Wojny cenowe botów i destrukcja marży EBITDA
Współczesny e-commerce znalazł się w punkcie zwrotnym, w którym tradycyjne podejście do automatyzacji cen zaczyna przynosić skutki odwrotne do zamierzonych. Jeszcze dekadę temu wdrożenie jakiegokolwiek narzędzia do monitoringu cen konkurencji dawało przewagę, pozwalając na szybszą reakcję i przechwycenie klienta wrażliwego na koszt. Dziś, gdy według analiz Boston Consulting Group ponad 70% marketerów wykorzystuje sztuczną inteligencję w swoich procesach decyzyjnych¹, rynek nasycił się algorytmami, które wchodzą ze sobą w toksyczną interakcję. Zjawisko to, określane mianem algorytmicznego wyścigu na dno (Race to the Bottom), prowadzi do sytuacji, w której systemy obu stron obniżają cenę aż do poziomu minimalnej marży, niszcząc rentowność całych kategorii produktowych. W efekcie dyrektorzy e-commerce obserwują paradoks: przychody rosną lub utrzymują się na stabilnym poziomie, lecz marża operacyjna netto systematycznie topnieje, drenowana przez automatyczne reguły, które nie rozumieją pojęcia Unit Economics. Problemem nie jest już brak danych, ale fundamentalnie błędna funkcja celu zaszyta w starszych modelach pricingowych, nastawiona na maksymalizację konwersji (Revenue Maximization), a nie zysku (Profit Maximization). Rozwiązaniem tej pułapki nie jest powrót do ręcznego sterowania cennikami, lecz implementacja systemów nowej generacji opartych o uczenie ze wzmocnieniem (Reinforcement Learning), które potrafią symulować długoterminowe skutki decyzji cenowej dla wartości życiowej klienta (CLV).
Kluczowym błędem poznawczym, który dominuje w strategiach cenowych większości sklepów internetowych, jest traktowanie ceny wyłącznie jako narzędzia domykania transakcji. W rzeczywistości, jak dowodzą badania z zakresu psychofizyki, cena pełni podwójną rolę: jest kosztem dla kupującego, ale jednocześnie najsilniejszym sygnałem jakości i pozycjonowania marki. Rory Sutherland w swojej analizie alchemii marki wskazuje, że konsumenci nie posiadają w głowach obiektywnego cennika produktów, lecz operują na zasadzie relatywności². Jeśli algorytm dynamicznie obniża cenę produktu premium, by dorównać agresywnej promocji konkurenta, nie tylko traci marżę na tej konkretnej transakcji, ale trwale niszczy punkt odniesienia (anchor point) w umyśle klienta. Gdy promocja się skończy, powrót do ceny bazowej będzie odebrany jako nieuzasadniona podwyżka, aktywując mechanizm utraty (loss aversion), który jest psychologicznie dwukrotnie bardziej bolesny niż radość z zysku³. W ten sposób naiwne systemy pricingowe, optymalizowane pod natychmiastowy ROAS, nieświadomie edukują klientów, by kupowali wyłącznie podczas obniżek, co w długim terminie prowadzi do erozji brand equity. Erozja ta jest często niewidoczna w krótkoterminowych raportach sprzedaży, ale ujawnia się drastycznie w spadku lojalności i konieczności ciągłego "kupowania" powrotów klienta poprzez remarketing.
Analiza mechaniki starszych systemów opartych na regułach (opartych na sztywnych regułach: jeśli konkurent X obniży cenę, obniż o 1 grosz) ujawnia ich fundamentalną słabość w starciu z nowoczesną matematyką. Systemy te działają w izolacji od rachunku zysków i strat (P&L) na poziomie jednostkowym. Ignorują one fakt, że przy rosnących kosztach pozyskania ruchu (CAC) i obsługi logistycznej, obniżenie ceny o kolejne 5% może sprawić, że marża pokrycia (Contribution Margin) spadnie poniżej zera. Wcześniejsze analizy modelu Unit Economics wykazały, że wiele transakcji w e-commerce jest w rzeczywistości dotowanych przez sklep, który płaci za przywilej wysłania towaru klientowi⁴. Algorytmy regułowe są ślepe na te niuanse. Widzą jedynie, że niższa cena zwiększa prawdopodobieństwo konwersji, co w ich binarnej logice jest sukcesem. Prowadzi to do zjawiska nieświadomej zmowy algorytmicznej (Algorithmic Collusion), gdzie boty konkurujących sklepów wchodzą w pętlę obniżek, stabilizując się dopiero na poziomie, który nie gwarantuje żadnej ze stron rentowności wystarczającej do pokrycia kosztów stałych. Co więcej, badania pokazują, że proste algorytmy dopasowujące są łatwe do manipulowania przez konkurencję – rywal może celowo obniżyć cenę na krótki moment, by zmusić nasz system do reakcji i "wykrwawienia" marży, po czym wrócić do poziomu wyjściowego, zostawiając nas z zaniżoną stawką.
