Dinamičko određivanje cijena: povećava li AI profit ili diskriminira kupce?

1. Formiranje cijena

Cijena je istodobno tržišni signal, prihod poduzeća i mogući mehanizam raspodjele koristi između prodavatelja i kupca. Da bi se razumjelo što algoritamsko određivanje cijena mijenja, najprije treba razlikovati nekoliko veličina koje se u raspravi često pojavljuju zajedno, ali nemaju isto značenje. Prihod nastaje prodajom po određenoj cijeni, dok profit uzima u obzir i troškove. Spremnost na plaćanje označava najvišu cijenu koju je pojedini kupac ili skupina spremna platiti. Potrošački višak razlika je između te spremnosti i cijene koju kupac stvarno plaća. Cjenovna elastičnost potražnje odnosi se na reakciju tražene količine na promjenu cijene, a ne na samu razinu potražnje (Phillips, 2021; Bitran i Caldentey, 2003).

Ta razlika važna je za procjenu pitanja povećava li AI profit ili diskriminira kupce. Ako poduzeće procjenjuje samo koliko će proizvoda prodati pri određenoj cijeni, ono procjenjuje potražnju. Ako procjenjuje kako će se potražnja promijeniti nakon promjene cijene, koristi informaciju o cjenovnoj osjetljivosti. Ako pokušava procijeniti koliko je pojedini kupac spreman platiti, ulazi u područje personalizacije. Ako cijenu bira i s obzirom na zalihe, kapacitet ili preostalo vrijeme prodaje, riječ je o dinamičkom pricingu. Ti se postupci mogu kombinirati, ali njihovo kombiniranje ne znači da imaju isti ekonomski ili regulatorni učinak.

U modelima revenue managementa poduzeće može istodobno uzimati u obzir potražnju, raspoloživi kapacitet i reakciju kupaca na cijenu. Takav pristup nije nužno usmjeren na pojedinačno profiliranje kupaca. Može polaziti od općih tržišnih signala i izračunavati cijenu koja vrijedi za sve kupce u određenom trenutku. U tom slučaju promjena cijene proizlazi iz promjene tržišnih uvjeta, a ne iz procjene osobnih obilježja konkretnog kupca (Phillips, 2021; Bitran i Caldentey, 2003).

Konkurencija dodatno mijenja prostor u kojem poduzeće može određivati cijenu. Pregled konkurentskog pricinga obuhvaća različite oblike online i offline tržišne konkurencije, pa se algoritamsko određivanje cijena ne može analizirati izvan tržišne strukture u kojoj djeluje (Gerpott i Berends, 2022). Ista tehnologija može imati drukčiji učinak kada se koristi u tržištu s više konkurenata, kada većina konkurenata koristi algoritamski pricing ili kada se promatra platforma s drukčijim pravilima i informacijskim uvjetima.

U tom je smislu korisno razlikovati prihod od profita. Revenue optimization usmjerava odabir cijene i drugih prodajnih odluka prema povećanju prihoda, često u uvjetima ograničenog kapaciteta. Profitna odluka mora, međutim, uzeti u obzir troškove povezane s proizvodnjom, prodajom, zalihama, obradom podataka i samim sustavom određivanja cijena. Zato povećanje prihoda nije automatski dokaz povećanja profita. U dostupnom korpusu postoji potpora za razlikovanje prihoda i profita, ali ne i široka empirijska usporedba svih stvarnih poduzeća koja koriste AI pricing.

Ista se opreznost mora primijeniti na potrošački višak. Ako poduzeće bolje procijeni spremnost na plaćanje, može promijeniti cijenu koju pojedini kupac plaća. Time se može promijeniti raspodjela koristi, čak i kada se ne promijeni broj prodanih proizvoda ili ukupna vrijednost transakcija. Međutim, ukupna promjena potrošačkog viška ne govori sama po sebi kako je prošao svaki pojedini potrošač. Pad ukupnog potrošačkog viška ne znači da svaki potrošač gubi, kao što ni korist dijela potrošača ne znači nužno da raste ukupna društvena dobrobit (Dubé i Misra, 2023; OECD, 2018).

Početna ekonomska razlika stoga glasi: cijena može biti prilagođena općoj potražnji, može biti prilagođena raspoloživom kapacitetu ili može biti prilagođena procjeni određenog kupca. Tek je u trećem slučaju potrebno izravno razmatrati personalizaciju i cjenovnu diskriminaciju. Algoritam sam po sebi ne određuje koji se od tih mehanizama primjenjuje.

2. Dinamičko određivanje cijena

Dinamičko određivanje cijena označava mogućnost čestog mijenjanja cijene kao odgovora na potražnju, zalihe, vrijeme ili druge tržišne uvjete. Klasični modeli polaze od stohastičke i cjenovno osjetljive potražnje, ograničenih zaliha i konačnog prodajnog horizonta. Cijena se u takvom okviru ne promatra kao trajna vrijednost, nego kao odluka koja se može mijenjati dok se mijenjaju okolnosti prodaje (den Boer, 2015; Gallego i van Ryzin, 1994; Bitran i Caldentey, 2003).

Dostupna potpora za navedene modele pretežno je sažetna. Zato se iz dostupnog materijala može objasniti logika dinamičkog pricinga, ali ne i izvesti širok empirijski zaključak o tome koliko takvi sustavi u stvarnim poduzećima povećavaju profit. Korpus ne daje izravnu empirijsku usporedbu prihoda i profita za sve industrije. Zato je sigurnije govoriti o mehanizmu optimizacije nego o univerzalnom financijskom rezultatu.

U modelu s ograničenim zalihama cijena se može mijenjati zato što se mijenja odnos između preostale količine proizvoda i vremena koje je preostalo za prodaju. Ako je prodajni horizont konačan, poduzeće mora odlučivati hoće li ranije prodavati po određenoj cijeni ili će pokušati sačuvati kapacitet za kasniju potražnju. Modeli revenue managementa upravo povezuju cijenu, neizvjesnu potražnju i ograničene resurse (Bitran i Caldentey, 2003; Gallego i van Ryzin, 1994).

Učenje iz podataka dodaje toj logici još jedan element. Algoritam ne mora samo reagirati na već opaženu potražnju; može pokušavati procijeniti kako će kupci reagirati na različite cijene. Noviji pristupi povezuju dinamičko određivanje cijena s učenjem iz podataka o ponašanju kupaca (den Boer, 2015; Phillips, 2021). Takvo učenje može biti povezano s općim tržišnim podacima, podacima o prethodnim transakcijama ili ponašajnim obrascima. Sam podatak da sustav uči iz podataka još ne znači da svakoj osobi određuje drugu cijenu.

Za tumačenje učinka presudno je utvrditi je li promjena posljedica opće potražnje ili procjene pojedinca. Dinamička cijena može se promijeniti za sve kupce zato što se promijenila potražnja, zaliha ili vrijeme. Personalizirana cijena prilagođena je pojedincu ili kategoriji potrošača na temelju podataka o ponašanju ili karakteristikama. Europska pravila razlikuju promjenu cijene prema općoj tržišnoj potražnji od personalizacije koja se oslanja na automatizirano profiliranje (Directive (EU) 2019/2161, 2019). OECD također razlikuje dinamičko od personaliziranog određivanja cijena (OECD, 2018).

Promjena cijene stoga nije sama po sebi dokaz cjenovne diskriminacije. Ako se cijena mijenja zbog općih tržišnih okolnosti, ona može biti dinamička bez personalizacije. Ako se različitim kupcima nude različite cijene zato što sustav procjenjuje njihove osobne, ponašajne ili transakcijske podatke, tada se otvara pitanje cjenovne diskriminacije. Te se situacije mogu pojaviti u istom poslovnom sustavu, ali ih treba analitički odvojiti.

Dinamički pricing također ne treba poistovjetiti s AI pricingom. Automatizirani sustav može primjenjivati unaprijed definirana pravila bez metoda učenja. Određivanje cijena pomoću umjetne inteligencije u užem smislu obuhvaća pricing u kojem se metode poput Q-learninga ili drugih metoda učenja koriste za prilagodbu cijene ili strategije (Phillips, 2021; Calvano, Calzolari, Denicolò i Pastorello, 2020). Zato je za procjenu učinka potrebno znati što sustav doista radi: mijenja li cijenu prema općoj potražnji, uči li iz ponašanja kupaca, procjenjuje li spremnost na plaćanje ili istodobno obavlja više tih funkcija.

3. AI optimizacija cijena

Algoritamsko određivanje cijena jest automatizirano generiranje cijena na temelju podataka, pravila ili modela učenja. AI pricing predstavlja uži slučaj u kojem se za prilagodbu cijene ili strategije koriste metode učenja, među njima i Q-learning. Algoritam može određivati jedinstvenu cijenu za sve kupce, pa AI pricing nije sinonim za individualizirane cijene (Dubus, 2024; Hanspach, Sapi i Wieting, 2024; Calvano, Calzolari, Denicolò i Pastorello, 2020).

Prednost algoritamskog pristupa u dostupnom se korpusu pojavljuje kao mogućnost obrade velikog broja tržišnih signala. Sustav može istodobno pratiti potražnju, raspoloživi kapacitet, ponašanje kupaca, konkurentske cijene i promjene u vremenu prodaje. Te informacije mogu se koristiti za procjenu cijene ili strategije koja odgovara određenim tržišnim uvjetima. Međutim, sama sposobnost obrade podataka ne jamči da će odabrana cijena biti profitno optimalna u svim okolnostima.

Model mora biti povezan s ciljem koji poduzeće optimizira. Ako je cilj prihod, algoritam će birati odluke koje povećavaju prihod prema postavljenom modelu. Ako je cilj profit, u model moraju biti uključeni relevantni troškovi. Ako sustav procjenjuje potrošačku dobrobit, distributivnu pravednost ili regulatorni rizik, ti elementi također moraju biti ugrađeni u kriterij odlučivanja. U dostupnom materijalu nema osnove za tvrdnju da svi AI sustavi koriste isti cilj ili da svi izravno optimiziraju profit.

Podaci o ponašanju mogu omogućiti precizniju procjenu reakcije kupaca. Ponašajno algoritamsko određivanje cijena može koristiti podatke o prethodnim kupcima i ponašanju kupaca za ciljano određivanje cijena (Dubus, 2024). No takav model ovisi o pretpostavkama o kvaliteti ponašajnih podataka, prošlim kupcima i konkurenciji. Podaci nisu izravna mjera unutarnje spremnosti na plaćanje. Procijenjena spremnost na plaćanje nije isto što i stvarno opažena plaćena cijena.

Ograničenje modela može biti i kontekst u kojem je razvijen. Sustav treniran na jednom tržištu ne daje automatski isti rezultat na drugom tržištu. Zaključci o ponašanju algoritma mogu ovisiti o vrsti algoritma, tržišnoj strukturi, dostupnim podacima, pravilima platforme i stupnju usvajanja među konkurentima. Zbog toga se rezultati pojedinačnih istraživanja ne smiju predstavljati kao univerzalna svojstva svih AI sustava.

Empirijski rad Hanspacha, Sapija i Wietinga posebno ilustrira potrebu za takvom ogradom. Njihovi nalazi vezani su uz platformu Bol.com, razdoblje prikupljanja podataka i način identifikacije algoritamskih prodavatelja. U tom kontekstu algoritamski prodavatelji nisu općenito povezani s višim cijenama, a u monopolskim situacijama mogu nuditi niže cijene (Hanspach, Sapi i Wieting, 2024). Taj se nalaz može koristiti kao dokaz da automatizirani pricing ne proizvodi uvijek više cijene, ali se ne može proširiti na sve platforme, sva razdoblja ili sve algoritamske prodavatelje.

U tom je smislu AI alat za prilagodbu, a ne samostalna ekonomska teorija. On može ubrzati procjenu potražnje, obraditi više podataka i promijeniti učestalost cjenovnih odluka. Ali njegov učinak ovisi o cilju, ulaznim podacima, modelu potražnje i tržišnom okruženju. AI može povećati preciznost pricinga, no preciznost sama po sebi ne govori kome pripada korist od te preciznosti.

Jedan analitički naglasak u korpusu odnosi se na mogućnost učinkovitijih ili nižih cijena u određenim tržišnim uvjetima. Drugi se odnosi na rizik prisvajanja potrošačkog viška, viših marži i implicitne koordinacije. To nisu formalne škole tumačenja, nego različiti analitički naglasci koji proizlaze iz različitih modela, tržišnih situacija i kriterija procjene.

4. Cjenovna elastičnost potražnje

Cjenovna elastičnost potražnje označava reakciju tražene količine na promjenu cijene. Ona nije isto što i razina potražnje. Poduzeće može imati visoku potražnju pri određenoj cijeni, ali to samo po sebi ne pokazuje koliko će se tražena količina promijeniti ako se cijena promijeni. Za pricing je upravo ta reakcija važna jer određuje kako se prihod može mijenjati pri različitim cijenama (Phillips, 2021; Bitran i Caldentey, 2003).

Algoritam koji pokušava optimizirati cijenu mora imati neku procjenu odnosa između cijene i potražnje. U klasičnim modelima ta se procjena povezuje sa stohastičkom potražnjom, ograničenim resursima i konačnim prodajnim horizontom. U novijim modelima može se povezati s učenjem iz podataka o ponašanju kupaca (den Boer, 2015; Gallego i van Ryzin, 1994).

Procjena elastičnosti može biti korisna na razini skupine kupaca ili tržišta. Ne mora nužno biti individualizirana. Algoritam može procijeniti da se opća potražnja mijenja kada se promijeni cijena i na temelju toga odrediti jednu cijenu za sve kupce. U tom slučaju sustav koristi informaciju o reakciji potražnje, ali ne mora koristiti osobni profil kupca.

Drukčija je situacija kada algoritam procjenjuje reakciju konkretnog kupca ili kategorije kupaca. Ako model koristi ponašajne ili transakcijske podatke za procjenu spremnosti na plaćanje, elastičnost postaje dio personalizirane procjene. Tada se ekonomski učinak ne može svesti samo na pitanje je li cijena viša ili niža. Potrebno je pitati kako je cijena povezana s razlikama među kupcima, koji su podaci korišteni i kakav je učinak na potrošački višak.

Podaci o prethodnom ponašanju mogu sadržavati informacije o tome što je kupac ranije tražio, kupio ili odbio, ali dostupni materijal ne dopušta da se takvi podaci tretiraju kao savršena mjera spremnosti na plaćanje. Model ponašajno utemeljenog pricinga ovisi o pretpostavkama o ponašajnim podacima, prošlim kupcima i konkurenciji (Dubus, 2024). Iz toga slijedi da procjena elastičnosti može biti korisna, ali i modelno uvjetovana.

Nadalje, reakcija kupaca na cijenu može se mijenjati ovisno o iskustvu i tržišnoj normi. Nalazi o povjerenju i pretraživanju cijena pokazuju da učinci algoritamskog dinamičkog pricinga ovise o prethodnom iskustvu, tržišnoj normi i vrsti price-match mehanizma (Vomberg, Homburg i Sarantopoulos, 2025). To je važno i za elastičnost: ponašanje kupca nije samo tehnički odgovor na broj na ekranu, nego može ovisiti o tome kako kupac razumije sustav i očekuje li da će drugi kupci dobiti sličan tretman.

Elastičnost stoga nije dovoljna za procjenu pravednosti. Ona pomaže objasniti zašto se poduzeće odlučuje za određenu cijenu, ali ne odgovara na pitanje kako su koristi raspodijeljene. Dvije cijene mogu biti ekonomski optimalne prema istom modelu potražnje, ali mogu imati različite učinke na kupce ako jedna koristi opće tržišne podatke, a druga osobno profiliranje.

Za procjenu profitne optimizacije potrebno je dodatno razlikovati kratkoročni i dugoročni učinak. Ulazni materijal potvrđuje da algoritamsko određivanje cijena može biti povezano s potražnjom, kapacitetom, učenjem i reakcijama kupaca, ali ne daje univerzalni model koji bi za svako tržište odredio najbolju cijenu. Zato se o elastičnosti može govoriti kao o važnoj komponenti modela, ne kao o dovoljnom dokazu da AI povećava profit.

5. Cjenovna diskriminacija

Cjenovna diskriminacija označava naplaćivanje različitih cijena za isti ili ekvivalentan proizvod na temelju razlika među kupcima ili segmentima. Personalizirana cijena prilagođena je pojedincu ili kategoriji potrošača na temelju podataka o ponašanju ili karakteristikama (OECD, 2018; Directive (EU) 2019/2161, 2019).

Dostupna potpora za ključne tvrdnje u ovom poglavlju pretežno je sažetna, pa zaključci imaju ograničenu dokaznu težinu. To osobito zahtijeva oprez pri prenošenju nalaza o mjerenju diskriminacije, personaliziranom rangiranju i regulatornim granicama izvan opisanih konteksta.

U procjeni diskriminacije presudno je utvrditi potječe li razlika od opće promjene cijene ili od personalizacije. Različita cijena zbog vremena, zalihe ili opće potražnje nije nužno diskriminacija. Ako svi kupci u istom trenutku vide istu cijenu, a ta se cijena promijenila zbog tržišnih uvjeta, riječ je o dinamičkom pricingu bez nužne individualizacije. Ako se cijena razlikuje zato što sustav koristi podatke povezane s određenim kupcem ili kategorijom kupaca, tada se otvara pitanje personaliziranog pricinga.

U dostupnom korpusu cjenovna diskriminacija nije ograničena samo na izravno mijenjanje cijene. Istraživanje elektroničkih trgovina razlikuje mjerenje cjenovne diskriminacije i price steeringa, odnosno algoritamsko mijenjanje redoslijeda ili izbora ponuđenih proizvoda bez nužne promjene same cijene (Hannak, Soeller, Lazer, Mislove i Wilson, 2014). Price steeringu zato ne treba automatski pripisivati cjenovnu diskriminaciju bez mjerenja cijena.

Personalizirano rangiranje također nije isto što i personalizirana cijena. Sustav može promijeniti redoslijed ili izbor proizvoda koji se prikazuje kupcu, a da sama cijena ostane ista. Učinci personaliziranog rangiranja mogu biti povezani s potrošačkim viškom, ali to ne znači da je svaki nalaz o rangiranju izravan nalaz o personaliziranim cijenama (Donnelly, Kanodia i Morozov, 2024).

Personalizacija može koristiti osobne, ponašajne ili transakcijske podatke. Takav sustav može pokušati procijeniti spremnost na plaćanje, osjetljivost na cijenu ili vjerojatnost kupnje. Međutim, otvoreno je pitanje predstavlja li svaka takva razlika diskriminaciju u pravnom ili ekonomskom smislu. Pravna granica između dinamičkog i personaliziranog pricinga pritom ostaje konceptualno neodlučiva, kao i ovisnost te granice o vrsti personalizacije.

To znači da sama činjenica različitih cijena ne rješava pitanje dopuštenosti ili štetnosti. Potrebno je utvrditi zašto su se cijene razlikovale, koji je podatak korišten, je li razlika nastala zbog opće tržišne promjene ili zbog profila kupca, te kakav je učinak na potrošače i konkurenciju. Jednaka cijena za sve može biti tržišno nepovoljna u nekim situacijama, dok različite cijene mogu nekim potrošačima donijeti korist. Obrnuto, personalizacija može omogućiti poduzeću da preciznije prisvoji dio viška koji bi inače ostao kupcu.

Upravo je zato potrebno razlikovati tri razine analize. Prva je tehnička: što algoritam radi s podacima. Druga je ekonomska: kako mijenja cijenu, prodaju, profit i potrošački višak. Treća je normativna: smatra li se takav ishod prihvatljivim s obzirom na pravednost, zaštitu potrošača i zaštitu osobnih podataka.

U europskom regulatornom okviru postoji razlika između informiranja o personaliziranoj cijeni i opće promjene cijene. Direktiva obuhvaća obavješćivanje potrošača o personaliziranoj cijeni na temelju automatiziranog odlučivanja, ali njezina se primjena mora čitati u okviru područja primjene Direktive i relevantnih ugovora (Directive (EU) 2019/2161, 2019). To nije isto što i zaključak da je svaka personalizirana cijena zabranjena.

Zaštita podataka dodatno ovisi o vrsti odluke i njezinim učincima. Članak regulative o automatiziranom individualnom odlučivanju povezan je s pravnim ili slično značajnim učincima odluke temeljene isključivo na automatiziranoj obradi (Regulation (EU) 2016/679, 2016). Zato ni postojanje algoritma ni postojanje profila samo po sebi ne rješava pravnu ocjenu. Potrebno je odrediti kakva se odluka donosi i kakav učinak ima.

Cjenovna diskriminacija stoga nije svaka promjena cijene, ali ni svaka personalizacija nije neutralna. Granica se mora ispitivati prema načinu određivanja cijene, vrsti podataka, tržišnom kontekstu i posljedicama za kupce.

6. Potrošačko blagostanje

Pitanje potrošačkog blagostanja središnje je za procjenu odnosa između profita i diskriminacije. Potrošački višak razlika je između spremnosti potrošača na plaćanje i cijene koju stvarno plaća. Ukupni potrošački višak zbroj je takvih razlika, ali ne pokazuje nužno kako su koristi raspoređene među pojedincima.

Dostupna potpora za ključni nalaz ovog poglavlja pretežno je sažetna, pa se njegovo značenje ne proširuje izvan opisanog istraživačkog konteksta. Nalaz Dubéa i Misre pokazuje da personalizirane cijene povećavaju profit poduzeća i smanjuju ukupni potrošački višak u odnosu na jedinstvenu cijenu. Istodobno, u njihovu nalazu više od 60 % potrošača ima korist od personalizacije, dok ukupni učinak ovisi o funkciji društvene dobrobiti (Dubé i Misra, 2023). Taj nalaz ne treba pretvarati u tvrdnju da više od 60 % potrošača nužno dobiva nižu cijenu. Sažetak potvrđuje korist, ali ne potvrđuje istim izrazom specifičan mehanizam niže cijene.

Ovdje se vidi zašto prosječan ili ukupan ishod ne može zamijeniti distribucijsku analizu. Ukupni potrošački višak može pasti, a da dio potrošača ipak ima korist. Neki potrošači mogu dobiti povoljniju ponudu, dok drugi plaćaju više ili gube dio viška. Zato tvrdnja da personalizacija povećava profit poduzeća ne odgovara sama po sebi na pitanje jesu li kupci kao skupina oštećeni, kao što ni činjenica da više od 60 % potrošača ima korist ne dokazuje da raste ukupno blagostanje.

OECD daje oprezniji okvir. Personalizirano određivanje cijena može poboljšati alokacijsku učinkovitost, ali učinci na potrošačku dobrobit, raspodjelu koristi i povjerenje ovise o tržišnim uvjetima (OECD, 2018). To znači da učinkovitost i raspodjela nisu ista dimenzija. Sustav može poboljšati alokaciju, a istodobno promijeniti raspodjelu koristi između potrošača i poduzeća.

Učinak ovisi i o vrsti personalizacije. Personalizirano rangiranje nije isto što i personalizirana cijena, a određeni oblici personalizacije ponude mogu povećati potrošački višak (Donnelly, Kanodia i Morozov, 2024). Taj nalaz ne smije se izravno prenijeti na personalizirane cijene, ali pokazuje da riječ „personalizacija” pokriva različite mehanizme i različite ishode.

Dodatni sloj donose mrežni učinci. Analiza personaliziranih cijena s mrežnim učincima ovisi o odnosu jačine mrežnih učinaka i heterogenosti spremnosti na plaćanje (Hajihashemi, Sayedi i Shulman, 2021). Ako vrijednost proizvoda ili usluge ovisi i o broju ili strukturi drugih korisnika, personalizirana cijena može imati učinke koji nadilaze pojedinačnu transakciju. U takvom se okruženju ne može procjenjivati samo razlika između individualne spremnosti na plaćanje i individualne cijene.

Funkcija društvene dobrobiti predstavlja još jednu konceptualnu odluku. Ako se naglasak stavlja na ukupni višak, procjena može izgledati drukčije nego ako se naglasak stavlja na raspodjelu koristi ili položaj potrošača s nižom spremnošću na plaćanje. Dostupni materijal izrijekom navodi da se učinak ukupne dobrobiti kod Dubéa i Misre mijenja ovisno o funkciji društvene dobrobiti. Zato se ne može iz jedne mjere izvesti konačan sud o društvenoj prihvatljivosti personaliziranih cijena.

Ovo je konceptualno neodlučivo pitanje, a ne samo pitanje nedostatka dodatne reference. Potrebno je unaprijed odrediti što se smatra blagostanjem, što se mjeri i čija se korist ponderira. Ako se to ne učini, različiti zaključci mogu izgledati proturječno iako mjere različite ishode.

U središnjoj analizi zato treba zadržati istodobnost dviju mogućnosti: algoritamsko određivanje cijena može poboljšati prilagodbu cijena i alokacijsku učinkovitost u određenim tržišnim uvjetima, ali može istodobno mijenjati raspodjelu potrošačkog viška. Ishod ovisi o tržišnoj strukturi, obliku personalizacije, podacima, modelu potražnje i kriteriju blagostanja.

7. Transparentnost i povjerenje

Različite cijene mogu promijeniti odnos kupca prema trgovcu. Pitanje nije samo može li kupac dobiti nižu ili višu cijenu, nego i kako razumije sustav koji cijenu određuje. Povjerenje potrošača u algoritamskom pricingu povezano je s percepcijom pravednosti i stabilnosti cijena.

Nalaz Vomberga, Homburga i Sarantopoulosa pokazuje da algoritamski dinamički pricing u početku smanjuje povjerenje i produljuje pretraživanje cijena. Učinak ovisi o prethodnom iskustvu, tržišnoj normi i vrsti price-match mehanizma (Vomberg, Homburg i Sarantopoulos, 2025). Taj nalaz ne treba proširiti na sve oblike algoritamskog pricinga. On se odnosi na specifičan istraživački kontekst i pokazuje da reakcija kupaca nije nužno stabilna kroz vrijeme.

Pretraživanje cijena može biti znak da kupci pokušavaju provjeriti je li ponuda povoljna ili je li cijena rezultat njihove osobne obrade podataka. Ako se povjerenje s vremenom mijenja, algoritamska cijena može imati učinak koji se ne vidi samo u neposrednoj transakciji. Kupac može promijeniti ponašanje, tražiti više ponuda ili odgoditi kupnju. Dostupni nalazi, međutim, ne dopuštaju da se svako takvo ponašanje pripiše istom uzroku.

OECD-ov eksperiment o objavama personaliziranog pricinga nalazi da formalne objave imaju ograničen učinak na razumijevanje i ne potvrđuje značajan učinak na kupovno ponašanje (OECD, 2021). Taj je eksperiment proveden u Irskoj i Čileu, pa se rezultat ne može automatski generalizirati na sva tržišta. Njegov doprinos nije dokaz da je transparentnost beskorisna, nego pokazuje da sama objava personalizacije ne mora proizvesti snažnu promjenu razumijevanja ili ponašanja.

Nalazi ova dva izvora moraju ostati odvojeni. Jedan se bavi povjerenjem i pretraživanjem cijena, a drugi razumijevanjem i kupovnim ponašanjem. Ne treba ih objediniti u opću tvrdnju da transparentnost sama po sebi nije dovoljna, jer izvori ne mjere isti ishod i ne iznose istu opću tvrdnju.

Transparentnost može imati više značenja. Može značiti obavijest da se cijena personalizira. Može značiti objašnjenje koje kategorije podataka sustav koristi. Može značiti mogućnost usporedbe s cijenom koju dobivaju drugi kupci. Može značiti i objašnjenje zašto je određena ponuda prikazana baš tom kupcu. Dostupni materijal ne daje jednu univerzalnu definiciju transparentnosti koja bi riješila sva ta pitanja.

Zbog toga transparentnost treba promatrati u vezi s očekivanjima kupaca. Ako je promjena cijene u skladu s tržišnom normom, kupci je mogu drugačije doživjeti nego kada smatraju da se osobni podaci koriste za izdvajanje najviše moguće cijene. Ako postoji price-match mehanizam, reakcija može biti drukčija nego kada kupac nema mogućnost provjere ili usporedbe. Nalaz o povjerenju upravo naglašava važnost prethodnog iskustva, tržišne norme i vrste price-match prakse (Vomberg, Homburg i Sarantopoulos, 2025).

U regulatornom smislu objava personalizirane cijene može biti važna, ali dostupni materijal ne podupire tvrdnju da svaka objava automatski rješava problem pravednosti. Direktiva o pravima potrošača predviđa relevantno obavješćivanje o personaliziranoj cijeni u okviru svoga područja primjene (Directive (EU) 2019/2161, 2019). Zaštita podataka dodatno se aktivira kada automatizirana obrada proizvodi pravne ili slično značajne učinke (Regulation (EU) 2016/679, 2016).

Transparentnost stoga nije isto što i opravdanost cijene. Ona može povećati dostupnost informacije, ali ne određuje sama po sebi je li algoritam koristio prihvatljive podatke, je li rezultat diskriminirajući ili je li raspodjela koristi prihvatljiva. Učinak transparentnosti ovisi o tome što se objavljuje, kako se objavljuje, tko razumije objavu i kakve mogućnosti kupac ima nakon objave.

8. Konkurencija algoritama

Kada više konkurenata koristi automatizirane pricing sustave, učinak algoritma više nije samo pitanje odnosa između jednog poduzeća i njegovih kupaca. Algoritmi mogu reagirati na cijene drugih poduzeća, učiti iz njihovih poteza i mijenjati vlastite strategije. Zato tržišna struktura, stupanj usvajanja među konkurentima i vrsta algoritma postaju ključni za procjenu ishoda.

Nalazi Hanspacha, Sapija i Wietinga pokazuju da algoritamski prodavatelji nisu općenito povezani s višim cijenama, a u monopolskim situacijama mogu nuditi niže cijene. Taj je nalaz vezan uz platformu Bol.com, promatrano razdoblje i identifikaciju algoritamskih prodavatelja (Hanspach, Sapi i Wieting, 2024). On je važan jer pokazuje da automatizacija sama po sebi ne vodi nužno višim cijenama. Istodobno, ne smije se proširiti izvan konteksta istraživanja.

OECD navodi da personalizacija u konkurentnim tržištima može povećati pritisak na poduzeća da privuku pojedinačne kupce (OECD, 2018). U takvom scenariju personalizacija može biti sredstvo natjecanja. Poduzeće može pokušati ponuditi ciljanu cijenu određenom kupcu kako bi privuklo njegovu kupnju. Međutim, natjecateljski pritisak ne znači da će svi kupci dobiti koristi niti da će se ukupni potrošački višak povećati.

Drugačiji rezultat pojavljuje se kada svi ili mnogi konkurenti koriste algoritamski pricing. Assad, Clark, Ershov i Xu nalaze da marže rastu u duopolima i triopolima kada svi konkurenti usvoje algoritamski pricing. Taj je rezultat vezan uz njemačko tržište maloprodaje goriva i specifičnu identifikaciju usvajanja algoritama (Assad, Clark, Ershov i Xu, 2024). Ne može se bez dodatne provjere prenijeti na sva tržišta.

Razlika između takvih nalaza i nalaza o nižim cijenama može proizlaziti iz tržišne strukture, vrste algoritma, stupnja usvajanja među konkurentima i mjerila ishoda. Jedno istraživanje može promatrati cijene na platformi u konkretnom razdoblju, a drugo marže u tržištu goriva nakon šireg usvajanja algoritama. Zato ne postoji jednostavno pravilo prema kojem algoritmi uvijek pojačavaju ili uvijek slabe konkurenciju.

Konkurentski pricing u pregledu Gerpotta i Berendsa širi je od AI pricinga i obuhvaća online i offline tržišta. Ovaj se rad od tog pregleda razlikuje po užem fokusu na odnos između algoritamske prilagodbe cijena, personalizacije, potrošačkog viška, povjerenja i regulatornih pitanja. Time ne zamjenjuje širi pregled svih oblika konkurentskog pricinga, nego ga sužava prema posebnom pitanju AI pricinga (Gerpott i Berends, 2022).

Konkurencija algoritama također mijenja problem informacija. Ako algoritam vidi cijene drugih prodavatelja i brzo reagira, reakcije se mogu odvijati češće nego u sustavu u kojem cijene mijenjaju ljudi. To može dovesti do intenzivnije cjenovne konkurencije, ali može i olakšati stabilno praćenje ponašanja konkurenata. Samo opažanje paralelnih cijena ne pokazuje koji je od tih procesa djelovao.

Empirijska analiza mora zato razlikovati promjenu cijena, promjenu marži, usvajanje algoritama i tržišnu strukturu. Nalazi o cijenama ne mogu se automatski zamijeniti nalazima o profitu. Nalazi o maržama ne mogu se automatski zamijeniti nalazima o potrošačkom višku. Svaki ishod pripada vlastitoj mjernoj razini.

Zaključak ovog poglavlja nije da algoritmi nužno povećavaju konkurenciju ili nužno omogućuju višim maržama. Dostupni korpus podupire uvjetniji zaključak: učinak ovisi o tome tko koristi algoritam, protiv koga se algoritam natječe, kakav je cilj modela, koliko konkurenata koristi slične sustave i koji se ishod mjeri.

9. Rizik implicitne koordinacije

Algoritamska koluzija označava ishod u kojem algoritmi bez izravne komunikacije nauče održavati cijene iznad konkurentske razine. To je rizik koji se mora razlikovati od dokazane univerzalne posljedice algoritamskog pricinga. Jednake ili paralelne cijene same po sebi ne dokazuju koluziju.

Calvano, Calzolari, Denicolò i Pastorello pokazuju da Q-learning algoritmi mogu naučiti suprakonkurentske cijene bez komunikacije. Njihovi su nalazi, međutim, ograničeni na proučene Q-learning konfiguracije i model ponovljene oligopolističke konkurencije (Calvano, Calzolari, Denicolò i Pastorello, 2020). To znači da istraživanje pokazuje mogućnost određenog ishoda u određenom modelu, a ne da svaki algoritamski sustav u stvarnosti proizvodi takav ishod.

Ovdje je važno razlikovati izravni dogovor od ponašanja koje nastaje učenjem. Ako nema komunikacije, algoritmi mogu reagirati na nagrade, kazne i odstupanja drugih sustava. Rezultat može biti viša i stabilnija cijena, ali sama opažena stabilnost ne pokazuje mehanizam koji je do nje doveo. Potrebna je analiza modela, podataka i ponašanja kroz vrijeme.

OECD-ov pregled algoritama i koluzije razmatra rizike i regulatorne mogućnosti, ali ne dokazuje univerzalnu pojavu algoritamske koluzije (OECD, 2017). Slično tome, regulatorni izvještaj Competition and Markets Authority opisuje potencijalne rizike algoritama za tržišno natjecanje i potrošače, ali ne dokazuje univerzalne učinke svakog algoritamskog sustava (Competition and Markets Authority, 2021).

Empirijski nalaz o njemačkom tržištu maloprodaje goriva daje dodatni kontekst. Assad i suradnici nalaze rast marži u duopolima i triopolima kada svi konkurenti usvoje algoritamski pricing. Taj nalaz pokazuje da šire usvajanje može biti povezano s promjenom marži u konkretnom tržištu, ali ne identificira univerzalni mehanizam koji bi vrijedio za sve algoritme i industrije (Assad, Clark, Ershov i Xu, 2024).

Rizik implicitne koordinacije zato treba analizirati kroz nekoliko pitanja. Prvo, jesu li algoritmi sposobni učiti iz ponavljanih interakcija? Drugo, reagiraju li na odstupanja konkurenata? Treće, mogu li održavati određeni obrazac cijena bez izravne komunikacije? Četvrto, postoji li empirijski dokaz da je upravo takav mehanizam proizveo opažene cijene ili marže? Bez odgovora na ta pitanja nije dovoljno navesti samo paralelno kretanje cijena.

Važno je i razlikovati implicitnu koordinaciju od jednostranog prisvajanja potrošačkog viška. Poduzeće može koristiti osobne ili ponašajne podatke kako bi povećalo profit, a da konkurenti pritom ne koordiniraju cijene. Obrnuto, konkurenti mogu ostvarivati više cijene kroz algoritamsku interakciju i bez personalizacije pojedinačnih kupaca. Profitni učinak, personalizacija i koordinacija zato nisu isti problem.

U korpusu se izdvaja analitički naglasak na riziku prisvajanja potrošačkog viška, viših marži i implicitne koordinacije. Formulacija mora ostati na razini rizika i analitičkog naglaska. Ne bi bilo opravdano tvrditi da algoritamski pricing nužno vodi koluziji, da svi algoritmi uče suprakonkurentske cijene ili da svaka jednaka cijena dokazuje koordinaciju.

Regulatorno pitanje proizlazi iz mogućnosti da se štetan ishod pojavi bez tradicionalnog dogovora. Ako pravni testovi ovise o dokazivanju komunikacije, algoritamsko učenje može otvoriti pitanje primjerenosti postojećih instrumenata. Međutim, dostupni materijal govori o regulatornim rizicima i mogućnostima, a ne daje konačno rješenje za sve buduće tehnologije. Pravni prijedlozi ovise o razvoju tehnologije i budućoj empirijskoj bazi (MacKay i Weinstein, 2022).

Zaključak je stoga uvjetan. Algoritmi mogu proizvesti ishode slične koordiniranom ponašanju u određenim modelima i tržišnim uvjetima. Taj rizik treba ispitivati empirijski i odvojiti ga od drugih mehanizama povećanja profita. Ne može se iz same prisutnosti AI pricinga zaključiti da je tržište koluzivno.

10. Regulatorna pitanja i zaključna procjena

Regulatorna pitanja nastaju na presjeku zaštite potrošača, tržišnog natjecanja, transparentnosti i zaštite osobnih podataka. Algoritamski pricing može koristiti opće tržišne signale, ponašajne podatke ili osobne karakteristike. Zbog toga se regulatorna ocjena ne može temeljiti samo na činjenici da je cijenu izračunao algoritam.

Direktiva (EU) 2019/2161 razlikuje dinamičko ili real-time mijenjanje cijena prema općoj tržišnoj potražnji od personalizacije na temelju automatiziranog profiliranja. Relevantna obveza informiranja odnosi se na područje primjene Direktive i određene ugovorne situacije, pa se ne smije prikazati kao opće pravilo koje automatski obuhvaća svaki oblik algoritamske cijene (Directive (EU) 2019/2161, 2019).

Regulativa (EU) 2016/679 uređuje pitanja zaštite osobnih podataka i automatiziranog individualnog odlučivanja. Članak o automatiziranom odlučivanju ovisi o tome proizvodi li odluka pravne ili slično značajne učinke i temelji li se isključivo na automatiziranoj obradi (Regulation (EU) 2016/679, 2016). Stoga korištenje podataka za određivanje cijene nije dovoljno za automatski zaključak o primjeni svake zaštitne odredbe. Potrebno je ocijeniti vrstu odluke i njezin učinak.

Zaštita potrošača mora obuhvatiti i razumljivost informacije. OECD-ov eksperiment pokazuje da formalna objava personaliziranog pricinga ima ograničen učinak na razumijevanje i ne potvrđuje značajan učinak na kupovno ponašanje. Budući da je istraživanje provedeno u Irskoj i Čileu, ne može se automatski generalizirati na sva tržišta (OECD, 2021). Ipak, nalaz pokazuje da formalna objava nije isto što i stvarno razumijevanje.

Pitanje pravednosti dodatno ovisi o načinu raspodjele koristi. Dubé i Misra nalaze da personalizirane cijene povećavaju profit poduzeća i smanjuju ukupni potrošački višak, dok više od 60 % potrošača ima korist. Procjena ukupne dobrobiti ovisi o funkciji društvene dobrobiti (Dubé i Misra, 2023). OECD upozorava da učinci na učinkovitost, dobrobit, raspodjelu koristi i povjerenje ovise o tržišnim uvjetima (OECD, 2018).

Regulatorni problem zato nije svodiv na izbor između dopuštanja i zabrane svih personaliziranih cijena. Potrebno je razlikovati barem nekoliko situacija: promjenu cijene prema općoj potražnji, personalizaciju prema ponašajnim podacima, personalizaciju prema osjetljivim osobnim obilježjima, price steering bez promjene cijene i algoritamsku interakciju među konkurentima. Svaka situacija nosi drukčiji problem.

Zaštita tržišnog natjecanja mora istodobno pratiti jednostranu i koordiniranu štetu. Algoritam može omogućiti poduzeću da preciznije prisvoji potrošački višak bez ikakve koordinacije s konkurentima. Može također učiti suprakonkurentske cijene u modelu ponovljene oligopolističke konkurencije. Može i pojačati konkurenciju u određenim uvjetima. Zbog toga regulatorni odgovor mora biti osjetljiv na tržišnu strukturu i mehanizam učinka, a ne samo na oznaku „AI”.

Pregledna literatura o algoritamskom pricingu iznosi regulatorne implikacije i otvorena pitanja, ali ne daje univerzalni empirijski zaključak za sve sustave (Denicolò, Calzolari, Calvano i Pastorello, 2019). MacKay i Weinstein također povezuju dinamičke pricing algoritme, potrošačku štetu i regulatorni odgovor, uz ogradu da prijedlozi ovise o razvoju tehnologije i budućim empirijskim dokazima (MacKay i Weinstein, 2022).

Rad se razlikuje od šireg pregleda konkurentskog pricinga koji daju Gerpott i Berends jer ne pokušava obuhvatiti sve oblike online i offline konkurentskog određivanja cijena. Fokus je uži: razmatra kako algoritamska prilagodba, personalizacija i učenje mogu istodobno utjecati na profit, učinkovitost, potrošački višak, konkurenciju, povjerenje i regulaciju (Gerpott i Berends, 2022). Za potpuno ažurirano pozicioniranje korisni bi bili i pregledi koji se bave etikom algoritamskog pricinga, marketinškom strategijom i metodološkom klasifikacijom, ali ti pregledi nisu uključeni kao izravni izvori u ovom tekstu.

Središnja teza glasi:

Algoritamsko određivanje cijena može poboljšati prilagodbu cijena i alokacijsku učinkovitost u određenim tržišnim uvjetima, ali može istodobno mijenjati raspodjelu potrošačkog viška. Ishod ovisi o tržišnoj strukturi, obliku personalizacije, podacima, modelu potražnje i kriteriju blagostanja.

Ova teza ne predstavlja konačan izbor između učinkovitosti i diskriminacije. Ona pokazuje da ta dva ishoda mogu postojati u istoj analizi, ali ne nužno na istoj razini. Algoritam može poboljšati prilagodbu cijene potražnji, a da se istodobno dio koristi premjesti s potrošača na poduzeće. Može omogućiti niže cijene u određenim tržišnim uvjetima, ali u drugom kontekstu biti povezan s višim maržama. Može smanjiti cijene u konkretnom platformnom okruženju, ali povećati rizik koordinacije kada ga široko usvoje konkurenti.

Na pitanje povećava li AI profit odgovor je stoga ograničen. U nalazu Dubéa i Misre personalizirane cijene povećavaju profit poduzeća, ali taj nalaz pripada konkretnom istraživačkom kontekstu i ne znači da svaki AI pricing sustav povećava profit. Revenue optimization nije isto što i profitna optimizacija. Algoritamski prodavatelji na Bol.com nisu općenito povezani s višim cijenama, a u monopolskim situacijama mogu nuditi niže cijene, ali taj se rezultat ne može proširiti na sva tržišta. U njemačkom tržištu maloprodaje goriva marže rastu kada svi konkurenti usvoje algoritamski pricing, ali ni taj se nalaz ne može tretirati kao univerzalno pravilo.

Na pitanje diskriminira li AI kupce odgovor je također uvjetan. Algoritam može koristiti opće tržišne podatke i svima ponuditi istu cijenu. Može koristiti osobne ili ponašajne podatke i ponuditi različite cijene pojedincima ili skupinama. Može promijeniti rangiranje proizvoda bez promjene cijene. Svaki od tih mehanizama ima drukčiji učinak. Cjenovna diskriminacija nije svaka promjena cijene, ali personalizacija može promijeniti raspodjelu potrošačkog viška.

Najsigurniji zaključak nije da je AI pricing prvenstveno učinkovit ili prvenstveno diskriminirajući. Njegov učinak ovisi o tržišnoj strukturi, obliku personalizacije, podacima, modelu potražnje i kriteriju blagostanja. Te varijable moraju ostati u samoj tezi, a ne biti premještene samo u odjeljak o ograničenjima. Bez njih se tehnička mogućnost prilagodbe cijene pogrešno pretvara u univerzalni zaključak o ekonomskom učinku.

---

Literatura

1. Assad, S., Clark, R., Ershov, D., & Xu, L. (2024). „Algorithmic Pricing and Competition: Empirical Evidence from the German Retail Gasoline Market.” Journal of Political Economy, 132(3), 723–771. https://doi.org/10.1086/726906. https://www.journals.uchicago.edu/doi/abs/10.1086/726906

2. Bitran, G., & Caldentey, R. (2003). „An Overview of Pricing Models for Revenue Management.” Manufacturing & Service Operations Management, 5(3), 203–229. https://doi.org/10.1287/msom.5.3.203.16031. https://pubsonline.informs.org/doi/10.1287/msom.5.3.203.16031

3. Calvano, E., Calzolari, G., Denicolò, V., & Pastorello, S. (2020). „Artificial Intelligence, Algorithmic Pricing, and Collusion.” American Economic Review, 110(10), 3267–3297. https://doi.org/10.1257/aer.20190623. https://www.aeaweb.org/articles?id=10.1257/aer.20190623

4. Competition and Markets Authority. (2021). „Algorithms: How They Can Reduce Competition and Harm Consumers.” https://www.gov.uk/government/publications/algorithms-how-they-can-reduce-competition-and-harm-consumers

5. den Boer, A. V. (2015). „Dynamic Pricing and Learning: Historical Origins, Current Research, and New Directions.” Surveys in Operations Research and Management Science, 20(1), 1–18. https://doi.org/10.1016/j.sorms.2015.03.001. https://www.sciencedirect.com/science/article/pii/S1876735415000021

6. Denicolò, V., Calzolari, G., Calvano, E., & Pastorello, S. (2019). „Algorithmic Pricing: What Implications for Competition Policy?” Review of Industrial Organization, 55(1), 155–171. https://doi.org/10.1007/s11151-019-09689-3. https://art.torvergata.it/handle/2108/303885

7. Directive (EU) 2019/2161 of the European Parliament and of the Council of 27 November 2019. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32019L2161

8. Donnelly, R., Kanodia, A., & Morozov, I. (2024). „Welfare Effects of Personalized Rankings.” Marketing Science, 43(1), 92–113. https://doi.org/10.1287/mksc.2023.1441. https://pubsonline.informs.org/doi/10.1287/mksc.2023.1441

9. Dubé, J.-P. H., & Misra, S. (2023). „Personalized Pricing and Consumer Welfare.” Journal of Political Economy, 131(1), 131–189. https://doi.org/10.1086/720793. https://www.journals.uchicago.edu/doi/10.1086/720793

10. Dubus, A. (2024). „Behavior-Based Algorithmic Pricing.” Information Economics and Policy, 66, 101081. https://doi.org/10.1016/j.infoecopol.2024.101081. https://www.research-collection.ethz.ch/handle/20.500.11850/666173

11. Gerpott, T. J., & Berends, J. (2022). „Competitive Pricing on Online Markets: A Literature Review.” Journal of Revenue and Pricing Management, 21, 596–622. https://doi.org/10.1057/s41272-022-00390-x. https://link.springer.com/article/10.1057/s41272-022-00390-x

12. Hajihashemi, B., Sayedi, A., & Shulman, J. D. (2021). „The Perils of Personalized Pricing with Network Effects.” Marketing Science, 41(3), 477–500. https://doi.org/10.1287/mksc.2021.1323. https://pubsonline.informs.org/doi/10.1287/mksc.2021.1323

13. Hannak, A., Soeller, G., Lazer, D., Mislove, A., & Wilson, C. (2014). „Measuring Price Discrimination and Steering on E-Commerce Web Sites.” Proceedings of the 2014 ACM Internet Measurement Conference, 305–318. https://doi.org/10.1145/2663716.2663744. https://conferences.sigcomm.org/imc/2014/papers/p305.pdf

14. Hanspach, P., Sapi, G., & Wieting, M. (2024). „Algorithms in the Marketplace: An Empirical Analysis of Automated Pricing in E-Commerce.” Information Economics and Policy, 69, 101111. https://doi.org/10.1016/j.infoecopol.2024.101111. https://www.sciencedirect.com/science/article/pii/S0167624524000337

15. MacKay, A., & Weinstein, S. (2022). „Dynamic Pricing Algorithms, Consumer Harm, and Regulatory Response.” Washington University Law Review, 100(1), 111–174. https://wustllawreview.org/2022/11/25/dynamic-pricing-algorithms-consumer-harm-and-regulatory-response/

16. OECD. (2017). Algorithms and Collusion: Competition Policy in the Digital Age. OECD Roundtables on Competition Policy Papers No. 206. https://www.oecd.org/en/publications/2017/05/algorithms-and-collusion-competition-policy-in-the-digital-age_02371a73.html

17. OECD. (2018). Personalised Pricing in the Digital Era. OECD Roundtables on Competition Policy Papers No. 222. https://doi.org/10.1787/db4d9c9c-en. https://www.oecd.org/en/publications/personalised-pricing-in-the-digital-era_db4d9c9c-en.html

18. OECD. (2021). The Effects of Online Disclosure about Personalised Pricing on Consumers. OECD Digital Economy Papers No. 303. https://doi.org/10.1787/1ce1de63-en. https://www.oecd.org/en/publications/the-effects-of-online-disclosure-about-personalised-pricing-on-consumers_1ce1de63-en.html

19. Phillips, R. L. (2021). Pricing and Revenue Optimization (2nd ed.). Stanford University Press. https://www.degruyterbrill.com/document/doi/10.1515/9781503614260/html?lang=en

20. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679

21. Vomberg, A., Homburg, C., & Sarantopoulos, P. (2025). „Algorithmic Pricing: Effects on Consumer Trust and Price Search.” International Journal of Research in Marketing, 42(4B), 1166–1186. https://doi.org/10.1016/j.ijresmar.2024.10.006. https://www.sciencedirect.com/science/article/pii/S0167811624000946

---

TRAŽI ISTRAŽIVAČKI PROLAZ

Nalaz ili rupa	Što bi trebalo	Zašto nije izvršeno
Nedostatak široke empirijske usporedbe profita i prihoda	Usporednu empiriju stvarnih poduzeća i industrija koje koriste algoritamsko određivanje cijena, uz odvojeno mjerenje prihoda, troškova, profita i marži	Takvi izvori nisu prisutni u dostavljenom korpusu; postojeći materijal podupire objašnjenje modela i pojedinačne kontekstualne nalaze, ali ne univerzalni financijski zaključak
Ograničena dokazna težina poglavlja 5	Potpunije izvore za razgraničenje dinamičkog pricinga, personalizacije, cjenovne diskriminacije i price steeringa	Dostavljena potpora za ključne tvrdnje pretežno je sažetna; finalizacija je mogla dodati samo ogradu, ne i novu izvornu osnovu
Ograničena dokazna težina poglavlja 6	Potpuniji izvorni prikaz nalaza Dubéa i Misre, uključujući metodologiju, pretpostavke, distribuciju koristi i funkcije društvene dobrobiti	Dostavljen je sažetni prikaz nalaza; bez potpunijih podataka nije dopušteno proširiti zaključak izvan opisanog konteksta
Nedostatak višesektorske empirije o konkurenciji algoritama	Usporedna istraživanja više industrija, tržišnih struktura i razina usvajanja algoritamskog pricinga	Nalaz o maržama odnosi se na njemačko tržište maloprodaje goriva, a nalaz o cijenama na platformu Bol.com; dodatni sektorski izvori nisu u paketu
Ograničena mogućnost generalizacije nalaza o platformi Bol.com	Istraživanja drugih platformi, razdoblja i metoda identifikacije algoritamskih prodavatelja	Dostavljeni nalaz vezan je uz konkretnu platformu, razdoblje i identifikaciju prodavatelja
Ograničena usporedivost nalaza o transparentnosti	Dodatne studije koje istodobno mjere objavu personalizacije, razumijevanje, povjerenje, pretraživanje cijena i kupovno ponašanje	I11 i I14 mjere različite ishode i ne dopuštaju zajednički opći zaključak
Nedostatak nacionalne provedbe i sudske prakse	Izvore o provedbi Direktive (EU) 2019/2161 i Regulative (EU) 2016/679, osobito u Hrvatskoj, te usporednu sudsku ili regulatornu praksu	Takvi izvori nisu uključeni u dostavljeni registar
Nedostajuća novija sinteza o etičkim implikacijama algoritamskog pricinga	Noviju preglednu literaturu o etici, pravednosti i društvenim posljedicama algoritamskog određivanja cijena	Područje je navedeno kao rupa u pokrivenosti, ali konkretni izvori nisu dostavljeni
Nedostajuća novija sinteza o vezi algoritamskog pricinga, marketinške strategije i regulacije	Pregled koji povezuje algoritamsko određivanje cijena, marketinšku strategiju, potrošačko ponašanje i regulatorni odgovor	Konkretan izvor nije prisutan u dostavljenom paketu
Nedostajuća novija metodološka klasifikacija	Sustavnu klasifikaciju pristupa dinamičkom, algoritamskom i personaliziranom određivanju cijena	Korpus ne sadržava takvu metodološku sintezu

SPOR

Nema stavki.