Los precios personalizados impulsados ​​por la IA pueden no ayudar a los consumidores

La naturaleza autónoma y la adaptabilidad de los algoritmos de precios de inteligencia artificial (IA) los hacen atractivos para optimizar las estrategias de precios en entornos de mercado dinámicos. Sin embargo, ciertos algoritmos de precios pueden aprender a participar en la colusión tácita en escenarios competitivos, lo que resulta en precios demasiado competitivos y consecuencias potencialmente dañinas para el bienestar del consumidor. Esto ha llevado a los responsables políticos y académicos a enfatizar la importancia de diseñar reglas para promover el comportamiento competitivo en los mercados.

En un nuevo estudio publicado en el SSRN Preprint Server, investigadores de la Universidad Carnegie Mellon investigaron el papel de los sistemas de clasificación de productos en las plataformas de comercio electrónico para influir en la capacidad de ciertos algoritmos de precios para cobrar precios más altos. Los hallazgos del estudio sugieren que incluso la discriminación de precios en ausencia, los sistemas de clasificación personalizados pueden no beneficiar a los consumidores.

“Examinamos los efectos de los sistemas de clasificación personalizados y no justificados en los resultados de los precios algorítmicos y el bienestar del consumidor”, explica Param Vir Singh, profesora de tecnologías comerciales de Carnegie Bosch y marketing y decano asociado para la investigación de la Escuela de Negocios Tepper, quien coautora del estudio.

Debido a la cantidad de opciones disponibles, los consumidores en línea enfrentan un proceso de búsqueda difícil y lento. Esto ha llevado a la aparición de intermediarios de búsqueda en línea (por ejemplo, Amazon, Expedia, Yelp), que utilizan algoritmos para clasificar y brindan a los consumidores listas ordenadas de productos de terceros vendedores en respuesta a sus consultas. Estos intermediarios reducen los costos de búsqueda y aumentan el bienestar del consumidor al ayudar a los consumidores a encontrar productos adecuados de manera más eficiente.

En este estudio, los investigadores examinaron dos escenarios extremos de los sistemas de clasificación de productos que diferían en cómo incorporaron información del consumidor para generar clasificaciones de productos. El primer sistema, la clasificación personalizada, utilizó información detallada del consumidor para clasificar productos basados ​​en la utilidad predicha para cada individuo. El segundo, llamado clasificación no supersonalizada, se basó únicamente en la información agregada en toda la población, lo que resultó en la incapacidad de personalizar las clasificaciones para los consumidores individuales.

Los investigadores utilizaron un modelo de demanda de consumidores caracterizado por el comportamiento de búsqueda, en el que los consumidores registraron secuencialmente para aprender sobre las empresas de servicios públicos que podrían obtener de varios productos. En este modelo, el algoritmo de clasificación sugerido por el intermediario afecta el orden en el que los consumidores evalúan los productos, con cada evaluación incurrir en un costo de búsqueda.

Los consumidores participan en un comportamiento óptimo de búsqueda y compra para maximizar su utilidad. Por lo tanto, el sistema de clasificación específico de un intermediario puede dirigir la demanda de diferentes maneras, que tienen implicaciones importantes para los resultados de los precios.

“Comparamos estos dos sistemas para proporcionar una comprensión clara de las implicaciones de fijación de precios de la personalización en las tecnologías de clasificación, específicamente algoritmos de aprendizaje de refuerzo (RL), para los algoritmos de fijación de precios con IA”, dice Liying Qiu, un doctorado. Estudiante de la escuela Tepper de Carnegie Mellon, quien dirigió el estudio.

“Estudiar algoritmos de precios RL en el contexto de los modelos realistas de comportamiento del consumidor es un desafío debido a la complejidad de la dinámica que crean, pero al configurar entornos simulados controlados, pudimos examinar cómo estos algoritmos evolucionan e interactúan con el tiempo”, señala Yan Huang, profesor asociado de tecnologías comerciales en Carnegie Mellon’s Tepepper School.

Los sistemas de clasificación personalizados, que clasifican los productos en la disminución del orden de los servicios públicos de los consumidores, pueden fomentar precios más altos cobrados por los algoritmos de fijación de precios, especialmente cuando los consumidores buscan productos secuencialmente en una plataforma de terceros. Esto se debe a que la clasificación personalizada reduce significativamente la elasticidad de la demanda mediada por la clasificación y, por lo tanto, los incentivos para reducir los precios.

Por el contrario, los sistemas de clasificación no supersonalizados conducen a precios significativamente más bajos y un mayor bienestar del consumidor. Estos hallazgos sugieren que incluso sin la discriminación de precios, la personalización puede no beneficiar necesariamente a los consumidores, ya que los algoritmos de precios pueden socavar el bienestar del consumidor a través de precios más altos. Por lo tanto, el estudio destaca el papel crucial de la clasificación de los sistemas en la configuración de los comportamientos de precios algorítmicos y el bienestar del consumidor.

Los resultados del estudio se mantuvieron iguales en varios valores de los parámetros de aprendizaje RL, un valor diferente de los bienes externos, diferentes tipos de algoritmos de aprendizaje de refuerzo y múltiples empresas en el mercado.

“Concluimos que la efectividad de la clasificación personalizada para mejorar la coincidencia entre los consumidores y los productos debe evaluarse cuidadosamente contra su impacto en el bienestar del consumidor cuando los precios se delegan a los algoritmos”, sugiere Kannan Srinivasan, profesor de gestión, marketing y tecnología empresarial en Carnegie Mellon’s Tepper School, que coautoró el estudio.

Los hallazgos ofrecen información para los formuladores de políticas y operadores de plataformas responsables de regular el uso de algoritmos de precios y diseñar sistemas de clasificación. Es esencial considerar el diseño de sistemas de clasificación al regular los algoritmos de precios de IA para promover la competencia y el bienestar del consumidor.

El estudio también tiene implicaciones para el intercambio de datos del consumidor. El aumento del intercambio de datos del consumidor puede no siempre dar como resultado mejores resultados, incluso en ausencia de discriminación de precios, ya que la clasificación personalizada, facultada por el acceso a datos de consumidores más detallados, facilita los algoritmos para cargar precios más altos. El efecto negativo de los precios más altos de los productos puede superar el impacto positivo de un mejor ajuste del producto, lo que lleva a una disminución en el bienestar del consumidor.