Dynamic pricing czy surveillance pricing? Gdzie kończy się elastyczna cena, a zaczyna profilowanie klienta
Cena w sklepie internetowym czy aplikacji coraz rzadziej jest stała. Zmienia się wraz z popytem, porą dnia, stanem magazynu czy ofertami konkurencji, do czego klienci przywykli przy biletach lotniczych i przejazdach zamawianych w aplikacjach. Coraz częściej pojawia się jednak inne pytanie: czy cena zmieniła się, bo zmienił się rynek, czy dlatego, że system wie coś o konkretnym kupującym?
W Stanach Zjednoczonych ustalanie cen na podstawie danych o kliencie, określane jako surveillance pricing, stało się tematem debaty politycznej i prac legislacyjnych. Dla polskiego e-commerce to nie jest wyłącznie zagraniczna ciekawostka. Narzędzia AI do optymalizacji cen są dostępne także dla średnich sklepów, a europejskie przepisy już dziś nakładają w tym obszarze konkretne obowiązki.
Dynamic pricing: cena, która reaguje na rynek
Dynamiczne ceny nie są wynalazkiem ery algorytmów. Technologia zmieniła głównie skalę i tempo: system może aktualizować ceny tysięcy produktów kilka razy dziennie na podstawie popytu, zapasów i ofert konkurencji. W polskim e-commerce dobrze znają to sprzedawcy korzystający z narzędzi do automatycznego repricingu na marketplace’ach.
Najważniejsza cecha tego modelu jest prosta. Cena może się zmieniać z godziny na godzinę, ale w danym momencie i w danym kanale jest taka sama dla wszystkich. Klient może się z nią nie zgadzać, jednak rozumie jej logikę i może zareagować, na przykład przesuwając zakup.
Surveillance pricing: cena, która reaguje na klienta
W tym modelu punktem odniesienia staje się konkretna osoba. Algorytm analizuje historię zakupów i przeglądania, lokalizację, typ urządzenia czy reakcje na wcześniejsze promocje, a następnie szacuje, ile klient jest skłonny zapłacić. Amerykańska Federalna Komisja Handlu (FTC), badając dostawców narzędzi cenowych, zwracała uwagę, że do takich modeli mogą trafiać nawet ruchy kursora na stronie czy produkty porzucone w koszyku.
W praktyce spersonalizowana cena rzadko wygląda jak wyższa kwota na metce. Częściej przybiera formę indywidualnego rabatu, kuponu w aplikacji albo darmowej dostawy dla wybranych użytkowników. Efekt ekonomiczny bywa jednak podobny: dwie osoby płacą za ten sam produkt różne kwoty, ponieważ system inaczej ocenił ich gotowość do zapłaty.
Gdzie przebiega granica między dynamic pricingiem a profilowaniem
Systemy cenowe oparte na AI często łączą dane rynkowe z danymi o kliencie, dlatego warto oprzeć się na kilku prostych kryteriach:
- źródło zmiany ceny – w dynamic pricingu cena reaguje na popyt, zapasy, porę dnia czy oferty konkurencji, a w surveillance pricingu na informacje o konkretnej osobie,
- jednolitość – cena dynamiczna w danym momencie jest taka sama dla wszystkich, natomiast spersonalizowana zależy od tego, kto kupuje,
- zrozumiałość mechanizmu – klient zwykle wie, dlaczego bilet kupowany w piątek wieczorem jest droższy, ale nie ma jak sprawdzić, jaką cenę zobaczyła inna osoba ani dlaczego jego oferta wygląda inaczej.
Najtrudniejsze są przypadki pośrednie. Różne ceny w aplikacji i na stronie albo rabat dla nowych klientów to segmentacja, a nie profilowanie. Problem zaczyna się wtedy, gdy kryterium segmentacji działa jako zamiennik cech osobistych, na przykład kod pocztowy jako przybliżenie dochodu. Model uczony na danych transakcyjnych może wychwycić taką zależność bez niczyjej intencji.
Paul Singer, amerykański prawnik zajmujący się ochroną konsumentów, w rozmowie z Gizmodo proponuje jeszcze jedno kryterium: czy klient spodziewa się, że jego dane zostaną wykorzystane w taki sposób. Uczestnik programu lojalnościowego wie, że historia zakupów posłuży do przygotowania ofert, nie zakłada natomiast, że ta sama historia pozwoli pokazać mu wyższą cenę niż sąsiadowi.
Przypadek Instacart: kiedy nieprzejrzystość wystarcza do kryzysu
Jak cienka jest ta granica w oczach klientów, pokazał przypadek Instacart, amerykańskiej platformy dostaw zakupów spożywczych. W teście przeprowadzonym m.in. przez Consumer Reports uczestnicy w tym samym czasie dodawali do koszyków te same produkty z tych samych sklepów. Większość produktów miała więcej niż jedną cenę, a różnice sięgały średnio kilkunastu procent. Badacze nie znaleźli dowodów, że ceny zależały od cech demograficznych kupujących, a firma tłumaczyła, że chodziło o losowe testy A/B. Mimo to po fali krytyki Instacart zakończył wszystkie testy cenowe na platformie.
Dla zespołów odpowiedzialnych za pricing to ważna lekcja. Jeśli dwie osoby w tej samej chwili widzą różne ceny tego samego produktu i nikt im tego nie wyjaśnia, zakładają najgorsze. Technicznie neutralny test może zostać odebrany dokładnie tak samo jak profilowanie, a koszty wizerunkowe ponosi firma, niezależnie od tego, jak działał algorytm.
Personalizacja cen w Polsce i UE: co mówią przepisy
W Europie personalizacja cen nie jest zakazana, ale podlega konkretnym obowiązkom. Od 2023 r., na mocy przepisów wdrażających dyrektywę Omnibus, sklep musi poinformować klienta, że cena została indywidualnie dostosowana na podstawie zautomatyzowanego podejmowania decyzji. Polski e-commerce kojarzy Omnibusa głównie z najniższą ceną z 30 dni, dlatego ten obowiązek często pozostaje niezauważony. Jeśli cena wynika z profilowania, zastosowanie mają też przepisy RODO, w tym art. 22 dotyczący decyzji podejmowanych wyłącznie w sposób zautomatyzowany.
Kolejne zmiany przyniesie Digital Fairness Act, nad którym pracuje Komisja Europejska. Personalizacja cen wykorzystująca słabości konsumentów jest jednym z obszarów, które projekt ma objąć, a jego publikacja jest zapowiadana na koniec 2026 r.
Co to oznacza dla polskich sklepów internetowych?
Dla większości polskich sklepów surveillance pricing nie jest dziś codzienną praktyką, ale narzędzia, które do niego prowadzą, są coraz powszechniejsze. Silniki promocji, systemy rekomendacyjne i moduły AI w platformach e-commerce korzystają z tych samych danych, które mogą zasilać personalizację ceny. O przekroczeniu granicy może więc zdecydować konfiguracja narzędzia, a nie świadoma decyzja biznesowa.
Warto zatem wiedzieć, na jakich danych działa model cenowy, i oddzielać indywidualne rabaty, które klienci akceptują, od wyższych cen opartych na profilu, które budzą sprzeciw. Sklep, który nie potrafi wyjaśnić, dlaczego klient zobaczył określoną kwotę, ryzykuje przede wszystkim zaufanie, a po zmianach w unijnym prawie także sankcje.
Źródła
Matt Novak, Gizmodo, What’s the Difference Between Surveillance Pricing and Dynamic Pricing?
Sabrina I. Pacifici, FTC Surveillance Pricing Study Indicates Wide Range of Personal Data Used to Set Individualized Consumer Prices
Andrew Dorn, NewsNation, Instacart customers often see different prices for the same items: Study
Kenneth Kwok, APH Networks, Instacart Ends AI Pricing Tests Showing Different Prices for the Same Items
PARP, Implementacja tzw. dyrektywy Omnibus. Zmiany w prawie konsumenckim
Gabriela Kocurek, Poradnik Przedsiębiorcy, Dynamiczne ustalanie cen w sklepie a RODO – jak bezpiecznie stosować algorytmy?
Freshfields, The EU’s proposed Digital Fairness Act: An e-Commerce players’ guide to potential implications
