían estar integrados en el software... que podrían ser utilizados por empresas que compiten entre sí... sin que esas empresas se den cuenta.
José Harrington: Y entonces la pregunta es, bueno, ¿qué se puede hacer al respecto? Y ahora aquí estamos, una vez más, en un territorio legal un poco turbio, porque la conspiración requiere dos o más actores, que tradicionalmente son dos o más competidores que han decidido dejar de competir. Pero ahora estamos imaginando que es una especie de actor, que es el desarrollador externo que podría diseñar un algoritmo de fijación de precios que no sea muy competitivo. Y si puede convencer a muchas empresas en un mercado para que lo adopten, funcionará bien para esas empresas, porque dará como resultado precios más altos y menos competencia de precios. Ahora, una vez más, eso es malo, pero no hay conspiración porque en realidad solo hay un actor, el desarrollador externo que está promocionando esto.
Jennifer: Y ahí es un ejemplo de eso en el mundo real... en un estudio realizado en gasolineras alemanas que comenzaron a adoptar un algoritmo de fijación de precios.
José Harrington: Y la evidencia es que los márgenes de costo de precio promedio aumentaron en respuesta a esto, del orden de alrededor del 12%. Pero fue realmente muy sorprendente, si mirabas los mercados donde solo había dos estaciones, así que imagina un mercado geográfico donde solo hay dos estaciones compitiendo. Y lo que encontró el estudio fue que si uno de ellos adoptaba el algoritmo de fijación de precios, en realidad no había un efecto notable en los precios. Pero si ambos adoptaron, entonces hubo un aumento significativo en los márgenes de costo de precio. Del orden de alrededor del 29%. Así que ahora esto es informativo en términos de lo que están haciendo estos algoritmos de fijación de precios. Si solo conducen a precios dinámicos más eficientes, entonces habría esperado ver algún efecto, incluso cuando solo un operador de estación lo adoptó. Pero eso no es lo que se encuentra en el estudio. Solo cuando ambos competidores adoptan se ve un efecto. Y es un efecto, que es un aumento considerable en el precio. Así que creo que eso es algo que, creo, está sucediendo. Y es algo que es un poco más, creo, concreto y donde potencialmente hay más opciones de políticas para tratar. A diferencia del caso de los algoritmos de autoaprendizaje, que creo que es un problema potencial del que queremos salir adelante.
Máximo Cohen: Solíamos poder cambiar los precios todos los días o todos los meses, pero ahora los precios pueden cambiar cada hora o en algunas aplicaciones, incluso cada minuto.
Máximo Cohen: Mi nombre es Maxime Cohen. Soy el profesor de la Cátedra Scale AI en la Universidad McGill en Montreal, Canadá, y también soy el codirector del laboratorio de Innovación Minorista.
Jennifer: Los últimos años han visto una explosión de prácticas de precios dinámicos... Y los precios personalizados también son cada vez más comunes.
En el futuro, los sistemas de precios dinámicos podrían ser totalmente autónomos... y aplicarse a una escala aún mayor.
Lo que plantea la pregunta: ¿Cómo protegemos nuestra privacidad cuando nuestros datos se utilizan para determinar cuánto pagamos por las cosas?
Máximo Cohen: Por lo tanto, el algoritmo de fijación de precios al final del día debe basarse en atributos no personales. Por ejemplo, puede recopilar el historial de compras, puede recopilar, potencialmente, la ubicación de los usuarios, las acciones que realizaron en el pasado, pero no desea utilizar ningún tipo de atributo personal como nombres o género ni nada que sea más personal.
Jennifer: Otra pregunta… ¿dónde trazamos la línea entre precios justos e injustos?
Máximo Cohen: Uno necesita hacerse la pregunta. ¿Es justo ofrecer diferentes precios a diferentes clientes por los mismos productos o el mismo servicio? Y la respuesta a esa pregunta no es simple en realidad. Estos dos temas de privacidad y equidad son muy delicados y, en mi opinión, necesitan regulaciones cuidadosas para avanzar.
Jennifer: Él dice que los reguladores deberían unirse y dejar en claro qué datos se pueden recopilar, almacenar y usar para tomar decisiones de precios.
Máximo Cohen: Por ejemplo, si Uber comienza a gritar diferentes precios, según el porcentaje de batería que tiene en su teléfono cuando solicita un viaje. ¿Estaría bien? ¿No estaría bien? Por lo tanto, los reguladores deben sentarse a la mesa y hacer una lista de atributos que son razonables para usar en las decisiones de fijación de precios y algunos otros atributos en una lista negra donde no deben usarse para las decisiones de fijación de precios.
Jennifer: Y no solo están en juego nuestros carritos de compras en línea. Los algoritmos de fijación de precios dinámicos pronto también podrían encontrar un hogar en el comercio minorista físico... en forma de etiquetas electrónicas para estantes.
Máximo Cohen: De hecho, puede cambiar el precio de productos específicos en momentos específicos, simplemente modificando una sola línea de código y presionando un botón. Cambias una línea de código. Luego puede implementar un cambio de precio a costos prácticamente nulos. Ahora, la única pregunta que queda en el comercio minorista físico es cómo reaccionarán los clientes ante las prácticas dinámicas de fijación de precios. Si lo piensas bien, los precios comenzarán a subir en los supermercados durante las horas pico. Si hay un momento del día en el que hay mucha gente en el supermercado, los precios subirán. Del mismo modo, los precios comenzarán a subir cuando tenga un inventario muy bajo para productos específicos. Si tiene menos acciones, los precios subirán para gustar, asegúrese de optimizar sus ganancias. Ahora no está claro si los clientes estarán contentos y aceptarán ese tipo de prácticas que ya existen en el mundo en línea. Puede ser definitivamente rentable a corto plazo, pero puede generar pérdidas a largo plazo, especialmente en términos de lealtad del cliente. Por lo tanto, debemos investigar mucho para tratar de comprender el poder y los beneficios potenciales de los precios dinámicos para el comercio minorista físico.
[CRÉDITOS]
Jennifer: Este episodio fue informado por Anthony Green y producido por nosotros dos con Emma Cillekens. Estamos editados por Mat Honan y nuestro ingeniero de mezcla es Garret Lang, con diseño de sonido y música de Jacob Gorski.
Gracias por escuchar, soy Jennifer Strong.
[ID TR]