Algorithmic Pricing
Enrique González.- Una definición de Algorithmic Pricing exigiría primero definir o comprender qué es o qué se entiende por un ALGORITMO -más allá del contexto del mundo digital en el que nos encontramos- y luego su aplicación en el diseño y en la toma de decisiones en materia de precios.
Según la Real Academia Española, la RAE, ALGORITMO se define como:
- m. Conjunto ordenado y finito de operaciones que permite hallar la solución de un problema.
- m. Método y notación en las distintas formas del cálculo.
Una definición como la anterior ha permitido, que producto de acepciones amplias del término ALGORITMO, se aglutinen una serie o variedad de “formas” de fijación de precios, que ante definiciones más restrictivas o limitadas serían consideradas como estrategias “diferenciadas”.
La OECD define “Precios Personalizados” como:
“La disponibilidad de big data lo que facilita la discriminación de precios. Las empresas pueden utilizar los datos que han recopilado para inferir la disposición a pagar de los consumidores.
Quizás de manera más realista, pueda participar en la fijación de precios grupales -Group Pricing-, con pequeños grupos objetivo (por ejemplo, entusiastas de la pesca, etc.). Nos referimos tanto a los precios individuales como a los precios grupales con pequeños grupos objetivo como precios personalizados o fijación de precios personalizados…”
En todo caso el uso de algoritmos, el acceso a tecnologías TIC que permiten recolectar una mayor cantidad y calidad de datos, así como una mayor capacidad de procesamiento y análisis en tiempo real permite hablar de:
-Precios Personalizados.
-Precios Dinámicos.
-Discriminación de la Oferta de Valor (ej: Basada en Calidad).
-A/B Testing for Price Points (Testear la sensibilidad de la demanda a movimiento en los precios).
-Price Steering (arrojar resultados de busquedas y ofertas de valor de forma personalizada basadas en la disponibilidad a para por parte del usuario).
-Publicidad Personalizada.
-Precios “Estacionales”, esrtategias de Saldos y Precios Intertemporales.
-Discriminación de Precios de Segundo Grado o Versioning (producto de hallazgos a través de modelos no supervizados que permiten asociar atributos de las personas o de los productos que tendrían correlación con la disponibilidad a pagar por parte de los consumidores).
Algunos ejemplos destacables de la aplicación de algoritmos y el procesamiento de ingente cantidad de datos en la oferta de valor y en la determinación de los precios lo constituyen los siguientes:
- Insurtech: Servicios On-Demand basados en datos sobre el patrón de uso y comportamiento del usuario con perfilamiento de riesgo y primas personalizadas. En estos casos, la personalización no tiende a ser necesarimente mal vista por el usuario si su oferta se enmarca en una oferta de valor y una prima que no subsidia a usuarios de mayor riesgo.
- Uber: Casos como el ocurrido en Londres en el año 2017 ante un ataque terrorista en el London Bridge y cómo en instantes el algoritmo arrojó precios elevadísimos dada la demanda por parte de las personas que querían resgurdarse en sus hogares lo antes posible, constituyó un ejemplo de mala reputación generada hacia la marca producto del resultado del algoritmo de determinación de precios entre la ofera y la demanda.
- IKEA: En su sucursal en Dubai la marca sueca lanzó una iniciativa de aplicar un algoritmo de otorgamiento de descuentos directamente relacionado con la distancia viajada para llegar al espacio comercial. Dicha oferta y su encuadre tuvo excelente receptividad porque justificaba personalmente más que un precio indirectamente, un descuento, lo que resultaba bien percibido por el público.
- Walt Disney: A partir del año 2018 los parques temáticos de Walt Disney instrumentaron un algoritmo para la fjación de precios Off-Peak y On-Peak de temporada. Dichos precios fueron enmarcados en beneficio de los clientes porque permitirían distribuir mejor la demanda a lo largo del año y reducir las colas de espera para las atracciones, así como una mejor atención por parte del personal de los parques hacia los clientes.
- Airline Industry (AA con Dinamo System, 1985): Un sector clásico en el uso de sistemas electrónicos para la fijación de precios dinámicos y discriminación de preecios en tiempo real ha sido el de las aerolíneas. Estas empresas después de su absoluta liberalización tomaron ventaja de distintas estrategias basadas en sistemas de información para discriminar precios de forma más eficiente. Un caso pionero lo constituyó American Airline, AA, con su sistema Dinamo que permitía ofrecer tickets basado en discriminación de precios.
- Software Industry (SaaS Models y Pricing): Las tecologías de la información, la conectividad bajo el protocolo IP, las OTT, las Apps y la captura y procesamiento de datos no solo ha permitido nuevos modelos de negocio y la transformación de modelos de negocios tradicionales, sino que ha facilitado servicios orientados al cliente, personalizados donde el precio forma parte de la propuesta de valor. En el caso de la industria del software lo anterior ha supuesto la adopción de modelos de “Software as a Service” con la posibilidad de conocer los patrones de uso periodico de los usuarios y ajustar precios a sus necesidades.
Precios Personalizados, el Beneficio de las Empresas, El Excedente de los Condsumidores y el Bienestar Social:
La teoría económica asoma la existencia de diversos y en ocasiones efectos ambiguos producto de una estrategia de Precios Personalizados sobre el Bienestar Social y el Excedente de los Consumidores.
No existe controversia respecto a los mayores grados de libertad y el aumento del beneficio de las empresas cuando estas pueden y deciden hacer discriminación de precios versus un escenario de precio único, y cuando la información que posean para discriminar resulta cada vez más fidedigna.
Otro principio consiste en que cuando la discriminación permite expandir la demanda atendida, mayor será el Bienestar Social -otra cosa es el reparto de esta entre empresas y consumidores finales-.
En este sentido, respecto a la incidencia de precios personalizados sobre el Excedente de los Consumidor, dos son los efectos que habría que considerar, así como sus magnitudes relativas. Por un lado, el “Efecto Apropiación o Descreme” que aplica sobre aquellos consumidores que pagarían un precio inferior de no existir una discriminación de precios -generalmente aquellos con mayor disponibilidad a pagar- y por el otro lado, el “Efecto Expansión del Mercado” consistente en la incorporación de aquellos consumidores con menor disponibilidad de pago que no serían atendidos en una situación de precio único.
Podría ocurrir que producto del descreme el excedente de los consumidores con alta disponibilidad de pago pase a manos de la empresa, pero podría ocurrir que los nuevos consumidores no sean descremados por completo e incluso que el excedente de dichos consumidores supere al excedente perdido vía descreme por parte de los consumidores con mayor disponibilidad de pago. En este caso podría pensarse en una situación donde en términos netos el excedente total de los consumidores aumentará aun cuando en detrimento de un segmento de estos.
En estos últimos casos, ante un paradigma de Bienestar Social o del Excedente de los Consumidores -aunado a un eventual efecto progresivo- no podría a priori condenarse la práctica de Precios Personalizados.
Desafío para las Empresas:
Adicionalmente al problema al que se enfrenta la empresa intertemporalmente cuando puede cobrar un alto precio por un producto y esto sirve de señal para cobrar sucesivamente precios altos al mismo consumidor, anticipándolo este último y no comprando al precio alto, eventuales estrategias alternativas de Versioning basadas en valor apuntan a subsanar dicho problema anterior (un tipo de problema derivado de un Efecto Ratchet).
Si bien los precios personalizados suponen la posibilidad de aumentar los beneficios de las empresas, asimismo podrían implicar algunos problemas reputacionales e incluso problemas derivados de sesgos cognitivos por parte de los consumidores como los conocidos como sesgo de “Equidad Percibida” reduciendo la demanda.
Antes de que los algoritmos de fijación de precios se utilizaran ampliamente, los precios eran más rígidos, estables y diferían poco de un vendedor a otro. Los clientes tenían expectativas relativamente estables y no percibían los precios como algo personal. Siempre que los cambios de precios creaban discrepancias entre el costo real y el esperado, era más fácil para los clientes racionalizar los aumentos, creyendo que se estaban implementando universalmente como parte de una estrategia corporativa cuidadosamente diseñada.
De acuerdo con las normas del mercado, las empresas han recurrido cada vez más a algoritmos para maximizar sus ganancias. Hoy en día, incluso las industrias B2B de movimiento más lento están reemplazando las hojas de cálculo de Excel con potentes herramientas algorítmicas de fijación de precios y analítica de datos.
Adicionalmente, en materia de riesgos regulatorios, en muchas naciones se evalúa la posibilidad de que dichos precios atenten contra principios de Derecho de Defensa de la Competencia por resultar eventuales Precios Excesivos o que atenten contra el Derecho de Protección al Consumidor, así como terminar siendo producto de un uso no deseado de los datos personales y facilitar discriminaciones socialmente inaceptables (ej: basadas en raza, genero, etc.).
En Venezuela, los cambios que sufren los consumidores ante la pérdida de poder de compra han ido reconfigurando los patrones de consumo. Esto exige una estrategia de analítica de datos y de constante monitoreo y ajuste de los precios para evitar en un extremo “quedar fuera del mercado” o en el otro extremo “dejar dinero sobre la mesa”.
Economista UCV. Master in Competition and Market Regulation, Universidad Pompeu Fabra. Master en Economía Industrial, Universidad Carlos III de Madrid. Master in Law and Economics, Universidad Torcuato Di Tella. Postgraduate Diploma in Economics for Competition Law, Kings College London. Profesor de Estrategia Competitiva, Universidad Torcuato Di Tella. Profesor de Economía Digital, UCAB. Profesor de Competencia en las Plataformas Digitales, Universidad Torcuato Di Tella. Profesor de Derecho de la Competencia y Análisis Económico del Derecho de Protección al Consumidor, Universidad Monteavila. Consultor Económico.
