هوش مصنوعی چگونه از دادههای مشتریان برای تعیین تخفیف و قیمت استفاده میکند و این روند چه اثری بر دستمزد، حریم خصوصی و قدرت چانهزنی دارد؟
قیمتگذاری شخصیسازیشده با هوش مصنوعی چیست؟
قیمتگذاری شخصیسازیشده زمانی رخ میدهد که یک شرکت با استفاده از دادههای رفتاری، حدس بزند هر مشتری تا چه مبلغی حاضر است برای یک کالا یا خدمت بپردازد. شرکت سپس میتواند قیمت یا تخفیف را متناسب با همین پیشبینی تغییر دهد.
این فرایند لزوماً به این معنا نیست که یک مشتری کالا را ۱۰۰ دلار و مشتری دیگر همان کالا را ۱۲۰ دلار میخرد. ممکن است فروشگاه فقط به فردی که احتمال دارد از خرید منصرف شود تخفیف بدهد و برای کسی که احتمالاً خرید میکند، تخفیفی در نظر نگیرد.
الگوریتمها چه چیزهایی درباره مشتری میفهمند؟
پلتفرمهای دیجیتال میتوانند هزاران تصمیم فردی را مشاهده کنند. فروشگاه ممکن است خریدهای قبلی، کالاهای رهاشده در سبد و واکنش مشتری به تخفیفها را ببیند. در بررسی کمیسیون تجارت فدرال آمریکا، واسطههای قیمتگذاری به اطلاعاتی مانند موقعیت مکانی، مشخصات جمعیتشناختی، سابقه مرور وب، فعالیت سبد خرید و حتی حرکتهای ماوس دسترسی داشتند؛ اطلاعاتی که میتوانند بر قیمتها، تخفیفها و پیشنهادها اثر بگذارند.
دادههای باشگاههای وفاداری فروشگاهها نیز تصویر دقیقتری از عادتهای خرید میسازند. Consumer NZ درباره حجم زیاد دادههای جمعآوریشده از این برنامهها هشدار داده است. بااینحال، مدرکی وجود ندارد که سوپرمارکتهای نیوزیلند همین حالا قیمت هر کالا را برای هر فرد جداگانه تعیین میکنند.
همین سازوکار چگونه به دستمزد کارگران میرسد؟
مسئله فقط قیمت کالا نیست. یک کارفرما از دانستن کمترین دستمزدی که یک فرد میپذیرد سود میبرد؛ همانطور که فروشنده از دانستن بیشترین مبلغی که مشتری میپردازد نفع میبرد. برای نمونه، ممکن است کارگری ۲۴ دلار را قبول کند اما به دلیل نرخ رایج بازار ۳۰ دلار دریافت کند. الگوریتمها میتوانند این ابهام را برای شرکتها سریعتر از کارگران و مشتریان کاهش دهند.
پلتفرم حملونقل میتواند ببیند راننده چه سفرهایی را قبول میکند، چه زمانی کار میکند و کدام مشوقها او را به فعالیت وامیدارند. Lyft سامانههایی را مستند کرده است که تعیین میکنند کدام رانندگان مشوق دریافت کنند و بعضی از چالشهای درآمدی را بهصورت شخصیسازیشده ارائه میدهند.
پژوهشی درباره ۱.۵ میلیون سفر Uber در بریتانیا دریافت که قیمتگذاری پویا با درآمد ساعتی واقعی کمتر و نابرابری بیشتر ارتباط داشت. این یافته ثابت نمیکند که Uber دقیقاً کمترین مبلغ قابلقبول هر راننده را محاسبه میکند، اما نشان میدهد الگوریتمهای پرداخت میتوانند پیامدهای نابرابر داشته باشند.
آیا شخصیسازی همیشه به زیان مشتری و کارگر است؟
نه لزوماً. مشوقهای هدفمند میتوانند مشتری را به فروشنده یا خدمت مناسبتری وصل کنند. تخفیفهای شخصیسازیشده ممکن است به مشتریانی کمک کنند که نسبت به قیمت حساسترند و پیشبینی بهتر تقاضا میتواند هدررفت را کاهش دهد.
مسئله اصلی این نیست که هوش مصنوعی میتواند کارایی ایجاد کند یا نه؛ مسئله این است که سود این کارایی به چه کسی میرسد. نتیجه ممکن است دستمزد بالاتر، قیمت پایینتر، محصول بهتر، سرمایهگذاری بیشتر یا سود بیشتر شرکت باشد. دادههای شخصی از این جهت ارزش اقتصادی دارند که به شرکت کمک میکنند شرایط قابلقبول برای هر فرد را پیشبینی کنند؛ بنابراین حریم خصوصی به قدرت چانهزنی هم مربوط میشود.
چرا شفافیت در قیمت و دستمزد اهمیت دارد؟
در بازارهای سنتی هم شرکتها همیشه درباره ساختار دستمزد یا حاشیه سود خود کاملاً شفاف نبودهاند. تفاوت امروز این است که شرکتها میتوانند رفتار افراد را بهطور مداوم مشاهده، آزمایش و تحلیل کنند، درحالیکه افراد معمولاً نمیدانند چه دادهای درباره آنها استفاده شده است.
کارگر نمیتواند بهآسانی بفهمد اگر پیشنهاد ۲۴ دلار را رد میکرد، آیا پیشنهاد ۲۸ دلار میگرفت یا نه. مشتری هم نمیداند اگر امروز خرید نکند، آیا فردا تخفیف دریافت خواهد کرد. انتظار منطقی این است که افراد بدانند پیشنهاد برای آنها شخصیسازی شده یا نه، چه اطلاعاتی بر آن اثر گذاشته و آیا دیگران با آنها تفاوت قابلتوجهی دارند. این شفافیت لزوماً به انتشار الگوریتم شرکت نیاز ندارد، اما نباید امکان مشاهده فقط یکطرفه باشد.
