Inteligência Artificial e a Formação de Preços: Pesquisa da Carnegie Mellon

Os algoritmos de pricing baseados em machine learning têm o potencial de aprimorar estratégias de preços no comércio eletrônico. Entretanto, uma nova pesquisa da Carnegie Mellon University destaca preocupações sobre a colisão tácita desses algoritmos em ambientes competitivos.

Contexto da pesquisa

A pesquisa investiga o impacto de sistemas de classificação de produtos em plataformas de e-commerce sobre a capacidade de algoritmos de preços de cobrar valores mais altos. Os autores alertam que, mesmo na ausência de discriminação de preços, sistemas de classificação personalizados podem não beneficiar os consumidores.

Método proposto

Os pesquisadores usaram um modelo de demanda do consumidor que caracteriza o comportamento de busca. Neste modelo, o algoritmo de classificação escolhido pelo intermediário influencia a ordem em que os consumidores avaliam os produtos, tendo cada avaliação um custo associado. A ênfase estava em comparar sistemas de classificação personalizados e não personalizados, sendo que o primeiro utiliza informações detalhadas sobre os consumidores, enquanto o segundo se baseia em dados agregados.

A pesquisa “examinou os efeitos dos sistemas de classificação personalizados e não personalizados sobre os resultados de precificação e o bem-estar do consumidor”
(“We examined the effects of personalized and unpersonalized ranking systems on algorithmic pricing outcomes and consumer welfare.”)

— Param Vir Singh, Professor, Carnegie Mellon University

Resultados e impacto

Os resultados indicam que sistemas de classificação personalizados podem levar algoritmos de preços a cobrar preços mais altos, enquanto sistemas não personalizados tendem a resultar em preços mais baixos, beneficiando os consumidores. A pesquisa observou que “a personalização pode não necessariamente beneficiar os consumidores, já que os algoritmos de preços podem prejudicar o bem-estar dos consumidores por meio de preços mais altos”
(“personalization may not necessarily benefit consumers since pricing algorithms can undermine consumer welfare through higher prices.”).

A eficácia da personalização na correspondência entre consumidores e produtos precisa ser avaliada cuidadosamente em relação ao seu impacto no bem-estar do consumidor.
(“The effectiveness of personalized ranking in improving the match between consumers and products needs to be carefully evaluated against its impact on consumer welfare.”)

— Kannan Srinivasan, Professor, Carnegie Mellon University

Os pesquisadores usaram um ambiente simulado controlado e observaram que os resultados se mantiveram consistentes independentemente de diferentes parâmetros de aprendizado. A pesquisa tem implicações importantes para reguladores e operadores de plataformas que utilizam algoritmos de precificação. Os sistemas de classificação devem ser considerados no regulamento de algoritmos de preços de IA para promover competição e bem-estar do consumidor. Além disso, a troca de dados dos consumidores pode não sempre resultar em melhores resultados.

Com essas descobertas, futuros trabalhos poderão explorar como garantir que a personalização em sistemas de classificação efetivamente beneficie os consumidores em vez de potencialmente elevar preços e prejudicar o acesso.

Fonte: (TechXplore – Machine Learning & AI)