Les prix personnalisés axés sur l'IA peuvent ne pas aider les consommateurs

La nature autonome et l'adaptabilité des algorithmes de tarification alimentés par l'intelligence artificielle (IA) les rendent attrayants pour optimiser les stratégies de tarification dans des environnements de marché dynamique. Cependant, certains algorithmes de tarification peuvent apprendre à s'engager dans la collusion tacite dans des scénarios compétitifs, entraînant des prix trop compétitifs et des conséquences potentiellement nocives pour le bien-être des consommateurs. Cela a incité les décideurs et les universitaires à souligner l'importance de la conception de règles pour promouvoir les comportements concurrentiels sur les marchés.

Dans une nouvelle étude publiée dans le SSRN Preprint Server, des chercheurs de l'Université Carnegie Mellon ont étudié le rôle des systèmes de classement des produits sur les plateformes de commerce électronique pour influencer la capacité de certains algorithmes de tarification pour facturer des prix plus élevés. Les résultats de l'étude suggèrent que même en l'absence de discrimination des prix, les systèmes de classement personnalisés peuvent ne pas profiter aux consommateurs.

« Nous avons examiné les effets des systèmes de classement personnalisés et non intermédiaires sur les résultats des prix algorithmiques et le bien-être des consommateurs », explique Param Vir Singh, professeur de technologie commerciale de Carnegie Bosch et de marketing et de doyen associé pour la recherche de la Tepper School of Business, qui a concomité l'étude.

En raison du nombre d'options disponibles, les consommateurs en ligne sont confrontés à un processus de recherche difficile et long. Cela a conduit à l'émergence d'intermédiaires de recherche en ligne (par exemple, Amazon, Expedia, Yelp), qui utilisent des algorithmes pour classer et fournir aux consommateurs des listes ordonnées de produits de vendeurs tiers en réponse à leurs requêtes. Ces intermédiaires réduisent les coûts de recherche et renforcent le bien-être des consommateurs en aidant les consommateurs à trouver des produits appropriés plus efficacement.

Dans cette étude, les chercheurs ont examiné deux scénarios extrêmes de systèmes de classement des produits qui différaient dans la façon dont ils incorporaient des informations sur les consommateurs pour générer des classements de produits. Le premier système, le classement personnalisé, a utilisé des informations détaillées sur les consommateurs pour classer les produits en fonction de l'utilité prévue pour chaque individu. La seconde, appelée classement non intermédiaire, reposait uniquement sur des informations agrégées dans toute la population, ce qui a entraîné une incapacité à personnaliser le classement pour les consommateurs individuels.

Les chercheurs ont utilisé un modèle de demande de consommation caractérisé par un comportement de recherche, dans lequel les consommateurs ont cherché séquentiellement pour en savoir plus sur les services publics qu'ils pourraient obtenir de divers produits. Dans ce modèle, l'algorithme de classement suggéré par l'intermédiaire affecte l'ordre dans lequel les consommateurs évaluent les produits, chaque évaluation entraînant un coût de recherche.

Les consommateurs s'engagent dans un comportement optimal de recherche et d'achat pour maximiser leur utilité. Par conséquent, le système de classement spécifique d'un intermédiaire peut diriger la demande de différentes manières, qui ont des implications importantes pour les résultats des prix.

« Nous avons comparé ces deux systèmes pour fournir une compréhension claire des implications de tarification de la personnalisation dans les technologies de classement, en particulier des algorithmes d'apprentissage de renforcement (RL), pour les algorithmes de tarification alimentés par l'IA », explique Liying Qiu, un doctorat. Étudiant à l'école Tepper de Carnegie Mellon, qui a dirigé l'étude.

« L'étude des algorithmes de tarification RL dans le contexte de modèles de comportement des consommateurs réalistes est difficile en raison de la complexité de la dynamique qu'ils créent, mais en mettant en place des environnements simulés contrôlés, nous avons pu examiner comment ces algorithmes évoluent et interagissent au fil du temps expérimentalement », note Yan Huang, professeur agrégé de technologies commerciales à Carnegie Mellon's TEPPER école TEPper

Les systèmes de classement personnalisés, qui classent les produits dans l'ordre décroissant des services publics des consommateurs, peuvent encourager des prix plus élevés chargés par des algorithmes de tarification, en particulier lorsque les consommateurs recherchent séquentiellement les produits sur une plate-forme tiers. En effet, le classement personnalisé réduit considérablement l'élasticité des prix médiée par le classement et donc les incitations à réduire les prix.

À l'inverse, les systèmes de classement non intermédiaires entraînent une baisse considérablement des prix et un bien-être des consommateurs plus élevé. Ces résultats suggèrent que même sans discrimination par les prix, la personnalisation ne peut pas nécessairement profiter aux consommateurs, car les algorithmes de tarification peuvent saper le bien-être des consommateurs par le biais de prix plus élevés. Ainsi, l'étude met en évidence le rôle crucial des systèmes de classement dans la formation des comportements de tarification algorithmique et du bien-être des consommateurs.

Les résultats de l'étude sont restés les mêmes dans les différentes valeurs des paramètres d'apprentissage RL, la valeur différente des biens extérieurs, différents types d'algorithmes d'apprentissage par renforcement et plusieurs entreprises sur le marché.

« Nous concluons que l'efficacité du classement personnalisée dans l'amélioration de la correspondance entre les consommateurs et les produits doit être soigneusement évaluée par rapport à son impact sur le bien-être des consommateurs lorsque la tarification est déléguée aux algorithmes », suggère Kannan Srinivasan, professeur de gestion, de marketing et de technologie commerciale à Carnegie Mellon's Tepper School, qui a coanonné l'étude.

Les résultats offrent des informations aux décideurs politiques et aux opérateurs de plate-forme chargés de réguler l'utilisation des algorithmes de tarification et de conception de systèmes de classement. Il est essentiel de considérer la conception des systèmes de classement lors de la régulation des algorithmes de tarification de l'IA pour promouvoir la concurrence et le bien-être des consommateurs.

L'étude a également des implications pour le partage des données des consommateurs. L'augmentation du partage des données des consommateurs peut ne pas toujours entraîner des résultats améliorés, même en l'absence de discrimination des prix, depuis le classement personnalisé, habilité par l'accès à des données de consommation plus détaillées, facilite les algorithmes pour facturer des prix plus élevés. L'effet négatif de la hausse des prix des produits peut l'emporter sur l'impact positif de l'amélioration de l'ajustement des produits, entraînant une baisse du bien-être des consommateurs.