Nacrt seminarskog rada: AI i ekonomija cijena: može li algoritam pronaći optimalnu cijenu proizvoda?
Proces izrade seminarskog rada
Tekst
1. Uvod: cijena kao odluka, a ne samo broj
Određivanje cijene jedan je od temeljnih problema poduzeća. Cijena povezuje vrijednost koju proizvod ima za kupca, troškove njegova stvaranja, očekivanu potražnju i konkurentske uvjete [I4]. Zbog toga se odluka o cijeni ne može svesti na mehaničko dodavanje troška ili na kopiranje cijene konkurenta. Ona je istodobno ekonomska, marketinška i operativna odluka.
Pitanje može li umjetna inteligencija pronaći „optimalnu cijenu” zato nije samo tehničko pitanje. Potrebno je najprije odrediti što znači optimalno. Poduzeće može željeti povećati prihod, profit, maržu, tržišni udio ili brzinu obrta zalihe. Ti ciljevi ne moraju voditi istoj cijeni. Model koji povećava očekivani prihod ne mora povećavati profit ako u funkciju cilja nisu uključeni relevantni troškovi [I6].
U ovom radu cijena se promatra kao odluka koja povezuje vrijednost za kupca, troškove, potražnju i konkurentske uvjete [I4]. Umjetna inteligencija može izračunati ili odabrati uvjetno optimalnu cijenu unutar zadanog modela potražnje, funkcije cilja, podataka, zalihe, vremenskog horizonta i regulatornog okvira. To ipak ne znači da postoji jedna cijena koja je optimalna neovisno o cilju i stanju tržišta.
Dodatno ograničenje proizlazi iz podataka. Povijesna povezanost cijene i prodaje ne identificira nužno kauzalni učinak cijene [I5]. Ako je poduzeće snižavalo cijenu upravo onda kada je očekivalo slabiju potražnju, jednostavan algoritam može pogrešno zaključiti da je niža cijena uzrokovala prodaju, iako je promjena cijene bila reakcija na prethodno očekivanje poduzeća. Zato je potrebno razlikovati optimizaciju zadanog modela od pouzdanosti samog modela.
Glavni zaključak rada glasi da AI može pronaći uvjetno optimalnu cijenu, ali ne i univerzalnu cijenu koja bi vrijedila za svako tržište, svaki proizvod i svaki poslovni cilj.
2. Ekonomska funkcija cijene
Cijena ima funkciju usklađivanja odluka kupaca i poduzeća. Ona utječe na količinu koju kupci žele kupiti, ali istodobno predstavlja signal poduzeću o tome kakav se rezultat može očekivati od različitih prodajnih uvjeta. U tom smislu cijena povezuje ponudu, potražnju i poslovnu odluku.
Referentni pricing pristupi polaze od različitih početnih informacija. Neki naglasak stavljaju na troškove, drugi na potražnju, vrijednost za kupca ili konkurenciju [I1][I3][I4]. Razlika između tih pristupa nije samo terminološka. Ako poduzeće cijenu određuje polazeći od troška, pitanje je koliko kupci cijene proizvod i kako će reagirati na cijenu. Ako polazi od vrijednosti, mora procijeniti spremnost kupaca na plaćanje i konkurentske alternative. Ako polazi od konkurencije, mora procijeniti jesu li proizvodi doista usporedivi.
Uloga cijene mijenja se i ovisno o vremenskom horizontu. U kratkom roku cijena može utjecati na prodanu količinu i prihod. U duljem razdoblju cijena može biti povezana s pozicioniranjem proizvoda, reakcijom konkurenata, učenjem kupaca i budućom potražnjom. Dostupna literatura o promocijama pokazuje da kratkoročni i dugoročni učinci ne moraju biti isti [I14].
Za algoritam to znači da cijena nije izolirana varijabla. Ona može biti funkcija potražnje, zalihe, vremena, konkurentskih uvjeta i cilja poduzeća. Ako se iz modela izostavi jedan od tih elemenata, rezultat može biti optimalan samo za pojednostavljeni problem. Takav rezultat ne treba predstavljati kao opće rješenje ekonomskog problema cijene.
Ekonomska funkcija cijene stoga nije jednaka funkciji koju algoritam može izračunati. Algoritam može brzo pretražiti dopuštene odluke, ali ekonomsku funkciju određuje poduzeće: ono mora odrediti što želi maksimizirati, koja ograničenja prihvaća i kojem razdoblju daje prednost.
3. Poslovni ciljevi i značenje optimuma
Riječ „optimalno” ima smisla samo u odnosu na određenu funkciju cilja. Cijena koja povećava prihod može biti različita od cijene koja povećava profit. Cijena koja ubrzava obrt zalihe može smanjiti jediničnu maržu. Cijena koja povećava tržišni udio može biti neprihvatljiva ako istodobno proizvodi gubitak. U dostupnoj literaturi prihod i profit tretiraju se kao različiti ciljevi, a model mora izrijekom navesti koji cilj optimizira [I6].
Ova razlika osobito je važna kada se govori o očekivanom rezultatu. U modelima dinamičkog pricinga cilj se može izraziti kao očekivani prihod; tvrdnja o očekivanom profitu zahtijeva da model izrijekom uključi relevantne troškove [I6]. Nije dovoljno da model računa prodanu količinu i cijenu. Ako ne uključuje trošak proizvodnje, nabave, distribucije, skladištenja ili drugih relevantnih aktivnosti, ne treba ga opisivati kao model očekivanog profita.
Višeciljna optimizacija dodatno komplicira pitanje. Poduzeće može pokušati istodobno uzeti u obzir prihod, profit, maržu, tržišni udio i obrt zalihe. Međutim, dostavljeni korpus ne objedinjuje te ciljeve u jednom provjerenom modelu. Zato se o njima može govoriti kao o različitim mogućim ciljevima, ali ne kao o sastavnicama jedinstvenog algoritma koji je literatura već potvrdila.
U praksi bi poduzeće moralo odrediti prioritete među ciljevima. Ako su ciljevi međusobno suprotstavljeni, potrebno je definirati njihovu relativnu važnost ili ograničenja. Takva operacionalizacija nije tehnički detalj koji se može dodati nakon izračuna. Ona određuje što će algoritam uopće smatrati dobrim ishodom.
Optimalna cijena zato nije svojstvo proizvoda samo po sebi. Ona je svojstvo odnosa između proizvoda, tržišta, informacija, funkcije cilja i vremenskog horizonta. AI može pronaći optimum tek nakon što su ti elementi zadani.
4. Troškovno određivanje cijena
Troškovni pristup jedna je od sastavnica pricing odluke, ali integrativni okvir uključuje i ekonomsku vrijednost i konkurentsku analizu [I4]. Troškovi su važni jer određuju kakav rezultat određena prodajna cijena može donijeti poduzeću. Ipak, cijena koja pokriva troškove ne mora biti cijena koju tržište prihvaća, niti mora biti najbolja cijena s obzirom na potražnju.
Troškovni pristup može poslužiti kao početna granica odlučivanja. Poduzeće može procijeniti koje cijene stvaraju prihvatljiv ekonomski rezultat i zatim tu procjenu usporediti s vrijednošću za kupca i konkurentskim uvjetima. Problem nastaje kada se trošak tretira kao dovoljan podatak za određivanje cijene. U tom slučaju model ne govori koliko kupci žele platiti, koliko su osjetljivi na cijenu ni kako će reagirati konkurenti.
Dostupni izvori ne nose potvrđenu punu definiciju cost-plus modela u opsegu koji bi dopuštao detaljnu formalnu analizu. Zbog toga se cost-plus u ovom radu ne predstavlja kao potpuna definicija zasebnog modela, nego kao troškovna sastavnica pricing odluke uz ekonomsku vrijednost i konkurentsku analizu [I4].
Takvo suženje ne znači da su troškovi nevažni. Naprotiv, bez troškova se ne može opravdano govoriti o profitu. No trošak ne određuje sam po sebi optimalnu cijenu. On određuje jedan dio problema, dok drugi dijelovi proizlaze iz reakcije tržišta i ciljeva poduzeća.
AI može uključiti troškove u funkciju cilja, ali tada rezultat ovisi o tome jesu li troškovi pravilno navedeni i jesu li relevantni za promatrano razdoblje. Algoritam ne može sam riješiti konceptualnu odluku o tome koje troškove treba uključiti. To je poslovna i modelna odluka.
5. Markup i granice dostupne provjere
Pojam markupa pojavljuje se u briefu kao važan dio troškovnog određivanja cijena, ali dostupna provjera ne nosi potvrđenu formulaciju koja bi omogućila njegovu definiciju. Sama činjenica da je izvor udžbenik pricinga nije dovoljna za preuzimanje određene definicije iz otvorenog zapisa [I1]. Zbog toga se definicija markupa ne može prikazati kao potvrđeni nalaz.
Isto vrijedi za razliku između markupa i marže. Ta je razlika ostala zaključano uklonjena jer u dostupnom prolazu nije bilo otvorene lokacije koja bi je potvrdila. Ne treba je vraćati u tekst samo zato što je riječ o uobičajenoj nastavnoj formulaciji.
Ovo ograničenje pokazuje važnu razliku između ekonomskog znanja i provjerenog materijala za konkretan rad. Tvrdnja može biti standardna u širem području, ali ako nije pokrivena ulazom, ne smije se umetnuti izvan izvora. U ovom radu zato treba ostati samo ono što je izričito poduprto: troškovni pristup jedna je od sastavnica odluke, ali ne iscrpljuje vrijednost i konkurentsku analizu [I4].
Za pitanje AI-ja posljedica je jasna. Algoritam može raditi s troškovnim varijablama, ali nije opravdano zaključiti da je svaka cijena izvedena dodavanjem određene marže automatski optimalna. Ako se troškovni pristup koristi kao početna točka, mora se povezati s potražnjom, vrijednošću i konkurencijom.
Ovo poglavlje zato ostaje ograničeno. Korpus omogućuje analizu položaja troška u pricing odluci, ali ne omogućuje punu raspravu o markupu niti o njegovu odnosu prema marži. Ta sadržajna rupa treba ostati vidljiva, a ne popunjena općom formulacijom bez potpore.
6. Vrijednosno određivanje cijena
Vrijednosno određivanje cijena polazi od procijenjene vrijednosti proizvoda za kupca, uz uvažavanje troškova i konkurencije [I3][I4]. U takvom pristupu cijena nije samo odraz proizvodnog troška. Ona ovisi o tome kakvu korist kupac povezuje s proizvodom i koje alternative ima na raspolaganju.
Vrijednost za kupca nije jednaka trošku proizvodnje [I3][I4]. Proizvod s višim troškom ne mora imati veću vrijednost za kupca, a proizvod s nižim troškom može biti vrijedan ako rješava važan problem ili se razlikuje od alternativa. Zbog toga vrijednosno određivanje cijena zahtijeva podatke koji nisu sadržani samo u računovodstvu.
Spremnost na plaćanje u modelu se može procjenjivati iz opaženih obilježja kupaca, ali kvaliteta te procjene ovisi o informativnosti značajki [I12]. To znači da algoritam ne promatra nužno izravno unutarnju vrijednost koju kupac pridaje proizvodu. On može koristiti ponašajne ili druge značajke i iz njih procjenjivati vjerojatnu reakciju.
Takva procjena može biti korisna, ali nije jednaka sigurnom uvidu u preferencije. Ako značajke nisu dovoljno informativne, procjena može biti slaba. Ako se koriste osjetljivi ili osobni podaci, otvaraju se dodatna pitanja privatnosti, transparentnosti i pravednosti [I20][I21].
Vrijednosno određivanje cijena zato ne uklanja neizvjesnost. Ono samo mijenja početnu točku pricing odluke: umjesto da se pita koliko je proizvod koštao, poduzeće se pita koliko ga kupac vrednuje i kako tu procjenu može povezati s konkurencijom i troškovima.
AI može pomoći u obradi većeg broja značajki i procjena, ali poslovna odluka i dalje mora odrediti koje su značajke prihvatljive, koji je cilj i koja ograničenja vrijede.
7. Potražnja i cjenovna elastičnost
Cjenovna elastičnost potražnje odnosi se na postotnu promjenu tražene količine izazvanu postotnom promjenom cijene [I5][I17]. Ona je važna jer pokazuje da promjena cijene može utjecati na količinu, a time i na ukupni rezultat. Sama visina cijene ne govori koliko će se prodaja promijeniti.
Elastičnost može varirati po segmentu, sezoni i tržištu [I17]. To znači da jedna procjena elastičnosti ne mora vrijediti za sve kupce ili sva razdoblja. Hotelski primjer iz dostupnog korpusa ograničen je na javno dostupne podatke i poslovni primjer dvaju hotela [I17]. Stoga se njegov nalaz ne smije širiti na sva tržišta.
Strukturna procjena potražnje može uključiti diferencirane proizvode, konkurente, atribute proizvoda i simultano određivanje cijena i količina [I5]. U takvom okviru cijena nije jedina varijabla. Potražnja ovisi i o tome kako kupci vrednuju različite proizvode te kako poduzeća međusobno djeluju.
Unakrsna elastičnost odnosi se na reakciju potražnje jednog proizvoda na promjenu cijene drugog proizvoda [I5]. Ona nije isto što i vlastita cjenovna elastičnost. Za pricing odluku to znači da promjena cijene jednog proizvoda može promijeniti potražnju za drugim proizvodom, osobito kada proizvodi predstavljaju alternative ili su međusobno povezani.
Maksimalna marža po jedinici zato nije automatski jednaka najvećem ukupnom rezultatu. Ako viša cijena smanjuje količinu više nego što povećava rezultat po jedinici, ukupni prihod ili profit može biti manji. Međutim, konkretan zaključak o tome zahtijeva model potražnje i funkciju cilja. Ne može se izvesti samo iz pojma marže.
8. Procjena funkcije potražnje
Funkcija potražnje može uključivati cijenu, karakteristike proizvoda, potrošače, konkurente i očekivanu količinu [I5][I8]. Povijesni podaci mogu pomoći algoritmu da procijeni kako se tržište ponašalo u različitim uvjetima. Literatura o učenju opisuje problem u kojem poduzeće ne zna unaprijed funkciju potražnje, nego je procjenjuje iz reakcija tržišta [I8][I9][I23].
To je važan pomak u odnosu na situaciju u kojoj je potražnja poznata. Algoritam ne dobiva gotovu krivulju koju samo treba optimizirati. On mora učiti iz prethodnih odluka i ishoda. Učenje pritom može značiti procjenu nepoznate funkcije potražnje, učenje prodavatelja o individualnoj potražnji ili širi proces međusobnog učenja poduzeća i potrošača [I9][I10][I16].
Najveće metodološko ograničenje jest razlika između korelacije i kauzalnosti. Korelacija cijene i prodaje ne identificira nužno kauzalni učinak cijene [I5]. Ako se cijene mijenjaju zajedno s promocijama, zalihama, očekivanjima ili konkurentskim potezima, algoritam može pripisati cijeni učinak koji zapravo proizlazi iz drugog čimbenika.
Dostavljeni korpus ne sadrži zaseban metodološki izvor koji bi sustavno obradio kauzalnu procjenu cijene u automatiziranom pricingu. Zato se može objasniti zašto je kauzalna identifikacija važna, ali ne i predstaviti cjelovit postupak za njezino provođenje.
AI stoga može optimizirati unutar procijenjene funkcije potražnje, ali kvaliteta odluke ovisi o kvaliteti te procjene. Ako je funkcija potražnje pogrešna, precizna optimizacija može proizvesti precizno pogrešnu cijenu.
9. Povijesni podaci i pristranost odluka
Povijesni podaci o cijenama i prodaji nisu neutralan zapis tržišta. Oni su rezultat prethodnih odluka poduzeća, reakcija kupaca, promjena zalihe i konkurentskih uvjeta. Ako je poduzeće ranije biralo cijene na temelju vlastitih očekivanja, podaci sadrže trag te odluke, a ne samo čistu reakciju kupaca.
Zato algoritam koji uči iz povijesti mora razlikovati promjenu cijene od drugih istodobnih promjena. U dostupnim nalazima naglašeno je da korelacija cijene i prodaje ne identificira nužno kauzalni učinak cijene [I5]. Ta ograda vrijedi u svakom poglavlju, uključujući zaključak.
Pitanje zalihe dodatno mijenja tumačenje podataka. Ako proizvod nije dostupan, niska prodaja ne znači nužno nisku potražnju. Ako je poduzeće snizilo cijenu zbog viška zalihe, kasniji rast prodaje može biti povezan s cijenom, ali i s posebnom situacijom u kojoj je cijena promijenjena. Signal o nedostatku tehničke validacije izrijekom upozorava da u korpusu nema dovoljno metodoloških izvora o stockouts, price censoringu i srodnim problemima.
Ova pitanja ne dokazuju da AI ne može koristiti povijesne podatke. Ona pokazuju da se podaci moraju tumačiti u odnosu na proces kojim su nastali. Algoritam nije promatrač izvan tržišta. Njegove preporuke mogu promijeniti buduće podatke, a budući podaci zatim mogu promijeniti preporuke.
Učenje iz povijesti zato nije isto što i otkrivanje stabilnog ekonomskog zakona. To je procjena unutar određenih podataka, pretpostavki i vremenskog razdoblja.
10. Konkurentske cijene
Konkurentske cijene važan su dio pricing odluke jer kupac ne procjenjuje proizvod u potpunoj izolaciji. Strukturna ekonometrija može uključiti diferencirane proizvode, konkurente i atribute proizvoda [I5]. Time se model približava tržištu u kojem cijena jednog poduzeća ovisi o ponudama drugih poduzeća.
Jednostavno kopiranje konkurentske cijene ipak nije dovoljno. Proizvodi mogu biti različiti, a kupci mogu različito vrednovati njihove atribute. Ako algoritam konkurentsku cijenu tretira kao jedini signal, može zanemariti vlastitu vrijednost proizvoda, troškove i različitu strukturu potražnje.
Konkurentsko okruženje može biti i dinamično. Promjena cijene jednog poduzeća može izazvati reakciju drugih. U takvom slučaju cijena nije samo odluka prema kupcima nego i strateška odluka prema konkurentima. Reinforcement learning pomiče problem prema učenju iz prethodnih nagrada i reakcija drugih agenata [I13].
U kontroliranom eksperimentalnom oligopolističkom modelu Q-learning algoritmi mogu naučiti nadkompetitivne cijene bez izravne komunikacije [I13]. Taj nalaz treba prikazati upravo u tom opsegu. On nije dokaz da reinforcement learning općenito ili nužno proizvodi koluziju na stvarnim tržištima.
Regulatorni izvori ne tretiraju algoritamsko pricing kao automatski koluzivno. Oni razmatraju moguće prokompetitivne učinke i moguće rizike, pri čemu procjena ovisi o konkretnom tržištu, ponašanju i pravnom okviru [I18][I19]. Razlika između simulacijskog modela i stvarnog tržišta zato mora ostati jasna.
11. Algoritamska interakcija i koluzija
Algoritamska koluzija odnosi se na mogućnost da se algoritmi približe nadkompetitivnim cijenama bez nužnog izravnog sporazuma. Nalaz iz [I13] važan je jer pokazuje kako se takav ishod može pojaviti u kontroliranom modelu ponavljane oligopolističke igre.
Međutim, simulacijski nalaz nije automatski dokaz stvarne nezakonite koluzije [I13][I18]. Simulacija ima određena pravila, agente, nagrade i informacije. Stvarna tržišta uključuju pravne institucije, različite poslovne ciljeve, promjene proizvoda, ulazak i izlazak konkurenata te druge okolnosti koje ne moraju biti prisutne u modelu.
OECD izvori algoritamsko pricing promatraju kroz tržišno natjecanje i moguće rizike, ali ne tvrde da je svaki algoritamski sustav koluzivan [I18][I19]. Potrebno je razlikovati mogućnost mehanizma od dokaza da se taj mehanizam ostvaruje na određenom tržištu.
Dodatni podaci iz stvarnih tržišta, zapisnika algoritama i tržišnih ishoda mogli bi pokazati koliko se simulacijski rezultat pojavljuje u praksi. Dostavljeni korpus, međutim, ne nudi dovoljno terenskih dokaza za opći zaključak o stvarnom pricingu.
Za poduzeće to znači da optimizacija ne može biti odvojena od nadzora. Algoritam koji ostvaruje zadanu nagradu može pronaći ponašanje koje je profitabilno za pojedinačno poduzeće, ali potencijalno problematično u širem regulatornom okviru. Funkcija cilja zato nije jedini kriterij prihvatljivosti odluke.
12. Dinamičko određivanje cijena
Dinamičko određivanje cijena znači da se cijena mijenja kroz vrijeme ili između tržišnih stanja prema potražnji, zalihi ili drugim uvjetima [I2][I7][I8]. Za razliku od statične odluke, dinamički model cijenu promatra kao dio niza povezanih odluka.
Literatura o dinamičkom pricingu uvodi ograničenu zalihu, konačni vremenski horizont i stohastičku potražnju [I6][I7]. Kada je zaliha ograničena, današnja prodaja utječe na ono što će biti dostupno u budućnosti. Kada je potražnja neizvjesna, cijena može utjecati na raspodjelu proizvoda kroz vrijeme.
Revenue management u provjerenoj literaturi povezuje dinamičko određivanje cijena s potražnjom, zalihom i vremenskim horizontom; cilj mora biti izrijekom određen [I6][I7]. Takav cilj može biti očekivani prihod, ali tvrdnja o očekivanom profitu zahtijeva uključivanje relevantnih troškova.
Dinamičko pricing nije isto što i individualizirana cijena prema profilu kupca [I21]. Prvo se može odnositi na promjenu cijene zbog tržišnog stanja ili vremena, dok drugo uključuje prilagođavanje pojedincu ili segmentu na temelju procijenjene vrijednosti ili značajki.
Optimalna cijena u dinamičkom modelu zato nije nužno ista u svakom trenutku. Ona ovisi o stanju zalihe, očekivanoj potražnji, vremenskom horizontu i cilju. To ne znači da literatura dokazuje empirijsku promjenu preporučenih cijena u svim tržišnim okruženjima. Znači samo da je optimum u modelu uvjetan.
13. Zaliha i buduća potražnja
Zaliha mijenja ekonomsku vrijednost prodaje. Ako je količina proizvoda ograničena, poduzeće mora odlučiti hoće li ga prodati sada ili zadržati mogućnost prodaje u budućem stanju potražnje. Dinamički modeli promatraju upravo odnos između cijene, raspoložive zalihe i konačnog vremenskog horizonta [I6][I7].
Cijena zato može ovisiti o tome koliko je proizvoda preostalo i kakva se potražnja očekuje. Ako je buduća potražnja neizvjesna, odluka mora uzeti u obzir različite moguće ishode. Model može optimizirati očekivani prihod, ali ne zna unaprijed koji će se ishod ostvariti [I6].
Učenje dodatno mijenja problem. Poduzeće ne procjenjuje samo koliko će prodati, nego može učiti o funkciji potražnje dok prodaje. Učenje i odluka tada su međusobno povezani: cijena utječe na prodaju, prodaja daje informaciju, a informacija mijenja sljedeću cijenu [I8][I9][I23].
Takav proces uključuje ravnotežu između istraživanja i iskorištavanja. Poduzeće može isprobavati nepoznate cijene kako bi dobilo informacije, ali takvo eksperimentiranje može povećati kratkoročni gubitak [I8][I9]. S druge strane, oslanjanje samo na trenutačno najbolju poznatu cijenu može ograničiti učenje.
Dostupna literatura podržava povezivanje cijene, zalihe, vremena i učenja. Ne podržava, međutim, tvrdnju da jedan algoritam može bez dodatnih pretpostavki pouzdano predvidjeti buduću potražnju. Rezultat ovisi o strukturi modela, kvaliteti podataka i funkciji cilja.
14. Promocije i popusti
Promocija je privremena promjena cijene ili uvjeta prodaje radi utjecaja na potražnju [I14]. Promocija može povećati kratkoročnu prodaju, ali kratkoročni rast prodaje ne dokazuje dugoročnu profitabilnost [I14].
[I14] nalazi da promocije mogu imati pozitivan kratkoročni, ali negativan dugoročni učinak na vrijednost marke, prodaju i profit. Dostupni materijal ne dopušta da se taj nalaz proširi na sve proizvode i sve tržišne situacije. Učinak može ovisiti o proizvodu, segmentu, sezoni, vremenskom horizontu i cilju poduzeća.
Upravo zato promocija nije samo snižena cijena. Ona mijenja uvjete u kojima kupci donose odluku, a poduzeće mora procijeniti što želi postići. Ako je cilj kratkoročni prihod, promocija se može procjenjivati drukčije nego ako je cilj dugoročni profit ili očuvanje pozicioniranja proizvoda.
Definicija referentne cijene zaključano je uklonjena jer nije potvrđena u dostupnom otvorenom zapisu. Isto vrijedi za tvrdnju da česta sniženja mijenjaju očekivanja kupaca o normalnoj cijeni. Te tvrdnje ne treba vraćati u tekst kao opće nastavne napomene.
AI može uspoređivati različite promocijske ishode, ali ne može iz same prodaje zaključiti dugoročnu korist ako model ne obuhvaća odgovarajući vremenski horizont i funkciju cilja. Ako model promatra samo trenutačnu prodaju, rezultat može favorizirati popust koji kratkoročno djeluje uspješno, ali ne pokazuje dugoročni učinak.
Ovo poglavlje zato ostaje usko: dostupni izvori podržavaju razlikovanje kratkoročnih i dugoročnih učinaka, ali ne pokrivaju dovoljno referentnu cijenu i personalizirane promocije.
15. Personalizirani pricing
Personalizirani pricing prilagođava cijenu pojedincu ili segmentu na temelju procijenjene vrijednosti ili značajki [I11][I12][I21]. Njegova ekonomska privlačnost proizlazi iz mogućnosti da se cijene bolje prilagode heterogenoj elastičnosti kupaca.
Noviji radovi uključuju visokodimenzionalne značajke, personalizirane cijene i heterogenu elastičnost među kupcima [I11][I12]. Spremnost na plaćanje u modelu se može procjenjivati iz opaženih obilježja kupaca, ali kvaliteta te procjene ovisi o informativnosti značajki [I12].
Ekonomska korist i društvena prihvatljivost nisu ista funkcija cilja. Model može povećati vrijednost za poduzeće, a istodobno otvoriti pitanja privatnosti, transparentnosti, diskriminacije i pravednosti [I12][I20][I21][I24]. Zbog toga nije dovoljno pitati može li personalizirani pricing povećati prihod. Potrebno je pitati i pod kojim uvjetima je takva odluka dopuštena i prihvatljiva.
FTC-ov regulatorni zapis razmatra širok raspon osobnih i ponašajnih podataka koji se mogu koristiti za postavljanje individualiziranih cijena [I20]. Direktiva Europske unije predviđa obavještavanje potrošača kada je cijena personalizirana na temelju automatiziranog odlučivanja [I21]. Primjena regulatornih pravila ovisi o nacionalnoj provedbi i odnosu s drugim propisima.
Personalizirani pricing stoga nije samo naprednija verzija dinamičkog pricinga. On uvodi dodatnu razinu odnosa između algoritma i osobe. Što je cijena više vezana uz pojedinca, to postaju važniji izvor podataka, svrha obrade, objašnjenje odluke i mogućnost regulatornog nadzora.
16. Reinforcement learning i eksperimentiranje
Reinforcement learning može se opisati kao učenje politike odluke iz ponavljanih stanja, akcija i nagrada [I13]. U pricing problemu stanje može uključivati tržišne uvjete, akcija može biti odabrana cijena, a nagrada može biti vrijednost zadana funkcijom cilja.
Takav algoritam može učiti iz prethodnih odluka, ali mora balansirati između istraživanja i iskorištavanja. Istraživanje znači isprobavanje nepoznatih cijena radi prikupljanja informacija. Iskorištavanje znači odabir trenutačno najboljeg poznatog poteza [I8][I9]. Više eksperimentiranja može povećati kratkoročni gubitak [I9].
U dostupnom korpusu ne postoji potvrđen izvor koji bi sustavno obradio A/B-testiranje pricinga, randomizaciju i etička ograničenja takvih eksperimenata. Zato se ne smije tvrditi da je A/B-testiranje u ovom radu metodološki pokriveno. Može se samo navesti da je eksperimentiranje povezano s učenjem, neizvjesnošću i mogućim kratkoročnim gubicima.
[I13] pokazuje da Q-learning algoritmi u kontroliranom eksperimentalnom oligopolističkom modelu mogu naučiti nadkompetitivne cijene bez izravne komunikacije. Nalaz vrijedi za navedeno simulacijsko okruženje. Ne treba ga pretvoriti u tvrdnju da reinforcement learning nužno proizvodi koluziju na stvarnim tržištima.
Eksperimentiranje zato mora biti promatrano kao dio poslovnog rizika. Algoritam koji želi učiti mijenja cijene, a promjena cijena utječe na kupce i konkurente. Ako je eksperimentiranje dopušteno, poduzeće mora unaprijed odrediti granice unutar kojih se odluke mogu kretati. Dostavljeni izvori ne daju potpun metodološki okvir za te granice.
17. Višeciljna optimizacija
Poduzeće može željeti povećati prihod, profit, maržu, tržišni udio i obrt zalihe. Ti ciljevi mogu biti povezani, ali nisu identični. Prihod je povezan s cijenom i prodanom količinom, profit zahtijeva uključivanje relevantnih troškova, tržišni udio usporedbu s konkurencijom, a obrt zalihe odnos prodaje i raspoloživih proizvoda.
Korpus ne objedinjuje sve navedene ciljeve u jednom provjerenom modelu. Zbog toga se ne može prikazati kao da dostupna literatura već nudi opći višeciljni algoritam pricinga. Može se, međutim, objasniti zašto pojam optimalne cijene ovisi o funkciji cilja.
Ako se modelu zada prihod, on će tražiti cijenu koja je najbolja prema prihodu. Ako se zada profit, mora sadržavati relevantne troškove. Ako se zada tržišni udio, mora uključiti konkurentsko tržište. Ako se zada obrt zalihe, mora uključiti stanje zalihe i vremenski horizont. Promjena cilja mijenja problem, čak i kada su podaci isti.
To je razlog zbog kojega jedna cijena ne može biti optimalna u svim interpretacijama. Optimalna cijena je cijena koja je najbolja s obzirom na određenu funkciju cilja, ograničenja, podatke i vremenski horizont [I2][I6][I9].
Višeciljnost također zahtijeva poslovnu odluku o tome kako se ciljevi međusobno vrednuju. Dostavljeni izvori ne daju potvrđenu operacionalizaciju takvog vaganja. U radu se zato ne treba navoditi formalni postupak koji nije pokriven.
Može se zaključiti samo da AI ne bira samostalno što je „najbolje”. On optimizira ono što mu poduzeće zada. Ako poduzeće ne odredi funkciju cilja, algoritam ne može proizvesti ekonomski smislen optimum.
18. Tehnička validacija algoritamskog pricinga
Tehnička validacija važna je za procjenu može li algoritam raditi izvan podataka na kojima je razvijen. Dostavljeni korpus, međutim, nema otvorene metodološke izvore koji bi dovoljno obradili price censoring, stockouts, drift modela i interpretabilnost.
Price censoring odnosi se na problem u kojem se opaža prodaja samo kada je proizvod ponuđen pod određenim uvjetima. Stockout može ograničiti opaženu prodaju jer proizvoda nema, a ne zato što ga kupci ne žele. Drift modela može nastati kada se tržište, konkurencija ili ponašanje kupaca promijene. Interpretabilnost se odnosi na mogućnost razumijevanja razloga za preporučenu cijenu.
U ovom radu te se teme ne mogu razraditi kao potvrđeni metodološki nalazi. One se mogu navesti kao područja koja dostavljeni izvori ne pokrivaju dovoljno. NEDOSTAJE_TEHNIČKA_VALIDACIJA zato ostaje sadržajna rupa, a ne poziv da se izvan ulaza dodaju nove metode.
Ograničenje je važno jer precizan izračun ne znači automatski pouzdanu odluku. Algoritam može biti matematički konzistentan, ali njegova preporuka može ovisiti o nepotpunim podacima ili pretpostavkama koje više ne vrijede. Bez dodatne metodološke provjere ne treba tvrditi da je preporučena cijena stabilna, prediktivno točna ili valjana izvan promatranog uzorka.
Ovo poglavlje zato ostaje kratko, ali se ne izostavlja. Tehnička validacija sastavni je dio pitanja o AI pricingu, no dostavljeni materijal ne omogućuje njezinu punu obradu.
19. Regulatorna, reputacijska i podatkovna ograničenja
Regulatorni izvori cijenu promatraju kroz pitanja tržišnog natjecanja, privatnosti, transparentnosti i zaštite potrošača, pri čemu se njihova primjena razlikuje prema izvoru i jurisdikciji [I18][I19][I20][I21][I22][I24]. Ne postoji jedna jedinstvena kategorija „regulatornog ograničenja” koja bi obuhvatila sve navedene probleme na isti način.
U području tržišnog natjecanja pitanje može biti ponašanje algoritama i mogućnost približavanja nadkompetitivnim cijenama. OECD izvori razmatraju prokompetitivne učinke algoritama, ali i moguće rizike za tržišno natjecanje [I18][I19]. Nalaz simulacijskog rada o Q-learningu mora se pritom držati kontroliranog eksperimentalnog modela [I13].
U području privatnosti i zaštite potrošača važan je način na koji se prikupljaju i koriste podaci. FTC-ov zapis navodi različite vrste osobnih i ponašajnih podataka koji se mogu koristiti za individualiziranje potrošačkih cijena [I20]. Direktiva Europske unije uređuje obavještavanje potrošača o personaliziranoj cijeni temeljenoj na automatiziranom odlučivanju [I21].
Reputacijski problem može nastati kada kupci cijenu dožive kao neobjašnjivu ili nepravednu. Dostavljeni izvori opravdavaju govor o transparentnosti, privatnosti i pravednosti, ali ne daju jedinstveni model reputacijskog učinka. Zato se ne treba tvrditi da će određeni algoritam nužno izazvati određenu reputacijsku posljedicu.
Europski akt o umjetnoj inteligenciji u korpusu je prisutan kao normativni zapis, ali konkretni sadržaj relevantnih odredbi nije bio otvoren u ovom prolazu [I22]. Ne treba mu pripisivati precizna pravila o pricing sustavima izvan onoga što je ulaz potvrdio.
20. Zaključak: postoji li jedna optimalna cijena?
AI može izračunati ili odabrati uvjetno optimalnu cijenu unutar zadanog modela potražnje, funkcije cilja, podataka, zalihe, vremenskog horizonta i regulatornog okvira. To je uži, ali održiv odgovor na pitanje iz naslova.
Cijena povezuje vrijednost za kupca, troškove, potražnju i konkurentske uvjete. Troškovni pristup jedna je od sastavnica pricing odluke, ali ne zamjenjuje vrijednosnu i konkurentsku analizu [I4]. Vrijednosno određivanje cijena uzima u obzir procijenjenu vrijednost za kupca, dok procjena spremnosti na plaćanje ovisi o informativnosti značajki [I12]. Elastičnost može varirati po segmentu, sezoni i tržištu [I17]. Funkcija potražnje može uključiti cijenu, proizvode, potrošače i konkurente [I5][I8].
Dinamičko pricing povezuje cijenu sa zalihom, vremenom i stohastičkom potražnjom [I6][I7]. Učenje može pomoći procjeni nepoznate funkcije potražnje [I8][I9][I23]. Reinforcement learning može učiti politiku odluke iz stanja, akcija i nagrada [I13]. No nijedan od tih elemenata sam po sebi ne jamči da je procjena potražnje kauzalno valjana ili da je ostvareni rezultat profit.
Korelacija cijene i prodaje ne identificira nužno kauzalni učinak cijene [I5]. Tvrdnja o očekivanom profitu zahtijeva da model izrijekom uključi relevantne troškove [I6]. Nalaz o nadkompetitivnim cijenama odnosi se na kontrolirani eksperimentalni oligopolistički model, a ne na sva stvarna tržišta [I13]. Regulatorna pitanja razlikuju se prema tržišnom natjecanju, privatnosti, transparentnosti i zaštiti potrošača [I18][I19][I20][I21].
Stoga u okviru modela i tržišnih stanja obuhvaćenih navedenom literaturom optimalna odluka može ovisiti o informacijama, neizvjesnosti, konkurenciji i poslovnim ciljevima. Ne postoji jedna univerzalna cijena neovisna o funkciji cilja, ograničenjima, podacima i vremenskom horizontu.
Najbolji odgovor nije da AI ne može pomoći, nego da pomoć treba tumačiti uvjetno. Algoritam može pronaći optimum zadanog problema. Ne može sam odrediti koji je problem ekonomski, društveno i regulatorno ispravan.
Literatura
Napomena: Registar literature nije dostavljen. Primijenjen je rezervni način. Oznake izvora zadržane su u prozi kao privremeni nosači atribucije, a popis literature donosi provjerene tragove dohvata, ne potpune bibliografske zapise.
[I1] https://books.google.com/books/about/Pricing.html?id=oIe-QgAACAAJ
[I2] https://link.springer.com/book/10.1007/b139000
[I3] https://books.google.com/books/about/The_Strategy_and_Tactics_of_Pricing.html?id=BFkPEAAAQBAJ
[I4] https://www.sciencedirect.com/science/article/pii/S0019850103001524
[I5] https://www.its.caltech.edu/~mshum/gradio/papers/BerryLevinsohnPakes1995.pdf
[I6] https://pubsonline.informs.org/doi/abs/10.1287/mnsc.40.8.999
[I7] https://pubsonline.informs.org/doi/abs/10.1287/mnsc.49.10.1287.17315
[I8] https://www.sciencedirect.com/science/article/pii/S1876735415000021
[I9] https://doi.org/10.1287/opre.1080.0640
[I10] https://pubsonline.informs.org/doi/10.1287/mnsc.2018.3197
[I11] https://pubsonline.informs.org/doi/10.1287/mnsc.2020.3680
[I12] https://pubsonline.informs.org/doi/10.1287/mnsc.2020.3821
[I13] https://swlb2.aeaweb.org/articles?id=10.1257/aer.20190623
[I14] https://pubsonline.informs.org/doi/10.1287/mksc.18.1.1
[I15] https://doi.org/10.1111/joie.12004
[I16] https://hrcak.srce.hr/clanak/98002
[I17] https://hrcak.srce.hr/file/416628
[I18] https://www.oecd.org/en/publications/algorithmic-competition_cb3b2075-en.html
[I21] https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32019L2161
[I22] https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
[I23] https://pubsonline.informs.org/doi/10.1287/opre.2015.1397
[I24] https://www.anderson.ucla.edu/sites/default/files/document/2025-06/algo_pricing_IJRM.pdf
PROVJERA BROJEVA
| Broj ili brojčani podatak u tekstu | Mjesto | Izvor |
|---|---|---|
| Nema brojčanih podataka u proznom tekstu koji nose samostalnu ekonomsku tvrdnju. | Cijeli tekst | — |
Godine i brojevi u oznakama izvora, poveznicama i bibliografskom popisu tretirani su kao bibliografska polja ili interne oznake, a ne kao brojčani podaci u prozi.
PROVJERA LITERATURE
Korak 1: oznake i citati redom pojavljivanja
U prozi se pojavljuju sljedeći citati, redom prvog pojavljivanja:
[I4], [I1], [I3], [I6], [I5], [I14], [I8], [I9], [I23], [I10], [I16], [I12], [I17], [I7], [I13], [I18], [I19], [I21], [I20], [I24], [I2], [I11], [I22].
Različite oznake, abecedno po oznaci:
I1, I10, I11, I12, I13, I14, I15, I16, I17, I18, I19, I2, I20, I21, I22, I23, I24, I3, I4, I5, I6, I7, I8, I9.
Broj različitih citiranih oznaka: 24.
Korak 2: tablica usklađenosti
| Oznaka | Gdje je citirana u tekstu | Zapis u popisu | Odakle dolazi zapis | Status |
|---|---|---|---|---|
| I1 | Poglavlja 2, 4, 5, 17 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I2 | Poglavlja 3, 12, 13, 17 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I3 | Poglavlja 2, 4, 6 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I4 | Poglavlja 1, 2, 4, 6 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I5 | Poglavlja 7, 8, 9, 10, 11 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I6 | Poglavlja 1, 3, 12, 13, 20 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I7 | Poglavlja 2, 12, 13 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I8 | Poglavlja 8, 9, 12, 13, 16, 20 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I9 | Poglavlja 8, 13, 16, 20 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I10 | Poglavlje 9 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I11 | Poglavlja 3, 15, 17 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I12 | Poglavlja 6, 15, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I13 | Poglavlja 10, 11, 16, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I14 | Poglavlja 2, 14 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I15 | Nije citiran u tekstu | Da, kao URL trag | PROVJERENO NA IZVORU | Defekt: zapis bez citata |
| I16 | Poglavlje 9 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I17 | Poglavlje 7 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I18 | Poglavlja 10, 11, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I19 | Poglavlja 10, 11, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I20 | Poglavlja 15, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I21 | Poglavlja 12, 15, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I22 | Poglavlje 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I23 | Poglavlja 8, 13 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
| I24 | Poglavlja 15, 19 | Da, kao URL trag | PROVJERENO NA IZVORU | U rezervnom načinu; privremeni zapis |
Korak 3: usklađivanje s Literaturом
Broj različitih oznaka citiranih u prozi: 24.
Broj zapisa u LiteraturI: 24.
Razlika: zapis [I15] pojavljuje se u LiteraturI, ali nije citiran u prozi.
RUPE U POKRIVENOSTI
-
Nalaz o isporuci — registar literature nije dostavljen. Rad je izrađen u rezervnom načinu. Oznake [I1]–[I24] ostale su u prozi jer bez njih atribucija ne bi bila moguća. Artefakt nije spreman za objavu dok ne stigne registar literature.
-
Sadržajna rupa — definicija markupa. Dostupna provjera ne nosi potvrđenu definiciju. Tvrdnja je izostavljena.
-
Sadržajna rupa — razlika između markupa i marže. Zaključano uklonjeno; tvrdnja nije vraćena.
-
Sadržajna rupa — referentna cijena. Dostupni izvori ne daju potvrđenu definiciju u otvorenom zapisu. Tvrdnja je izostavljena.
-
Sadržajna rupa — učinak čestih sniženja na očekivanja kupaca. Tvrdnja je zaključano uklonjena.
-
Sadržajna rupa — kauzalna identifikacija. Tekst razlikuje korelaciju od kauzalnosti, ali korpus ne sadrži zaseban sustavni izvor o kauzalnoj procjeni cijene u automatiziranom pricingu.
-
Sadržajna rupa — A/B-testiranje. Nema potvrđenog izvora o dizajnu, randomizaciji i etičkim ograničenjima pricing eksperimenata.
-
Sadržajna rupa — višeciljna optimizacija. Korpus ne objedinjuje prihod, profit, maržu, tržišni udio i obrt zalihe u jednom provjerenom modelu.
-
Sadržajna rupa — tehnička validacija. Nedostaju otvoreni metodološki izvori o price censoringu, stockouts, driftu modela i interpretabilnosti.
-
Sadržajna rupa — terenski dokazi algoritamske koluzije. [I13] podupire nalaz u kontroliranom simulacijskom modelu, ali ne opći zaključak o stvarnim tržištima.
-
Sadržajna rupa — regulatorni opseg. Regulatorni izvori obrađuju različite teme i jurisdikcije. Tekst ih razdvaja, ali ne može izvesti jedinstveno regulatorno pravilo.
-
Nalaz o isporuci — STYLE PROFILE nije dostavljen. Primijenjen je generički hrvatski akademski stil prema briefu i uputi za pisanje.
-
Nalaz o isporuci — kontrolna lista iz debate dostavljena je. U nastavku je ispunjena bez dodavanja novih stavki.
-
Sadržajna rupa — izvor [I15] nije iskorišten u prozi. Zapis je izostavljen iz konačne literature radi pravila da svaki emitirani zapis mora biti citiran.
PRIMIJENJENE ZAKLJUČANE ODLUKE
| Odluka | Gdje je vidljiva |
|---|---|
| 9 — izbacivanje tvrdnje o obaveznom štivu | Nije uvedena u tekst |
| 10 — sužavanje definicije cijene | Poglavlje 1 |
| 11 — sužavanje odnosa cijene i troška | Poglavlje 4 |
| 12 — sužavanje cost-plus tvrdnje | Poglavlje 4 |
| 13 — ograničenje cost-plus pristupa | Poglavlje 4 |
| 14 — izbacivanje definicije markupa | Poglavlje 5; definicija nije uvedena |
| 15 — izbacivanje razlike markupa i marže | Poglavlje 5; tvrdnja nije uvedena |
| 19 — sužavanje spremnosti na plaćanje | Poglavlje 6 |
| 28 — sužavanje revenue managementa | Poglavlje 12 |
| 29 — razdvajanje prihoda i profita | Poglavlja 3 i 12 |
| 38 — izbacivanje definicije referentne cijene | Poglavlje 14; definicija nije uvedena |
| 39 — izbacivanje tvrdnje o čestim sniženjima | Poglavlje 14; tvrdnja nije uvedena |
| 42 — sužavanje očekivanog profita | Poglavlja 3 i 20 |
| 43 — sužavanje očekivanog rezultata na očekivani prihod | Poglavlja 3, 12 i 20 |
| 50 — zamjena reference [I24] | Poglavlja 10, 15 i 19; [I24] ostaje kao privremeni nosač zbog izostanka registra |
Kontrolna lista iz debate
| # | Stavka | Status |
|---|---|---|
| 1 | Tvrdnja o jednoj univerzalnoj optimalnoj cijeni pojavljuje se samo uz ogradu o modelu i tržišnim stanjima. | Prošlo |
| 2 | Izraz „u stvarnom tržištu” nije upotrijebljen kao neograničena opća tvrdnja. | Prošlo |
| 3 | Tvrdnja o sposobnosti AI-ja stoji uz uvjet cilja, modela, podataka i ograničenja. | Prošlo |
| 4 | Nigdje se ne tvrdi da AI sam identificira kauzalni učinak cijene. | Prošlo |
| 5 | Očekivani prihod nije preimenovan u očekivani profit. | Prošlo |
| 6 | Tvrdnja o očekivanom profitu povezana je s relevantnim troškovima. | Prošlo |
| 7 | Optimalna cijena povezana je s funkcijom cilja, ograničenjima, podacima i vremenskim horizontom. | Prošlo |
| 8 | Prediktivna točnost, stabilnost i ponašanje izvan uzorka nisu predstavljeni kao provedeni testovi. | Prošlo |
| 9 | Nalaz o nadkompetitivnim cijenama pripisan je kontroliranom eksperimentalnom modelu. | Prošlo |
| 10 | Nigdje se ne tvrdi da reinforcement learning nužno proizvodi koluziju na stvarnim tržištima. | Prošlo |
| 11 | Regulatorne tvrdnje razdvojene su na tržišno natjecanje, privatnost, transparentnost i zaštitu potrošača. | Prošlo |
| 12 | Regulatorne tvrdnje imaju navedene izvore i ograničenja dosega kada su dostupna. | Prošlo |
| 13 | Cost-plus nije prikazan kao potpuna potvrđena definicija modela. | Prošlo |
| 14 | Definicija markupa i razlika markupa i marže nisu uvedene. | Prošlo |
| 15 | Definicija referentne cijene i tvrdnja o čestim sniženjima nisu uvedene. | Prošlo |
| 16 | Poglavlje o potražnji razlikuje predikciju od kauzalne identifikacije. | Prošlo |
| 17 | Eksperimentiranje nije predstavljeno kao metodološki pokriveno A/B-testiranje. | Prošlo |
| 18 | Nedostatak višeciljne optimizacije prijavljen je u rupama. | Prošlo |
| 19 | Nedostatak tehničke validacije prijavljen je u rupama. | Prošlo |
| 20 | Sve tematske cjeline iz dostavljene strukture obrađene su ili prijavljene kao ograničene. | Prošlo |
| 21 | Operacionalizacija stoji u tezi i zaključku, a ne samo u poglavlju o ograničenjima. | Prošlo |
| 22 | Zaključak ne širi nalaze izvan njihova uvedenog opsega. | Prošlo |