Проста відповідь полягає в тому, що вони оцінюють криві попиту на кожен продукт і, використовуючи структуру витрат та ринкові характеристики (структура конкуренції тощо), встановлюють ціну для максимізації прибутку. Однак це стандартно для будь-якої фірми.
Як Google, зокрема, і ці великі фірми в цілому (Amazon, Microsoft тощо), оцінюють криві попиту дещо інакше, ніж це може зробити звичайний економіст. Для звичайної оцінки попиту досліднику доведеться використовувати ринкові ідіосинкразії для виявлення попиту. Наприклад, використання перемикачів пропозиції з 2SLS для базової оцінки попиту, BLP для дискретного вибору з неоднорідними продуктами тощо. Ідентифікація є такою великою проблемою для оцінки попиту, оскільки дослідник, як правило, лише дотримується рівноважних (p, q) комбінацій, а не фактичного попиту. крива. Нас також часто обмежує кількість наявних даних.
Однак для такої великої фірми, як Google, вони 1) мають можливість запровадити екзогенне збурення в ціні, щоб побачити, як змінюються продажі, і 2) отримати доступ до тонн і тонн даних. Використовуючи 1) вони постійно проводять невеликі експерименти, щоб побачити, як змінюється поведінка споживачів. Потім вони можуть використовувати результати, щоб фактично простежити криву попиту. У цих експериментах фірма може легко взяти до уваги такі речі, як популярність фільму, жанр тощо. Що стосується 2), Пат Баджарі, головний економіст Amazon і одне з найбільших імен сучасного емпіричного IO, має (на даний момент ) робочий папірз Некіпеловим, Райаном та Ян про те, як використовувати машинне навчання для оцінки кривих попиту в продуктах з безліччю зразків балів характеристик (подумайте, тисячі характеристик товару). Як "неохайний дослідник інформатики", ви, мабуть, будете до цього. Цей підхід особливо актуальний для людей / фірм, які мають доступ до тонни даних (наприклад, Google, Amazon тощо)