Google, Google Play'deki öğeleri nasıl fiyatlandırır?

Ekonomi ve hesaplamanın kesişme noktasında çalışan yeni başlayan bir bilgisayar bilimi araştırmacısıyım. Bu soru yöneticiye yerinde görünmüyorsa lütfen beni affedin.

Şu anda farklı fiyatlandırma modelleri ve ürün satmak için "optimal" yol veya fiyat üzerinde çalışıyorum. Google Play'de bir kişinin kiralayabileceği veya satın alabileceği filmler olduğunu fark ettim. Ayrıca, benzer popülerliğe sahip filmler için fiyatlarında genellikle büyük bir fark olduğunu fark ettim. (yaklaşık 10 Euro). Geleneksel olarak, bir kalem için değerleme dağılımına bakılır. Ancak, bu maliyet farkını açıklamayacaktır. Telif hakkı satın alma konusunda da sorunlar olabilir. Ancak, daha genel olarak, Google gibi şirketler bu dijital öğeleri nasıl fiyatlandırır? Bu fiyatları satış bilgilerine göre düzenli olarak güncelliyorlar mı? Bunu nasıl yapabileceğinize dair daha önce yapılmış bir çalışma var mı?

Herhangi bir yardım büyük beğeni topluyor bu yüzden sadece yol tarifi arıyorum.

Bunun basit cevabı, her bir ürün için talep eğrilerini tahmin etmek ve maliyet yapısını ve pazar özelliklerini (rekabet yapısı, vb.) Kullanarak kârı en üst düzeye çıkarmak için fiyat belirlemektir. Yine de bu herhangi bir firma için standarttır.

Özellikle Google'ın ve genel olarak bu büyük firmaların (Amazon, Microsoft, vb.) Talep eğrilerini nasıl tahmin ettikleri, her zamanki ekonomistin bunu yapabileceğinden biraz farklıdır. Olağan talep tahmini için, bir araştırmacının talebi tanımlamak için piyasa özgeçmişlerinden faydalanması gerekecektir. Örneğin, temel talep tahmini için 2SLS'li tedarik kaydırıcıları, heterojen ürünlerle ayrık seçim için BLP, vb. Kullanmak. Tanımlama, talep tahmini için büyük bir konudur, çünkü bir araştırmacı genellikle sadece talep (p, q) kombinasyonlarını gözlemler, gerçek talebi değil eğrisi. Ayrıca genellikle yalnızca mevcut veri miktarı ile kısıtlanırız.

Bununla birlikte, Google gibi büyük bir firma için, 1) satış değişikliğinin nasıl görüldüğünü görmek için fiyatta dışsal bozulma yapma ve 2) ton ve ton verilere erişme yeteneğine sahipler. 1) kullanarak, tüketici davranışının nasıl değiştiğini görmek için sürekli olarak küçük deneyler yapıyorlar. Daha sonra sonuçları, talep eğrisini izlemek için kullanabilirler. Bu deneylerde firma, film popülerliği, türü vb. ) çalışma kağıdıNekipelov, Ryan ve Yang ile çok sayıda örnek noktaya sahip ürünler arasında talep eğrilerini tahmin etmek için makine öğrenmesinin nasıl kullanılacağı konusunda (binlerce ürün özelliğini düşünün). "Yeni başlayan bir bilgisayar bilimi araştırmacısı" olarak, muhtemelen buna katılırdınız. Bu yaklaşım özellikle tonlarca veriye (Google, Amazon, vb.) Erişimi olan kişiler / firmalar için geçerlidir.