synaptiq.art

Nacrt seminarskog rada: Personalizirane cijene u e-commerceu: ekonomska učinkovitost ili cjenovna diskriminacija?

Proces izrade seminarskog rada

  1. 1. Istraživanje
  2. 2. Recenzija literature
  3. 3. Sinteza istraživanja
  4. 4. Kritička rasprava ×3
  5. 5. Nacrt rada
  6. 6. Recenzija nacrta
  7. 7. Seminarski rad
Tekst

1. Jedinstvena cijena kao teorijska referentna točka

Analiza personaliziranog određivanja cijena treba početi od jednostavnijeg modela u kojem se za isti proizvod i iste relevantne transakcijske uvjete svim kupcima prikazuje ista cijena. Takva jedinstvena cijena nije tvrdnja da svi kupci u stvarnoj digitalnoj trgovini nužno imaju jednake troškove dostave, poreze ili druge troškove transakcije. Ona je teorijska referentna točka: omogućuje da se kasnije razlikuje promjena cijene zbog tržišnih uvjeta od promjene cijene koja proizlazi iz informacija o konkretnom kupcu (Belleflamme i Peitz, 2015).

U tom modelu prodavatelj određuje cijenu bez individualnog prilagođavanja prema podacima o pojedincu. Kupci mogu imati različite osobne vrijednosti proizvoda i različitu spremnost na plaćanje, ali im je ponuđena ista osnovna cijena. Razlika između njihove procijenjene vrijednosti i cijene koju plaćaju čini potrošački višak. Dio vrijednosti koji ostaje prodavatelju povezan je s prihodom, troškom i proizvođačkim viškom. Ukupna procjena ekonomskog učinka zato ne može počivati samo na profitu prodavatelja ili samo na cijeni koju plaća pojedini kupac.

Jedinstvena cijena ima i analitičku prednost. Kada se uspoređuje s personaliziranom cijenom, moguće je pitati tko dobiva, tko gubi i mijenja li se ukupni višak. Bez takve početne točke lako je pomiješati nekoliko različitih pojava: promjenu cijene zbog potražnje, razliku između skupina kupaca, popust koji kupac sam odabire i cijenu koja se određuje na temelju individualnog profila. U literaturi o industrijskoj organizaciji jedinstvena cijena zato nije nužno prikaz stvarnog tržišta, nego polazni model za usporedbu različitih strategija određivanja cijena (Varian, 1989).

Važno je i da jedinstvena cijena ne znači odsutnost tržišne moći. Poduzeće može svim kupcima naplaćivati istu cijenu, a ipak imati sposobnost utjecati na cijenu. Obrnuto, postojanje različitih cijena samo po sebi ne dokazuje da je riječ o personalizaciji. Za ekonomsku analizu potrebno je utvrditi na temelju čega je razlika nastala i kakav je njezin učinak na odluku o kupnji.

2. Jedinstvena, dinamička i personalizirana cijena

Dinamičko određivanje cijena znači da se cijena mijenja kao odgovor na promjene potražnje, ponude, zaliha, vremena ili drugih tržišnih uvjeta. Takva promjena ne mora uključivati podatke o pojedinačnom kupcu. Personalizirana cijena, nasuprot tome, povezana je s informacijama o pojedincu ili skupini i pokušajem da se procijeni njihova spremnost na plaćanje. Te se prakse mogu preklapati, ali nisu sinonimi (OECD, 2018).

Ako trgovac promijeni cijenu zato što se promijenila opća potražnja, riječ je o dinamičkom određivanju cijena. Ako različitim korisnicima prikaže različite cijene zato što algoritam procjenjuje da imaju različitu spremnost na plaćanje, riječ je o personaliziranom određivanju cijena. U praksi može postojati i kombinacija: cijena se mijenja zbog tržišne situacije, a zatim se dodatno prilagođava prema korisničkom profilu.

Europski potrošački okvir posebno razlikuje čisto dinamičko ili stvarnovremensko određivanje cijena od cijene personalizirane automatiziranim odlučivanjem. Obveza informiranja o personalizaciji ne odnosi se na svaku promjenu cijene tijekom vremena. Razlika je važna jer potrošač kod opće promjene cijene može uspoređivati ponudu s drugim kupcima, dok kod individualizacije može biti izložen cijeni koja se temelji na informacijama koje drugi kupci ne vide (Directive (EU) 2019/2161).

Treća kategorija jest personalizirano rangiranje. Trgovac može prikazivati proizvode, prodavatelje ili ponude različitim redoslijedom, a da pritom ne prikazuje različitu cijenu za isti proizvod. Europska studija pronašla je mnogo personaliziranog rangiranja, ali nije pronašla dosljedan i sustavan obrazac individualiziranih cijena u promatranim situacijama (European Commission, 2018). Zato opažanje da korisnici dobivaju različite rezultate pretraživanja ne predstavlja samo po sebi dokaz cjenovne diskriminacije.

Razlikovanje tih pojmova određuje i izbor dokaza. Za personaliziranu cijenu potrebno je ispitati cijenu koja je ponuđena konkretnom korisniku. Za rangiranje treba ispitati redoslijed ponude. Za dinamičko određivanje cijena treba analizirati promjene tržišnih uvjeta. Jedna se pojava ne smije koristiti kao zamjena za drugu.

3. Tržišna moć i uvjeti za različite cijene

Cjenovna diskriminacija u ekonomskom smislu pretpostavlja mogućnost da prodavatelj različitim kupcima naplati različite cijene ili da ih navede na izbor različitih ponuda. Za to nije dovoljna sama informacija o kupcu. Potrebna je i određena tržišna moć, odnosno sposobnost da se cijena ili ponuda oblikuje tako da ne bude odmah poništena konkurencijom.

Ako kupci mogu bez većih troškova prijeći drugom prodavatelju, usporediti cijene i preprodati proizvod, mogućnost održavanja različitih cijena je ograničena. Ako su proizvodi diferencirani, usporedba je teža, a prodavatelj može imati veći prostor za prilagodbu cijena. U digitalnoj trgovini dodatne informacije mogu olakšati segmentaciju, ali ne uklanjaju nužno konkurentski pritisak.

Informacije o korisniku mogu pomoći prodavatelju da predvidi tko je osjetljiv na cijenu, tko pokazuje snažan interes za proizvod i tko bi mogao prihvatiti višu cijenu. Međutim, sama predikcija ne određuje konačni ishod. Prodavatelj još mora odabrati strategiju, uzeti u obzir konkurente, trošak proizvodnje i mogućnost da kupac promijeni platformu.

Bergemann, Brooks i Morris pokazuju da dodatne informacije o preferencijama ne proizvode automatski jedan ishod za potrošački višak. Informiraniji prodavatelj može bolje razdvojiti skupine kupaca i povećati prisvajanje vrijednosti, ali ukupni višak ne može prijeći višak koji proizlazi iz učinkovite trgovine pod danim uvjetima (Bergemann i sur., 2015). Pitanje zato nije samo može li poduzeće razlikovati kupce, nego kako se ta sposobnost uklapa u tržišnu strukturu.

U konkurentskoj digitalnoj trgovini personalizirano određivanje cijena može biti ograničeno i mogućnošću kupca da usporedi ponude. Transparentnost tržišta pritom ima dvostruku ulogu. Ona može otežati održavanje viših cijena za informirane kupce, ali može i povećati vrijednost podataka ako prodavatelju omogućuje preciznije ciljanje ponuda.

4. Prvi, drugi i treći stupanj cjenovne diskriminacije

Klasična teorija razlikuje cjenovnu diskriminaciju prvog, drugog i trećeg stupnja. Prvi stupanj odnosi se na pokušaj da se svakom kupcu naplati cijena bliska njegovoj procijenjenoj maksimalnoj spremnosti na plaćanje. Drugi stupanj temelji se na samoselekciji: prodavatelj nudi različite količine, pakete, verzije ili razine kvalitete, a kupci sami biraju opciju. Treći stupanj odnosi se na različite cijene za skupine koje se razlikuju prema potražnji ili elastičnosti (Matić, 1999; Varian, 1989).

Prvi stupanj najbliži je suvremenoj ideji personalizirane cijene, ali stvarni algoritam ne opaža izravno maksimalnu cijenu koju bi pojedinac platio. On koristi podatke iz kojih procjenjuje spremnost na plaćanje. Ta procjena može biti nesigurna, može se mijenjati i može biti pod utjecajem samog načina na koji se ponuda prikazuje.

Drugi stupanj uključuje mehanizme koji kupcu nude izbor. Količinski popusti, različiti paketi, pretplate ili verzije proizvoda mogu potaknuti kupce da se sami razvrstaju prema spremnosti na plaćanje. Program vjernosti može imati elemente samoselekcije, ali nije svaka pogodnost za članove programa individualizirana cijena. Ako svi članovi iste skupine dobivaju isti uvjet, riječ je prije o skupnoj ili segmentnoj cijeni nego o individualnoj personalizaciji.

Treći stupanj također počiva na segmentaciji. Studenti, umirovljenici ili druge prepoznatljive skupine mogu dobiti drugačiju cijenu od ostalih kupaca. To nije ista pojava kao algoritamska cijena za pojedinca. Kod trećeg stupnja prodavatelj razvrstava kupce u skupine, dok kod individualiziranog određivanja cijena pokušava iskoristiti detaljniji profil.

Digitalne platforme mogu kombinirati te oblike. Korisniku mogu prikazati individualnu cijenu, ponuditi mu izbor paketa i smjestiti ga u određeni segment. Zbog toga teorijska klasifikacija ostaje korisna, ali se ne smije automatski pretvoriti u tvrdnju da suvremeni algoritmi provode savršenu diskriminaciju prvog stupnja.

5. Samoselekcija, segmentacija i arbitrage

Samoselekcija je važna zato što prodavatelj ne mora izravno znati vrijednost svakog kupca. Umjesto toga može oblikovati ponudu tako da kupci s različitim preferencijama biraju različite opcije. Takav mehanizam smanjuje potrebu za savršenom informacijom, ali može stvoriti i nove probleme. Kupac može izabrati jeftiniju opciju čak i kada bi bio spreman platiti više, a prodavatelj mora odlučiti koliko će se opcije razlikovati.

Segmentacija je drukčija. Kod nje prodavatelj ili platforma razvrstava korisnike u skupine na temelju opaženih obilježja ili predviđenog ponašanja. Lokacija, korisnički račun, uređaj ili povijest ponašanja mogu poslužiti kao osnova za takvo razvrstavanje. Međutim, u digitalnom okruženju svaki signal može biti višeznačan. Lokacija može biti povezana s troškovima dostave, porezima ili tržišnim uvjetima, ali sama razlika u cijeni ne pokazuje koji je mehanizam djelovao.

Arbitrage ograničava mogućnost održavanja različitih cijena. Ako kupac koji vidi nižu cijenu može lako kupiti proizvod i preprodati ga kupcu koji je vidio višu cijenu, razlika se može smanjiti. U digitalnoj trgovini takva je mogućnost različita ovisno o vrsti proizvoda, uvjetima kupnje, identitetu korisnika i ograničenjima računa. Dostupni materijal daje teorijsku podlogu za arbitrage, ali ne pruža detaljan suvremeni model prekogranične digitalne arbitraže.

Zato se o arbitrageu treba govoriti oprezno. Nije dovoljno tvrditi da će kupci uvijek izjednačiti cijene, ali nije opravdano ni pretpostaviti da prodavatelj može trajno naplatiti svaku cijenu koju algoritam predvidi. Mogućnost usporedbe i prijenosa informacija čini razliku između ponude vidljivom, dok tehničke i ugovorne prepreke mogu otežati potpuno izjednačavanje.

6. Digitalni podaci o kupcu

Personalizirano određivanje cijena oslanja se na podatke koji prodavatelju mogu pomoći u procjeni interesa, osjetljivosti na cijenu ili vjerojatnosti kupnje. U dostupnoj literaturi spominju se povijest kupnje, povijest pregledavanja, korisnički računi, uređaj, operacijski sustav, kolačići, lokacija i pristupni kanal. Takvi se podaci mogu koristiti za segmentaciju ili za procjenu spremnosti na plaćanje (OECD, 2018; European Commission, 2018; Hannak i sur., 2014).

Povijest kupnje može pokazati prethodni interes ili odnos prema određenoj kategoriji proizvoda. Povijest pregledavanja može pokazati koje proizvode korisnik razmatra, ali ne nužno i koliko ih vrednuje. Uređaj ili pristupni kanal mogu biti povezani s drugim obilježjima korisnika, ali njihovo značenje nije jednoznačno. Lokacija može biti relevantna zbog tržišta na kojem se transakcija odvija, no može biti i samo posredni signal.

Podaci zato nisu isto što i izravna mjera spremnosti na plaćanje. Oni su ulazi u procjenu. Algoritam iz njih može izvesti predviđanje, ali otvoreni izvori ne opravdavaju tvrdnju da konkretni algoritam točno zna maksimalnu cijenu koju bi pojedini kupac platio. Opažena razlika između korisnika može nastati i zbog zaliha, poreza, tehničkih razlika ili drugih izvora šuma (Hannak i sur., 2014).

Empirijsko mjerenje dodatno je otežano zato što istraživač ne vidi nužno sve informacije koje platforma koristi. Mystery shopping ili usporedba više računa može pokazati razlike, ali ne mora uvijek otkriti njihov uzrok. Europska studija zato razlikuje utvrđeno personalizirano rangiranje od nedosljednih opažanja cijena. Zaključak mora biti ograničen na ono što je istraživački dizajn mogao izdvojiti.

7. Profiliranje i procjena spremnosti na plaćanje

Profiliranje je automatizirana obrada osobnih podataka radi procjene ili predviđanja osobnih aspekata, uključujući ponašanje, interese, lokaciju ili ekonomsku situaciju. U kontekstu cijena profil može poslužiti za procjenu vjerojatnosti kupnje ili osjetljivosti na cijenu. To ne znači da je procjena nužno točna, niti da se promatrano ponašanje može bez ostatka pretvoriti u ekonomsku vrijednost.

Spremnost na plaćanje označuje maksimalnu cijenu pri kojoj je potrošač još spreman kupiti proizvod. U istraživanjima preporučivačkih sustava ona se može mjeriti kao procjena potrošača ili kao ishod eksperimentalne situacije. Preporuke mogu utjecati na to kako potrošač procjenjuje vlastitu spremnost na plaćanje, čak i kada je neizvjesnost o proizvodu smanjena (Adomavicius i sur., 2018).

To je važno za odnos između mjerenja i oblikovanja potražnje. Algoritam možda ne samo da procjenjuje već postojeću spremnost na plaćanje, nego može utjecati i na okolnosti u kojima se ta spremnost oblikuje. Preporuka, redoslijed proizvoda, opis kvalitete i usporedba s drugim ponudama mogu promijeniti percepciju vrijednosti. Iz toga ipak ne slijedi da svaki preporučivački sustav određuje individualnu cijenu.

Personalizirana cijena mora se razlikovati od personaliziranog proizvoda ili kvalitete. Ghose i Huang analiziraju model u kojem se cijena i kvaliteta mogu zajedno prilagođavati spremnosti potrošača na plaćanje. U takvom slučaju potrošač ne dobiva samo drukčiji iznos za isti proizvod, nego može dobiti drukčiju kombinaciju cijene i kvalitete (Ghose i Huang, 2009). To proširuje analizu, ali i otežava jednostavnu usporedbu cijena.

Ekonomski je zato korisno odvojiti tri pitanja: koje podatke prodavatelj koristi, što iz njih pokušava predvidjeti i mijenja li zatim samo cijenu ili i samu ponudu. Dostupni izvori omogućuju analizu tih ekonomskih funkcija, ali ne nose tehničku usporedbu različitih arhitektura strojnog učenja.

8. Strojno učenje i ograničenja algoritamske procjene

Strojno učenje u dostupnom je materijalu relevantno prvenstveno zato što omogućuje izgradnju personaliziranih cijena iz podataka o potražnji. Dubé i Misra opisuju terensku procjenu u kojoj su pomoću strojnog učenja konstruirane personalizirane cijene, a zatim uspoređeni profit, potrošački višak i ponašanje potrošača u odnosu na jedinstvene cijene (Dubé i Misra, 2023).

Ovaj nalaz ne treba širiti u tvrdnju da svi algoritmi mogu precizno predvidjeti individualnu spremnost na plaćanje. U otvorenim izvorima nema dovoljno materijala za usporedbu konkretnih AI arhitektura, za validaciju njihove točnosti na svim stvarnim tržištima ili za detaljnu analizu pristranosti pojedinih modela. Te teme ostaju izvan dosega ovog rada.

Algoritam također može učiti iz podataka koji već sadrže ranije poslovne odluke. Ako su različite skupine kupaca u prošlosti dobivale različite ponude, model može takve obrasce koristiti kao prediktore. To samo po sebi ne pokazuje nezakonitu diskriminaciju, ali pokazuje zašto ekonomska procjena algoritma mora razlikovati prediktivnu uspješnost, uzročni učinak i normativnu prihvatljivost.

Metodološki problem javlja se i pri promatranju razlika među korisnicima. Hannak i suradnici pokazuju da usporedba različitih korisničkih računa, kolačića, preglednika, operacijskih sustava, povijesti kupnje i povijesti pregleda može otkriti oblike personalizacije. Istodobno, razlike mogu nastati zbog zaliha, poreza, tehničkih razlika i drugih uzroka. Zato algoritamski nalaz mora izolirati korisnički profil od drugih objašnjenja.

U ekonomskom smislu najvažnije pitanje nije može li model biti složen, nego što složenost omogućuje prodavatelju. Ako model bolje razlikuje potrošače, može povećati profit ili preciznije ponuditi popust. Međutim, učinak na ukupni višak ovisi o tome povećava li se broj transakcija, mijenja li se raspodjela cijena i kako se potrošači ponašaju nakon što otkriju personalizaciju.

9. Potrošački višak i prisvajanje vrijednosti

Potrošački višak predstavlja razliku između vrijednosti koju potrošač pripisuje proizvodu i cijene koju plaća. Kada prodavatelj bolje procijeni spremnost na plaćanje, može pokušati naplatiti višu cijenu potrošaču čija je procijenjena vrijednost veća. Time se dio viška može prenijeti od kupca prema prodavatelju.

Takav prijenos ne znači automatski da je transakcija postala neučinkovita. Ako se proizvod i dalje prodaje potrošaču koji ga vrednuje više od troška proizvodnje, trgovina može ostati učinkovita, iako je raspodjela viška drukčija. Zato je potrebno razlikovati alokacijsku učinkovitost od raspodjele koristi između kupca i prodavatelja.

Personalizirane cijene mogu povećati profit prodavatelja. Dubé i Misra u terenskoj procjeni nalaze rast profita, ali i pad ukupnog potrošačkog viška. Istodobno, više od šezdeset posto potrošača može imati korist. Taj nalaz odnosi se na konkretni terenski kontekst i ne smije se prenijeti na sve oblike personaliziranog određivanja cijena (Dubé i Misra, 2023).

Ovdje se pojavljuje središnja napetost rada. Ako dio potrošača plaća manje, to može izgledati kao korist za dostupnost proizvoda. Ako drugi potrošači plaćaju više, prosječni ili ukupni potrošački višak može se smanjiti. Ako prodavatelj ostvaruje veći profit, to je promjena proizvođačkog viška, ali nije sama po sebi dokaz rasta ukupnog viška.

Analiza zato treba zasebno navesti: promjenu profita, promjenu potrošačkog viška, raspodjelu koristi među kupcima i promjenu ukupnog viška. Nijedna od tih mjera ne može zamijeniti drugu.

10. Tržišno pokriće i pristup potrošača

Personalizirano određivanje cijena može imati učinak koji nije samo redistributivan. U određenim konkurentskim uvjetima cijena može biti prilagođena tako da proizvod postane dostupan dijelu potrošača koji ga pri jedinstvenoj cijeni ne bi kupio. Zaključak mora ipak ostati uvjetan.

Rhodes i Zhou u općem oligopolskom modelu povezuju učinke personaliziranih cijena s tržišnim pokrićem. Pri visokom tržišnom pokriću personalizirane cijene mogu koristiti potrošačima, dok pri niskom pokriću može nastati suprotan ishod. Ne treba iz toga izvesti opću tvrdnju da će svaki kupac s nižom spremnošću na plaćanje dobiti pristup proizvodu (Rhodes i Zhou, 2024).

Tržišno pokriće označuje opseg u kojem poduzeća opslužuju potencijalne kupce. Ono nije isto što i tržišni udio jednog poduzeća. Više pokrivenih kupaca može značiti da se na tržištu obavlja više transakcija, ali ne govori samo po sebi kako je prihod raspoređen među poduzećima.

U konkurentskom okruženju personalizacija može djelovati na više načina. Poduzeće može ponuditi popust kupcu koji je osjetljiv na cijenu, ali može i povisiti cijenu kupcu za kojeg procjenjuje da će teško prijeći drugom prodavatelju. Ako konkurenti također koriste podatke, njihov pristup informacijama i strategija mogu promijeniti ishod.

Zato se korist za potrošače ne smije izjednačiti s povećanjem tržišnog pokrića. To su povezane, ali odvojene dimenzije. Tržišno pokriće može rasti, a da se višak među postojećim kupcima redistribuira na način koji neki od njih smatraju nepovoljnim. Obratno, potrošači mogu dobiti niže cijene u pojedinačnim transakcijama, a ukupni višak može se smanjiti.

11. Konkurencija i različiti modeli blagostanja

Učinak personaliziranih cijena na potrošače ovisi o tržišnoj strukturi. Model monopola daje drukčiji rezultat od modela u kojem se više poduzeća natječe za iste kupce. Važni su i trošak proizvodnje, broj poduzeća, tržišno pokriće i raspodjela pristupa podacima.

Bergemann, Brooks i Morris pokazuju da dodatne informacije mogu omogućiti različite kombinacije proizvođačkog i potrošačkog viška. Informiraniji prodavatelj može bolje prilagoditi cijene, ali to ne znači da će ukupni višak nužno pasti ili rasti u istom smjeru u svim modelima. Zaključak ovisi o pretpostavkama modela.

Rhodes i Zhou posebno naglašavaju da konkurencija mijenja predznak učinka personaliziranih cijena. Pri jednom stupnju tržišnog pokrića personalizacija može pogodovati poduzećima, a pri drugom može koristiti potrošačima. Ovaj modelni nalaz nije izravna prognoza ponašanja svake digitalne platforme, nego pokazuje zašto se rezultat ne može odvojiti od strukture tržišta.

Funkcija društvenog blagostanja dodatno mijenja interpretaciju. Ako se gleda samo ukupni višak, važna je suma koristi i troškova. Ako se gleda raspodjela, važna je i činjenica da neki potrošači plaćaju više, a drugi manje. Ako se gleda pristup, može biti važno to što novi kupci ulaze na tržište. Nijedno od tih mjerila nije samo po sebi potpuno.

Glavni zaključak je zato uvjetan: personalizirane cijene mogu redistribuirati višak prema prodavatelju, dok pod određenim konkurentskim i tržišnim uvjetima mogu koristiti dijelu potrošača. To još ne znači da povećavaju ukupnu ekonomsku učinkovitost. Da bi se takav zaključak opravdao, potrebno je jasno definirati mjerilo učinkovitosti i pokazati kako se ono mijenja.

12. Percipirana pravednost cijene

Ekonomska učinkovitost i percipirana pravednost nisu ista analitička dimenzija. Ekonomska analiza može pokazati promjenu profita, potrošačkog viška, ukupnog viška ili tržišnog pokrića. Percepcija pravednosti odnosi se na to kako potrošač procjenjuje odnos između cijene koju plaća, cijene koju plaćaju drugi, razloga za razliku i podataka koji su korišteni.

Eksperimentalni izvori pokazuju da se individualne cijene mogu procjenjivati kao manje pravedne od segmentnih cijena. Učinak može ovisiti o tome temelji li se razlika na lokaciji ili povijesti kupnje te o razini privatnosne zabrinutosti potrošača (Priester i sur., 2020).

To znači da ekonomski povoljna cijena ne uklanja nužno problem pravednosti. Potrošač može dobiti nižu cijenu, ali negativno reagirati na spoznaju da je cijena određena individualno. Hufnagel, Schwaiger i Weritz nalaze da se negativne reakcije mogu pojaviti i kod cjenovno favoriziranih i kod cjenovno oštećenih potrošača. Ključni posrednik pritom je percepcija pravednosti (Hufnagel i sur., 2022).

Takav nalaz ne treba pretvoriti u tvrdnju da će svaki potrošač odustati od kupnje. Percepcija nepravde, negativna reakcija, smanjenje povjerenja i stvarna promjena kupovnog ponašanja nisu isti ishodi. Istraživanje može mjeriti jedan od njih, a ne nužno sve.

Pravednost je važna i zbog dugoročnih ekonomskih posljedica. Ako potrošači smatraju da platforma koristi skrivene podatke za naplatu viših cijena, mogu promijeniti način pretraživanja, ograničiti otkrivanje podataka ili prijeći drugom prodavatelju. Dostupni izvori daju potporu analizi percepcije i reakcija, ali ne nose potpunu procjenu dugoročne lojalnosti u svim oblicima e-trgovine.

13. Usporedivost cijena i transparentnost

Digitalna trgovina olakšava usporedbu ponuda, ali personalizacija može otežati usporedbu cijena među korisnicima. Ako svaki kupac vidi drukčiju cijenu ili drukčiji redoslijed ponude, korisnik ne zna nužno je li ponuda koju vidi opća ili individualizirana.

Transparentnost ima najmanje dva značenja. Prvo, potrošač može biti obaviješten da je cijena personalizirana. Drugo, potrošač može razumjeti koji su podaci korišteni i kako su utjecali na cijenu. Pravna obveza informiranja o činjenici personalizacije ne znači automatski pravo na potpuno tehničko objašnjenje modela.

Europska komisija u svojoj studiji pokazuje da se personalizirano rangiranje može pojaviti i kada nema dosljednog obrasca personaliziranih cijena. To znači da obavijest o rangiranju i obavijest o cijeni ne rješavaju isti problem. Potrošač može znati da mu se prikazuje personalizirani redoslijed, ali i dalje ne znati je li cijena proizvoda individualno određena.

OECD-ov laboratorijski eksperiment o obavijestima u Irskoj i Čileu pokazao je ograničen učinak različitih obavijesti na prepoznavanje i razumijevanje personalizacije, bez potvrđenog značajnog učinka na kupovno ponašanje. Rezultat ne znači da je svaka transparentnost neučinkovita, nego da sama formalna obavijest možda nije dovoljna zaštita (OECD, 2021).

Oblik, vidljivost i trenutak obavijesti mogu utjecati na njezin učinak. Međutim, dostupni materijal ne dopušta opći zaključak o tome koji model obavještavanja najbolje štiti potrošače u svim digitalnim trgovinama.

14. Transparentnost kao ograničen regulatorni lijek

Obavještavanje može potrošaču dati informaciju koja mu je potrebna za procjenu ponude. Ipak, obavijest sama po sebi ne mijenja nužno informacijski položaj potrošača. Ako kupac ne zna koje podatke trgovac posjeduje, kako su podaci povezani s cijenom i koju bi cijenu dobio u drugom profilu, formalna informacija može ostati ograničene praktične vrijednosti.

Usto, potrošači ne donose odluke samo na temelju cjenovne usporedbe. Važni mogu biti vrijeme, navika, povjerenje u platformu, dostupnost proizvoda i trošak prelaska drugom prodavatelju. Zato transparentnost može biti potrebna, ali nije nužno dovoljna za informirani izbor.

Nalazi Europske komisije i OECD-a nisu međusobno jednostavno suprotstavljeni. Jedan izvor govori o prepoznavanju personaliziranog rangiranja, a drugi o razumijevanju personaliziranih cijena i ponašanju u laboratorijskom okruženju. Razlika između rangiranja i cijene, kao i razlika u obliku obavijesti, može objasniti zašto rezultati nisu jednaki.

Za ekonomsku analizu bitno je odvojiti učinak informacije od učinka cijene. Obavijest može povećati svijest, ali ne mora smanjiti cijenu. Može potaknuti usporedbu, ali ne mora promijeniti kupnju. Može povećati nepovjerenje, ali ne mora smanjiti profit. Svaki od tih ishoda treba mjeriti odvojeno.

Transparentnost je zato ograničeni regulatorni instrument. Ona može povećati vidljivost prakse, ali ne rješava automatski pitanje pravičnosti, privatnosti, tržišne moći ili distribucije viška.

15. Privatnost kao ekonomski resurs i trošak

Podaci imaju ekonomsku vrijednost za prodavatelja zato što mogu poboljšati procjenu potražnje, segmentaciju i oblikovanje ponude. Ta vrijednost nije u dostupnom materijalu izražena jedinstvenim novčanim iznosom. Literatura analizira poticaje za prikupljanje podataka, koristi od kontrole nad otkrivanjem i troškove privatnosti, ali ne daje jednu opću cijenu osobnih podataka.

Za prodavatelja podaci mogu smanjiti neizvjesnost o preferencijama ili pomoći u razlikovanju korisnika. Za potrošača otkrivanje podataka može imati korist ako omogući nižu cijenu ili relevantniju ponudu, ali može imati i trošak ako omogući višu cijenu, neželjeno profiliranje ili gubitak kontrole nad informacijama.

Ali, Lewis i Vasserman pokazuju da mogućnost potrošača da kontrolira otkrivanje podataka može povećati blagostanje u odnosu na jedinstvenu cijenu i savršenu cjenovnu diskriminaciju. U njihovom teorijskom okviru privatnost nije samo prepreka poslovnom modelu, nego i instrument kojim potrošač može utjecati na informacijski odnos s prodavateljem (Ali i sur., 2023).

Chen i Zhang, međutim, pokazuju da regulatorna kontrola praćenja može imati neočekivane učinke. Udio privatnosno osjetljivih potrošača i struktura tržišta mijenjaju poticaj poduzeća za uvođenje personaliziranih cijena. Zbog toga kontrola nad praćenjem nije nužno povezana s manjim opsegom personalizacije u svakom modelu (Chen i Zhang, 2026).

Ekonomska vrijednost podataka zato treba biti analizirana kroz funkcije i poticaje, a ne predstavljena kao već izračunata novčana veličina. U ovom radu nije kvantificirano koliko poduzeće dobiva, a potrošač gubi ili dobiva razmjenom podataka za personaliziranu cijenu.

16. Dobrovoljno i strateško otkrivanje podataka

Potrošač nije nužno pasivni objekt algoritamske procjene. Ako zna ili pretpostavlja da podaci utječu na cijenu, može odlučiti koje će podatke otkriti. Može izostaviti određeni podatak, koristiti drukčiji račun, promijeniti način pristupa ili dati odgovor koji ne odražava njegove stvarne preferencije.

Ali i suradnici analiziraju dobrovoljno otkrivanje podataka u uvjetima personaliziranih cijena. Mogućnost selektivnog otkrivanja može promijeniti ravnotežu između jedinstvene cijene, personalizacije i potrošačkog viška. Učinak ovisi o tržišnoj strukturi i tehnologiji otkrivanja.

Eksperimentalni rad Bóa, Chena i Hakimova pokazuje da potrošači mogu strateški manipulirati podacima, ali i da njihova sposobnost zaštite privatnosti ovisi o tome razumiju li vezu između podatka i cijene. Ako korisnik ne zna koji podatak ima ekonomsku važnost, njegova formalna mogućnost kontrole ne mora biti stvarno učinkovita (Bó i sur., 2024).

Ovdje se pojavljuje asimetrija informacija. Prodavatelj može imati više podataka i bolji model, dok kupac zna samo da se njegovo ponašanje prati. Ako potrošač ne zna kako se podaci upotrebljavaju, teško može strateški reagirati. Ako razumije model samo djelomično, može pokušati promijeniti podatke na način koji ne donosi korist ili čak otežava dobivanje relevantne ponude.

Privatnost je zato povezana s pregovaračkom pozicijom. Kontrola nad podacima može povećati potrošački višak, ali njezin učinak nije automatski. Ovisi o tome što se kontrolira, koliko potrošač razumije posljedice i kako prodavatelj reagira na smanjenu dostupnost informacija.

17. GDPR, profiliranje i automatizirano odlučivanje

Personalizirano određivanje cijena često uključuje obradu podataka povezanih s korisnikom. Prema GDPR-u, važni su pravna osnova obrade, transparentnost, ograničenje svrhe i primjena načela nužnosti. Profiliranje predstavlja zasebno relevantan oblik automatizirane obrade jer se njime procjenjuju ili predviđaju osobni aspekti.

Međutim, nije svaka personalizirana cijena automatski odluka obuhvaćena pravilom o automatiziranom individualnom odlučivanju. Članak 22. GDPR-a odnosi se na odluke temeljene isključivo na automatiziranoj obradi koje proizvode pravne učinke ili sličan značajan učinak, uz iznimke propisane samim pravilom (Regulation (EU) 2016/679).

Ova je razlika važna za ekonomsku analizu. Obrada podataka može biti pravno relevantna i prije nego što nastane odluka sa značajnim učinkom. S druge strane, ne treba svaku preporuku, rangiranje ili individualizirani iznos automatski proglasiti odlukom iz članka 22. Primjena ovisi o konkretnom obliku obrade i učinku na osobu.

Pseudonim ili kolačić također ne znači automatski da obrada nije povezana s osobnim podacima. Jedinstveni identifikator može biti relevantan ako omogućuje povezivanje ponašanja s određenim korisnikom ili profilom (Zuiderveen Borgesius i Poort, 2017).

GDPR zato ne daje jednostavan odgovor na pitanje jesu li personalizirane cijene dopuštene. On uređuje obradu podataka, transparentnost i određene vrste automatiziranih odluka. Ekonomska i pravna analiza moraju zasebno razmotriti cijenu, podatke, profiliranje, učinak odluke i pravnu osnovu obrade.

18. Potrošačko pravo i nepoštene poslovne prakse

Personalizirana cijena nije sama po sebi automatski nepoštena poslovna praksa. Prema pravilima o nepoštenim poslovnim praksama, važni su način prikazivanja, obmanjujuće informacije, prikrivanje komercijalne namjere i mogući utjecaj na ekonomsku odluku potrošača (Directive 2005/29/EC).

Problem može nastati ako se potrošaču prešutno prikaže individualizirana cijena kao da je opća tržišna cijena. Problem može nastati i ako se podaci koriste na način koji potrošaču onemogućuje razumijevanje ponude ili iskorištava njegovu ranjivost. Pravna ocjena pritom ovisi o konkretnom kontekstu i mogućem učinku na transakcijsku odluku.

Direktiva koja modernizira pravila zaštite potrošača uvodi obvezu informiranja kada je cijena personalizirana automatiziranim odlučivanjem. Ta obveza treba potrošaču otkriti činjenicu personalizacije. Ona sama po sebi ne određuje da potrošač mora dobiti isti iznos kao drugi kupci niti zahtijeva potpuno tehničko objašnjenje algoritma (Directive (EU) 2019/2161).

Takav pristup razlikuje transparentnost od zabrane. Pravo može dopustiti različite cijene, ali zahtijevati da potrošač zna da razlika postoji. To ostavlja otvorenim pitanja pravednosti, tržišne moći i učinka na potrošački višak. Informacija može pomoći usporedbi, ali ne rješava automatski neravnotežu podataka.

Zaštita ranjivih potrošača dodatno ograničava analizu. Sama uporaba podataka ili AI-ja ne znači automatsku nezakonitost, ali manipulativna uporaba ili iskorištavanje ranjivosti koje može prouzročiti značajnu štetu mogu biti pravno relevantni.

19. AI Act, tržišno natjecanje i granice rada

Akt o umjetnoj inteligenciji usmjeren je na rizike i zabranjene prakse povezane s manipulacijom, obmanom i iskorištavanjem ranjivosti. Sama uporaba AI sustava za procjenu spremnosti na plaćanje ne znači automatsku nezakonitost. Važni su cilj uporabe, učinak, ranjivost i moguća značajna šteta (Regulation (EU) 2024/1689).

Algoritamsko određivanje cijena treba razlikovati i od algoritamskog koludiranja. Algoritam može pomoći individualizaciji cijena, ali analiza koluzije postavlja drugo pitanje: olakšava li tehnologija usklađivanje konkurenata ili smanjuje neizvjesnost o njihovim strategijama. CMA-ov rad obuhvaća oba područja, ali nije zamjena za potpunu pravnu analizu svakog pojedinačnog slučaja (Competition and Markets Authority, 2018).

Dostupna literatura daje okvir za konkurenciju, zaštitu podataka, potrošačko pravo i AI, ali ne pokriva detaljno hrvatsku regulatornu provedbu, hrvatsku sudsku praksu ni detaljnu primjenu članka 102. UFEU-a na algoritamske personalizirane cijene. Zaključke zato treba ograničiti na EU okvir i opći policy kontekst.

To ograničenje nije formalnost. Pravo EU-a može postaviti obvezu informiranja, pravila o obradi podataka i zabrane određenih manipulativnih praksi, ali način provedbe ovisi o nacionalnim institucijama i konkretnim činjenicama. U ovom radu nije moguće zaključiti kako bi hrvatska tijela riješila svaki slučaj personaliziranog određivanja cijena.

Regulatorna analiza stoga treba odgovoriti na uža pitanja: kada je potrebna informacija o personalizaciji, kada je obrada podataka pravno relevantna, kada praksa može biti obmanjujuća ili manipulativna i zašto transparentnost nije potpuni lijek. Šira tvrdnja o konačnom regulatornom razvoju ne bi bila pokrivena.

20. Završna procjena: učinkovitost ili preciznije prisvajanje viška?

Personalizirano određivanje cijena ima dvije moguće ekonomske funkcije. Prva je preciznije prisvajanje potrošačkog viška. Ako prodavatelj bolje procijeni spremnost na plaćanje, može naplatiti višu cijenu dijelu kupaca ili preoblikovati ponudu tako da veći dio vrijednosti ostane prodavatelju. Druga je proširenje tržišta. U određenim konkurentskim uvjetima personalizacija može omogućiti nižu cijenu dijelu kupaca i povećati njihovu mogućnost kupnje.

Te funkcije mogu postojati istodobno. Terenska procjena Dubéa i Misre pokazuje rast profita, pad ukupnog potrošačkog viška i korist za više od šezdeset posto potrošača u konkretnom kontekstu. Taj rezultat znači da korist dijela kupaca može koegzistirati s redistribucijom viška prema prodavatelju i padom ukupnog potrošačkog viška. Ne znači da je svaki oblik personalizacije takav.

Model Rhodesa i Zhoua pokazuje drukčiji uvjetni ishod. Pri visokom tržišnom pokriću personalizirane cijene mogu koristiti potrošačima, dok predznak učinka ovisi o konkurenciji i drugim modelnim uvjetima. Teorijski rad Bergemanna, Brooksa i Morrisa dodatno pokazuje da informacije ne vode automatski jednom rezultatu za blagostanje.

Odgovor na pitanje iz naslova zato ne može biti opća presuda. Personalizirano određivanje cijena može povećati profit i preciznije prisvojiti potrošački višak. Može također omogućiti niže cijene nekim potrošačima i, pod određenim uvjetima, povećati tržišno pokriće. Učinak na ukupnu ekonomsku učinkovitost nije jednoznačan.

Zaključak o učinkovitosti ovisi o tome kako se definiraju i mjere ukupni višak, potrošački višak, proizvođački višak, tržišno pokriće i funkcija društvenog blagostanja. To nije naknadna ograda, nego dio same teze. Korist pojedinih kupaca nije isto što i rast ukupnog viška. Veći profit nije isto što i društvena učinkovitost. Niža cijena za dio korisnika nije isto što i pravedan sustav.

Najoprezniji zaključak glasi: personalizirane cijene mogu biti instrument i redistribucije i proširenja tržišta, ali njihova ekonomska vrijednost ovisi o tržišnoj strukturi, kvaliteti i uporabi podataka, konkurenciji, transparentnosti i načinu mjerenja blagostanja. U dostupnom korpusu nema osnove za tvrdnju da personalizacija općenito povećava ili općenito smanjuje učinkovitost. Ona prije svega prodavatelju daje precizniji instrument upravljanja cijenom, a konačni učinak treba procijeniti prema tome tko dobiva, tko gubi, povećava li se broj transakcija i mijenja li se ukupni višak.

Literatura

  1. Adomavicius, G., Bockstedt, J. C., Curley, S. P., & Zhang, J. (2018). „Effects of Online Recommendations on Consumers’ Willingness to Pay.” Information Systems Research, 29(1), 84–102. https://doi.org/10.1287/isre.2017.0703. https://pubsonline.informs.org/doi/10.1287/isre.2017.0703

  2. Ali, S. N., Lewis, G., & Vasserman, S. (2023). „Voluntary Disclosure and Personalized Pricing.” The Review of Economic Studies, 90(2), 538–571. https://doi.org/10.1093/restud/rdac033. https://academic.oup.com/restud/article-pdf/90/2/538/49551460/rdac033.pdf

  3. Bergemann, D., Brooks, B., & Morris, S. (2015). „The Limits of Price Discrimination.” American Economic Review, 105(3), 921–957. https://doi.org/10.1257/aer.20130848. https://www.aeaweb.org/articles?id=10.1257/aer.20130848

  4. Belleflamme, P., & Peitz, M. (2015). Industrial Organization: Markets and Strategies (2. izd.). Cambridge University Press. https://www.cambridge.org/highereducation/books/industrial-organization/69870638F433E49AA6B20D24E3C9453E/group-pricing-and-personalized-pricing/9268E15EFBC9ABC9E4CFBC12203CC4DC

  5. Bó, I., Chen, L., & Hakimov, R. (2024). „Strategic Responses to Personalized Pricing and Demand for Privacy: An Experiment.” Games and Economic Behavior, 148, 487–516. https://doi.org/10.1016/j.geb.2024.10.008. https://www.sciencedirect.com/science/article/pii/S0899825624001544

  6. Brborović, S. (2023). „Pozicioniranje cijena, personalizacija i pravednost u upravljanju prihodom u hotelijerstvu.” Acta Economica Et Turistica, 9(2), 285–302. https://doi.org/10.46672/aet.9.2.6. https://hrcak.srce.hr/311469

  7. Chen, Z., & Zhang, M. (2026). „Personalized Pricing in the Presence of Privacy Concerns.” Management Science, online-first članak. https://doi.org/10.1287/mnsc.2024.07170. https://pubsonline.informs.org/doi/10.1287/mnsc.2024.07170

  8. Competition and Markets Authority. (2018). Pricing Algorithms: Economic Working Paper on the Use of Algorithms to Facilitate Collusion and Personalised Pricing. CMA94. https://www.gov.uk/government/publications/pricing-algorithms-research-collusion-and-personalised-pricing

  9. 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

  10. Directive 2005/29/EC of the European Parliament and of the Council of 11 May 2005. https://eur-lex.europa.eu/eli/dir/2005/29/2022-05-28/eng

  11. Dubé, J.-P., & 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

  12. European Commission. (2018). Consumer Market Study on Online Market Segmentation through Personalised Pricing/Offers in the European Union. https://commission.europa.eu/publications/consumer-market-study-online-market-segmentation-through-personalised-pricingoffers-european-union_en

  13. Ghose, A., & Huang, K.-W. (2009). „Personalized Pricing and Quality Customization.” Journal of Economics & Management Strategy, 18(4), 1095–1135. https://doi.org/10.1111/j.1530-9134.2009.00239.x. https://onlinelibrary.wiley.com/doi/10.1111/j.1530-9134.2009.00239.x

  14. 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 Conference on Internet Measurement Conference, 305–318. https://doi.org/10.1145/2663716.2663744. https://personalization.ccs.neu.edu/static/pdf/imc151-hannak.pdf

  15. Hufnagel, G., Schwaiger, M., & Weritz, L. (2022). „Seeking the Perfect Price: Consumer Responses to Personalized Price Discrimination in E-commerce.” Journal of Business Research, 143, 346–365. https://doi.org/10.1016/j.jbusres.2021.10.002. https://www.sciencedirect.com/science/article/pii/S014829632100727X

  16. Jurin, S. (1996). „Određivanje cijene — teorija i praksa.” Ekonomska misao i praksa, 5(1), 111–133. https://hrcak.srce.hr/222070

  17. Matić, P. (1999). „Monopolska diskriminacija cijena.” Ekonomska misao i praksa, 8(1), 91–110. https://hrcak.srce.hr/222548

  18. 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

  19. OECD. (2021). The Effects of Online Disclosure about Personalised Pricing on Consumers: Results from a Lab Experiment in Ireland and Chile. 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

  20. Priester, A., Robbert, T., & Roth, S. (2020). „A Special Price Just for You: Effects of Personalized Dynamic Pricing on Consumer Fairness Perceptions.” Journal of Revenue and Pricing Management, 19, 99–112. https://doi.org/10.1057/s41272-019-00224-3. https://link.springer.com/article/10.1057/s41272-019-00224-3

  21. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016. https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng

  22. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689

  23. Rhodes, A., & Zhou, J. (2024). „Personalized Pricing and Competition.” American Economic Review, 114(7), 2141–2170. https://doi.org/10.1257/aer.20221524. https://www.aeaweb.org/articles?id=10.1257/aer.20221524

  24. Škare, V., & Gospić, D. (2015). „Dynamic Pricing and Customers’ Perceptions of Price Fairness in the Airline Industry.” Tourism: An International Interdisciplinary Journal, 63(4), 515–528. https://hrcak.srce.hr/150003

  25. Varian, H. R. (1989). „Chapter 10: Price Discrimination.” U: R. Schmalensee & R. D. Willig (ur.), Handbook of Industrial Organization (sv. 1, str. 597–654). Elsevier. https://cir.nii.ac.jp/crid/1363388844591153536

  26. Zuiderveen Borgesius, F., & Poort, J. (2017). „Online Price Discrimination and EU Data Privacy Law.” Journal of Consumer Policy, 40, 347–366. https://doi.org/10.1007/S10603-017-9354-Z. https://link.springer.com/article/10.1007/s10603-017-9354-z

PROVJERA BROJEVA
Broj u tekstu Mjesto Izvor
više od 60 % poglavlje 9 i poglavlje 20, korist dijela potrošača u terenskoj procjeni Dubé i Misra (2023)
22 broj članka u GDPR-u, poglavlje 17 Regulation (EU) 2016/679
102 broj članka UFEU-a spomenut u ograničenju regulatornog dosega preneseni signal o tankoj nacionalnoj provedbi i odluka debate
2005, 2016, 2019, 2024 godine u nazivima normativnih akata i pravnim citatima Directive 2005/29/EC; Regulation (EU) 2016/679; Directive (EU) 2019/2161; Regulation (EU) 2024/1689

Napomena: godine, svesci, brojevi časopisa, stranice i članci unutar bibliografskih zapisa nisu predmet ove provjere brojeva prema pravilima ulaza.

PROVJERA LITERATURE

Korak 1 — popis citata redom pojavljivanja

Belleflamme i Peitz; Varian; OECD; Directive (EU) 2019/2161; European Commission; Bergemann i sur.; Matić; Hannak i sur.; Adomavicius i sur.; Ghose i Huang; Dubé i Misra; Rhodes i Zhou; Priester i sur.; Hufnagel i sur.; OECD; Ali i sur.; Chen i Zhang; Bó i sur.; Zuiderveen Borgesius i Poort; Directive 2005/29/EC; Regulation (EU) 2016/679; Competition and Markets Authority; Regulation (EU) 2024/1689.

Različiti citati poimence, abecedno

Adomavicius i sur.; Ali i sur.; Bergemann i sur.; Belleflamme i Peitz; Bó i sur.; Brborović; Chen i Zhang; Competition and Markets Authority; Directive (EU) 2019/2161; Directive 2005/29/EC; Dubé i Misra; European Commission; Ghose i Huang; Hannak i sur.; Hufnagel i sur.; Jurin; Matić; OECD; Priester i sur.; Regulation (EU) 2016/679; Regulation (EU) 2024/1689; Rhodes i Zhou; Škare i Gospić; Varian; Zuiderveen Borgesius i Poort.

Broj različitih citata u prozi: 26.

Oznaka citata Gdje je citirana Zapis u popisu Odakle dolaze polja Status
Adomavicius i sur. poglavlje 7 da registar literature; DOI iz punog citata u redu
Ali i sur. poglavlje 15 i 16 da registar literature; DOI iz punog citata u redu
Bergemann i sur. poglavlja 3, 9 i 11 da registar literature; DOI iz registra i punog citata u redu
Belleflamme i Peitz poglavlje 1 da registar literature; URL iz registra u redu
Bó i sur. poglavlje 16 da registar literature; DOI iz punog citata u redu
Brborović nije citirana u prozi da registar literature; DOI iz punog citata defekt: zapis bez citata
Chen i Zhang poglavlje 15 da registar literature; DOI iz punog citata u redu
Competition and Markets Authority poglavlje 19 da registar literature; URL iz registra u redu
Directive (EU) 2019/2161 poglavlja 2, 13 i 14 da registar literature; URL iz registra u redu
Directive 2005/29/EC poglavlje 18 da registar literature; URL iz registra u redu
Dubé i Misra poglavlja 9, 11 i 20 da registar literature; DOI iz punog citata u redu
European Commission poglavlja 2 i 13 da registar literature; URL iz registra u redu
Ghose i Huang poglavlje 7 da registar literature; DOI iz punog citata u redu
Hannak i sur. poglavlja 6 i 8 da registar literature; DOI iz punog citata u redu
Hufnagel i sur. poglavlje 12 da registar literature; DOI iz punog citata u redu
Jurin nije citirana u prozi da registar literature; URL iz registra defekt: zapis bez citata
Matić poglavlja 4 i 5 da registar literature; URL iz registra u redu
OECD poglavlja 2, 6, 13 i 14 da registar literature; DOI iz punog citata gdje postoji u redu
Priester i sur. poglavlje 12 da registar literature; DOI iz punog citata u redu
Regulation (EU) 2016/679 poglavlje 17 da registar literature; URL iz registra u redu
Regulation (EU) 2024/1689 poglavlje 19 da registar literature; URL iz registra u redu
Rhodes i Zhou poglavlje 10 i 11 da registar literature; DOI iz punog citata u redu
Škare i Gospić nije citirana u prozi da registar literature; URL iz registra defekt: zapis bez citata
Varian poglavlja 1 i 4 da registar literature; URL iz registra u redu
Zuiderveen Borgesius i Poort poglavlja 6 i 17 da registar literature; DOI iz punog citata u redu

Korak 3 — usklađivanje s Literaturom

Emitirano je 26 bibliografskih zapisa. Tablica provjere ima 26 redaka, ali tri zapisa nisu citirana u prozi: Brborović, Jurin te Škare i Gospić. To je defekt isporuke literature. Ti se zapisi zadržavaju samo zato što su navedeni u popisu; prema pravilu obostrane usklađenosti trebali bi biti uklonjeni ili citirani u tekstu. U ovom radnom tekstu nisu potrebni za glavnu argumentaciju.

RUPE U POKRIVENOSTI

  1. Sadržajna rupa — tehnička analiza AI modela.
    Ulaz ne pokriva usporedbu konkretnih AI arhitektura, validaciju algoritamske točnosti na stvarnim tržišnim podacima ni detaljnu analizu pristranosti pojedinih modela. Poglavlje 8 zato je ograničeno na ekonomsku ulogu podataka, procjenu WTP-a i metodološka ograničenja opažanja.

  2. Sadržajna rupa — digitalni i prekogranični arbitrage.
    Teorijski izvori pokrivaju arbitrage i tržišnu moć, ali ne daju detaljan suvremeni model prekogranične arbitraže u e-trgovini. Poglavlje 5 obrađuje pojam samo u općem ekonomskom opsegu.

  3. Sadržajna rupa — monetarna vrijednost podataka.
    Literatura analizira ekonomske funkcije podataka, privatnosne preferencije i poticaje za praćenje, ali ne daje jedinstvenu novčanu procjenu vrijednosti podataka za prodavatelja ili potrošača. Poglavlje 15 to izrijekom navodi.

  4. Sadržajna rupa — dugoročni učinci transparentnosti.
    Ulaz pokriva prepoznavanje, razumijevanje i kratkoročne reakcije na obavijesti, ali nema dovoljno dokaza o dugoročnom prelasku na drugu platformu, lojalnosti i pretraživanju konkurentskih trgovaca. Poglavlja 13 i 14 zato ne tvrde da transparentnost nužno mijenja ponašanje.

  5. Sadržajna rupa — hrvatska regulatorna provedba.
    Nisu dostavljeni izvori o hrvatskoj sudskoj ili regulatornoj praksi u vezi s personaliziranim cijenama. Poglavlje 19 ograničeno je na pravo Europske unije. Nedostaje detaljna analiza primjene članka 102. UFEU-a.

  6. Sadržajna rupa — antidiskriminacijski učinci prema zaštićenim obilježjima.
    Dostupni izvori ne pružaju dovoljno empirijskih dokaza o sustavnoj diskriminaciji prema dobi, spolu, prihodu, lokaciji ili drugim zaštićenim obilježjima. Rad zato ne tvrdi da personalizirane cijene sustavno proizvode takvu diskriminaciju.

  7. Nalaz o isporuci — STYLE PROFILE nije dostavljen.
    Nije dostavljen zaseban STYLE PROFILE. Primijenjen je stil propisan briefom i STIL_CITIRANJA, bez dodatne stilističke konfiguracije.

  8. Nalaz o isporuci — kontrolna lista je dostavljena uzvodno i može se ispuniti.
    Kontrolna lista iz presude debate postoji kao izričit popis. Ispunjena je u završnom odjeljku ovog izlaza.

  9. Nalaz o isporuci — registar je semantički dostavljen unutar forenzičkog izvještaja.
    Istraživački dosje navodi da registar nije priložen, ali PROVJERA LITERATURE sadrži odjeljak „Bibliografska provjera po izvoru” i strojni blok izvori s razrješenjima, klasifikacijama i URL-ovima. Taj blok tretiran je kao mjerodavni registar prema uputi.

  10. Nalaz o isporuci — neusklađenost razina dohvata.
    Forenzički izvještaj navodi razlike između agregiranih i pojedinačnih razina dohvata. Bibliografski identitet preuzet je iz registra, a razina dohvata nije korištena za proširivanje sadržajnih tvrdnji.

PRIMIJENJENE ZAKLJUČANE ODLUKE
Odluka Gdje je vidljiva
7 Poglavlja 10 i 11: korist za potrošače prikazana je samo uvjetno, uz visoko tržišno pokriće i bez opće tvrdnje o svim kupcima s nižom spremnošću na plaćanje.
23 Poglavlja 7 i 8: algoritam se opisuje kao korisnik podataka iz kojih procjenjuje spremnost na plaćanje; ne tvrdi se da svi stvarni algoritmi znaju maksimalnu cijenu kupca. Status [BEZ NOSITELJA] nije prenesen u prozu kao potvrđen nalaz.
52 Poglavlje 12: nalazi su ograničeni na otvorene izvore i ne pretvaraju se u tvrdnju o cijeloj literaturi.

Dodatno su primijenjene ograde iz presude debate: nalaz Dubéa i Misre vezan je uz terenski kontekst; poglavlje o podacima ograničeno je na ekonomsku analizu; regulatorno poglavlje ograničeno je na EU okvir; učinkovitost je odvojena od redistribucije, profita, potrošačkog viška i tržišnog pokrića.

Kontrolna lista iz debate
# Stavka Ishod
1 Tvrdnja o koristi potrošača pri visokom tržišnom pokriću nije predstavljena kao opći zaključak. prošlo
2 Nalaz o koristi za više od 60 % potrošača vezan je uz terensku procjenu. prošlo
3 Odvojeni su potrošački višak, ukupni višak, profit i tržišno pokriće. prošlo
4 Poglavlje o AI-u ne obećava usporedbu arhitektura. prošlo
5 Poglavlje o AI-u govori o ekonomskim funkcijama podataka i procjeni WTP-a. prošlo
6 Nalazi o pravednosti vezani su uz eksperimentalne izvore. prošlo
7 Pravednost, negativna reakcija i kupovno ponašanje nisu izjednačeni. prošlo
8 Nije navedena kvantificirana novčana vrijednost podataka. prošlo
9 Poglavlje o privatnosti obrađuje funkcije podataka, preferencije i strateško otkrivanje. prošlo
10 Regulatorno poglavlje ograničeno je na EU okvir. prošlo
11 Nije uvedena tvrdnja o hrvatskoj provedbi ili sudskoj praksi. prošlo
12 Jedinstvena cijena predstavljena je kao teorijska referenca za iste transakcijske uvjete. prošlo
13 Jedinstvena cijena nije prikazana kao jednakost svih stvarnih troškova. prošlo
14 Zaključak razlikuje redistribuciju, potrošački višak, ukupni višak i tržišno pokriće. prošlo
15 Ograda o kontekstu povezana je s konkretnim mehanizmima. prošlo
16 Sužena tvrdnja iz odluke 7 nije proširena izvan uvjeta modela. prošlo
17 Tvrdnja iz odluke 23 nije predstavljena kao potvrđen opći nalaz o svim algoritmima. prošlo
18 Odluka 52 ograničena je na otvorene izvore. prošlo
19 Tvrdnje preuzete iz sažetaka nisu proširene detaljima koji nisu u ulazu. prošlo
20 Uvjet operacionalizacije ukupnog viška, tržišnog pokrića i funkcije blagostanja nalazi se u tezi i zaključku. prošlo
21 Operacionalizacijski uvjet nije premješten samo u ograničenja. prošlo
22 Nije navedeno da formalna obavijest nužno proizvodi informirani izbor. prošlo
23 Nije navedeno da svaka individualizirana cijena potpada pod članak 22. GDPR-a. prošlo
24 Opažene razlike među korisnicima nisu tretirane kao dovoljan dokaz cjenovne diskriminacije. prošlo
25 Razlika između personalizirane, dinamičke cijene i rangiranja objašnjena je prije rasprave. prošlo
26 Klasična tipologija cjenovne diskriminacije nije prikazana kao dokaz savršene algoritamske diskriminacije. prošlo
27 Nije izveden opći zaključak da personalizirane cijene povećavaju ukupnu učinkovitost. prošlo
28 Nije izveden ni opći zaključak da personalizirane cijene smanjuju ukupnu učinkovitost. prošlo
Natrag na finalni rad