قیمت‌گذاری اختصاصی با هوش مصنوعی؛ وقتی هر مشتری نرخ متفاوتی برای یک کالا می‌پردازد

در شعار تبلیغاتی معروف برگر کینگ آمده بود که «ساندویچ خود را آن‌طور که دوست دارید تحویل بگیرید»، اما این بار مشتریان مک‌دونالد بودند که دقیقاً در همان مسیر قدم می‌گذاشتند؛ هرچند شاید به شیوه‌ای که چندان باب میلشان نباشد. مک‌دونالد دست‌کم از سال ۲۰۱۹ انواعی از قیمت‌گذاری مبتنی بر هوش مصنوعی را به کار گرفته است، اما گزارش تحقیقی اخیر رویترز نشان داد این سیستم تا چه اندازه پیشرفت کرده است. موتور قیمت‌گذاری این شرکت با تحلیل داده‌های حاصل از میلیون‌ها تراکنش روزانه، برای هر محصول در هر شعبه یک «قیمت بهینه» تعیین می‌کرد. یکی از شاخص‌های اصلی در این محاسبات، تخمین میزان مبلغی بود که خریداران در یک منطقه مشخص حاضر به پرداخت آن بودند.

مدیران مک‌دونالد این سیستم را «یک ابزار کمکی و نه یک دستورالعمل قطعی» نامیدند. اگرچه این شیوه در دقیق‌ترین تعاریف شاید قیمت‌گذاری نظارتی به شمار نیاید، اما بر پایه همان مفهوم مشترک کار می‌کند: استفاده از کوهی از داده‌های رفتاری برای پی بردن به حداکثر رقمی که مشتری بابت یک کالا می‌پردازد.

مک‌دونالد در این مسیر تنها نیست

کمیسیون فدرال تجارت (FTC) و گروه‌های حامی مصرف‌کنندگان برای تشریح این رویه از اصطلاح قیمت‌گذاری نظارتی استفاده کرده‌اندسازوکاری که در آن شرکت‌ها با تکیه بر اطلاعات شخصی افراد مانند سابقه وب‌گردی، موقعیت مکانی، مدل دستگاه و خریدهای گذشته، برآورد می‌کنند که هر خریدار چه مبلغی خواهد پرداخت و سپس قیمت‌ها یا پیشنهادهای تخفیف را متناسب با آن تغییر می‌دهند.

شرکت‌های تجاری البته عناوینی خوشایندتر نظیر «قیمت‌گذاری شخصی‌سازی‌شده» را ترجیح می‌دهند. با این وجود، فارغ از اینکه چه نامی روی آن بگذاریم، هوش مصنوعی پیاده‌سازی این رویکرد را بسیار ساده‌تر کرده است. نرم‌افزارهای امروزی قادرند صدها متغیر مختلف را بسنجند؛ از مدت زمانی که نشانگر ماوس روی یک محصول بی‌حرکت مانده تا محصولاتی که فرد هم‌زمان بررسی می‌کند، و از همین داده‌ها برای بالا و پایین کردن قیمت‌ها یا ارائه تخفیف استفاده کنند.

کمیسیون فدرال تجارت پیش‌تر تحقیقاتی را درباره شرکت‌های ارائه‌دهنده این ابزارهای نرم‌افزاری به انجام رساند. این نهاد نظارتی پس از تغییرات سیاسی نیز رصد این موضوع را متوقف نکرده و با تنظیم سیاست‌هایی به شرکت‌ها هشدار داده است که باید هرگونه قیمت‌گذاری شخصی‌سازی‌شده را به وضوح به اطلاع مشتری برسانند.

رستوران‌های فست‌فود تنها بستری نیستند که پای این فناوری به آن‌ها باز شده است. فروشگاه‌های زنجیره‌ای وال‌مارت چندی پیش تلاش کردند توضیح دهند پتنت‌های ثبت‌شده پیرامون ساخت نمایه رفتاری خریداران صرفاً ایده‌هایی نظری بوده‌اند و برنامه‌ای برای پیاده‌سازی آن‌ها وجود ندارد. در این اسناد توضیح داده شده بود که چگونه می‌توان قیمت کالاها را بر اساس آنچه درون سبد خرید قرار دارد تنظیم کرد یا کوپن‌های تخفیف را از کاربرانی که احتمالاً قیمت کامل را می‌پردازند دریغ نمود. وال‌مارت اعلام کرد از فناوری تشریح‌شده در این پتنت‌ها استفاده نخواهد کرد و مدیرعامل آن نیز تصریح کرد که این فروشگاه «روی محصول قیمت می‌گذارد، نه روی شخص خریدار».

حوزه سفارش آنلاین خواربار و اقلام سوپرمارکتی نیز با موشکافی‌های شدیدتری روبه‌رو شد. چندی پیش، سازمان Consumer Reports با همکاری اندیشکده پیشرو Groundwork Collaborative آزمایشی اجرا کردند که طی آن بیش از ۴۰۰ خریدار به‌صورت هم‌زمان سبدهای خریدی کاملاً یکسان را در پلتفرم Instacart تشکیل دادند. نتایج حاصل خیره‌کننده بود: سه چهارم محصولات با قیمت‌های متفاوتی عرضه شدند که در مواردی اختلاف قیمت به ۲۳ درصد می‌رسید. پلتفرم Instacart این تفاوت‌ها را آزمایشی تصادفی خواند و پرونده آن را بست.

تاکسی‌های اینترنتی نیز رفتاری مشابه داشتند. بررسی‌های سازمان Consumer Reports نشان داد که نرخ‌های پیشنهادی اوبر و لیفت برای سفرهایی در مسیرهای یکسان، میان ارزان‌ترین و گران‌ترین گروه‌های قیمتی اختلاف میانه‌ای معادل ۴۲ درصد دارند. در پتنت‌های به ثبت رسیده توسط شرکت لیفت حتی شاخصی با نام «امتیاز تمایل به پرداخت» تعریف شده بود.

اگرچه این شرکت‌ها نوسانات را به شرایط متغیر بازار نسبت داده و مدعی شدند کرایه پایه را شخصی‌سازی نمی‌کنند، اما ابزارهای فنی لازم برای این کار توسعه یافته و انگیزه‌های مالی روشنی نیز برای اجرای آن وجود دارد.

ارزان‌تر، اما دلهره‌آورتر

شاید در نگاه نخست خلاف شهود به نظر برسد، اما همین ابزارها در تئوری می‌توانند به کاهش قیمت‌ها نیز منجر شوند. چنانچه کاربری حاضر نباشد مبلغ بالایی برای یک محصول بپردازد، هوش مصنوعی می‌تواند این رفتار را شناسایی کرده و به او پیشنهاد تخفیف بدهد. به‌عنوان مثال، الگوریتم‌های قیمت‌گذاری مک‌دونالد در مقاطعی برای حفظ مشتریان خود قیمت برخی اقلام را کاهش داده‌اند.

یک مطالعه دانشگاهی در دانشگاه شیکاگو در سال ۲۰۲۳ نیز این سازوکار را تأیید می‌کند. این پژوهش نشان داد قیمت‌گذاری شخصی‌سازی‌شده سود انتظاری شرکت‌ها را ۱۹ درصد بالا برده، در حالی که بیش از ۶۰ درصد از مصرف‌کنندگان نیز از آن سود برده‌اند؛ چراکه اعمال تخفیف باعث شد خریدارانی که قصد ترک خرید را داشتند سفارش خود را ثبت کنند و افزایش تعداد فروش، هزینه این تخفیف‌ها را جبران کرد.

با این حال، مشتریانی که اجازه رهگیری اطلاعاتشان را نمی‌دهند ممکن است از این فرصت‌ها محروم شوند. جینجر ژه جین، اقتصاددان دانشگاه مریلند، پیش‌تر در گفتگو با نشریه وال‌استریت ژورنال در این رابطه تأکید کرد: «اگر دسترسی به داده‌های خود را مسدود کنید، تنها قیمت رسمی و پایه کالا را خواهید دید؛ نرخی که بالاترین قیمت ممکن برای پرداخت محسوب می‌شود.»

با وجود تمام این موارد، به نظر می‌رسد مردم چندان دل خوشی از این روش‌ها ندارند. بر اساس نظرسنجی سازمان Consumer Reports در سال ۲۰۲۴، دو سوم شهروندان آمریکایی صراحتاً با چنین رویکردهایی مخالف هستند. رئیس کمیسیون فدرال تجارت نیز یادآور شد که انتظار خریداران ساده است: قیمتی که روی اتیکت قفسه فروشگاه نوشته شده باید همان قیمتی باشد که به همه مشتریان ارائه می‌شود.

قانون‌گذاران نیز منتظر فراگیرتر شدن این سیستم‌ها نمانده‌اند. ایالت مریلند تعیین قیمت پویا و بهره‌گیری از داده‌های شخصی را برای قیمت‌گذاری در فروشگاه‌های مواد غذایی و سامانه‌های سفارش غذا ممنوع کرده است؛ در حالی که ایالت نیویورک شرکت‌هایی را که از اطلاعات شخصی برای تغییر قیمت‌ها استفاده می‌کنند به شفاف‌سازی و افشای عمومی ملزم کرده است. ده‌ها ایالت دیگر نیز طرح‌ها و لوایح مشابهی را در نوبت بررسی دارند.

نگرانی کاربران صرفاً بر سر مبالغ پرداختی نیست. مردم در سال‌های گذشته بارها شاهد بوده‌اند که اطلاعات شخصی‌شان به شرکت‌های تبلیغاتی فروخته شده، برای آموزش مدل‌های هوش مصنوعی مورد استفاده قرار گرفته یا در پی رخنه‌های امنیتی فاش شده است. اکنون این حس وجود دارد که قیمت‌گذاری کالاها سنگر بعدی است که داده‌های شخصی می‌تواند در آن علیه خود کاربران به کار گرفته شود.

قوانین تازه می‌توانند روند رشد این ابزارها را کند کنند، اما توقف کامل آن‌ها دور از ذهن است. اثبات استفاده از قیمت‌گذاری شخصی‌سازی‌شده در دنیای واقعی بسیار پیچیده است؛ چراکه کسب‌وکارها به‌راحتی می‌توانند تفاوت مبالغ را به تفاوت زمان، نوسان لحظه‌ای تقاضا یا تخفیف‌های تصادفی نسبت دهند، در حالی که نرم‌افزارهای تجاری برای اجرای این محاسبات هم‌اکنون در بازار به فروش می‌رسند.

بنابراین بار دیگری که قصد سفارش آنلاین یک ساندویچ یا کالای تجاری را دارید، شاید نیم‌نگاهی به نمایشگر کاربر کناری خود بیندازید؛ چراکه ممکن است این تنها روشی باشد که مطمئن شوید برای یک جنس مشترک، مبلغی یکسان با دیگران پرداخت می‌کنید.