Jak Google wycenia produkty w Google Play?

Jestem początkującym badaczem informatyki pracującym na pograniczu ekonomii i obliczeń. Przepraszam, jeśli to pytanie wydaje się nie na miejscu dla administratora.

Obecnie badam różne modele cenowe i badam „optymalny” sposób lub cenę sprzedaży przedmiotów. Zauważyłem, że w Google Play są filmy, które można wypożyczyć lub kupić. Ponadto w przypadku filmów o podobnej popularności zauważyłem, że ich cena często jest ogromna. (około 10 euro). Konwencjonalnie patrzy się na rozkład wyceny pozycji. Nie tłumaczy to jednak różnicy w kosztach. Mogą również wystąpić problemy z zakupem praw autorskich. Jednak bardziej ogólnie, w jaki sposób firmy takie jak Google wyceniają te cyfrowe produkty? Czy regularnie aktualizują te ceny na podstawie informacji o sprzedaży? Czy są jakieś wcześniejsze prace dotyczące tego, jak można to zrobić?

Po prostu szukam wskazówek, więc każda pomoc jest mile widziana.

Prostą odpowiedzią jest to, że szacują krzywe popytu dla każdego produktu i wykorzystując ich strukturę kosztów i cechy rynku (strukturę konkurencji itp.) Ustalają cenę w celu maksymalizacji zysków. Jest to jednak standard dla każdej firmy.

Sposób, w jaki Google w szczególności i te duże firmy w ogóle (Amazon, Microsoft itp.) Szacują krzywe popytu, jest nieco inny niż zwykły ekonomista mógłby to zrobić. W celu zwykłego oszacowania popytu badacz musiałby wykorzystać specyfikę rynku w celu zidentyfikowania popytu. Na przykład przy użyciu przesuwników podaży z 2SLS do podstawowego oszacowania popytu, BLP do dyskretnego wyboru z heterogenicznymi produktami itp. Identyfikacja jest tak dużym problemem przy szacowaniu popytu, ponieważ badacz ogólnie obserwuje tylko kombinacje równowagi (p, q), a nie rzeczywiste zapotrzebowanie krzywa. Często jesteśmy również ograniczeni wyłącznie ilością dostępnych danych.

Jednak w przypadku dużej firmy, takiej jak Google, 1) są w stanie wprowadzić egzogeniczne zaburzenia cenowe, aby zobaczyć, jak zmienia się sprzedaż, oraz 2) mają dostęp do ton danych. Używając 1) stale przeprowadzają małe eksperymenty, aby zobaczyć, jak zmieniają się zachowania konsumentów. Następnie mogą wykorzystać wyniki do prześledzenia krzywej popytu. W tych eksperymentach firma z łatwością mogła wziąć pod uwagę takie rzeczy, jak popularność filmu, gatunek itp. W odniesieniu do 2) Pat Bajari, główny ekonomista w Amazon i jedna z największych marek we współczesnym empirycznym IO, ma (w tym momencie ) dokument roboczywraz z Nekipelovem, Ryanem i Yangiem na temat tego, jak korzystać z uczenia maszynowego w celu oszacowania krzywych popytu na produkty z dużą ilością charakterystycznych grup punktów (pomyśl tysiące cech produktu). Jako „początkujący badacz informatyki” prawdopodobnie byłbyś w to zamieszany. To podejście jest szczególnie istotne w przypadku osób / firm mających dostęp do ton danych (takich jak Google, Amazon itp.)