論文の概要: Algorithmic Collusion of Pricing and Advertising on E-commerce Platforms
- arxiv url: http://arxiv.org/abs/2508.08325v1
- Date: Sat, 09 Aug 2025 18:44:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.173757
- Title: Algorithmic Collusion of Pricing and Advertising on E-commerce Platforms
- Title（参考訳）: 電子商取引プラットフォームにおける価格と広告のアルゴリズムによるコラボレーション
- Authors: Hangcheng Zhao, Ron Berman,
- Abstract要約: オンライン販売者は、Eコマースプラットフォーム上で製品価格と広告決定を自動的に行うためにAI学習アルゴリズムを採用してきた。
アルゴリズムは競争力よりも高いコーディネートを学習する。
販売者が価格決定と広告決定を一緒に行う場合、これらの懸念が有効かどうかを実証的に検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online sellers have been adopting AI learning algorithms to automatically make product pricing and advertising decisions on e-commerce platforms. When sellers compete using such algorithms, one concern is that of tacit collusion - the algorithms learn to coordinate on higher than competitive. We empirically investigate whether these concerns are valid when sellers make pricing and advertising decisions together, i.e., two-dimensional decisions. Our empirical strategy is to analyze competition with multi-agent reinforcement learning, which we calibrate to a large-scale dataset collected from Amazon.com products. Our first contribution is to find conditions under which learning algorithms can facilitate win-win-win outcomes that are beneficial for consumers, sellers, and even the platform, when consumers have high search costs. In these cases the algorithms learn to coordinate on prices that are lower than competitive prices. The intuition is that the algorithms learn to coordinate on lower advertising bids, which lower advertising costs, leading to lower prices. Our second contribution is an analysis of a large-scale, high-frequency keyword-product dataset for more than 2 million products on Amazon.com. Our estimates of consumer search costs show a wide range of costs for different product keywords. We generate an algorithm usage and find a negative interaction between the estimated consumer search costs and the algorithm usage index, providing empirical evidence of beneficial collusion. Finally, we analyze the platform's strategic response. We find that reserve price adjustments will not increase profits for the platform, but commission adjustments will. Our analyses help alleviate some worries about the potentially harmful effects of competing learning algorithms, and can help sellers, platforms and policymakers to decide on whether to adopt or regulate such algorithms.
- Abstract（参考訳）: オンライン販売者は、Eコマースプラットフォーム上で製品価格と広告決定を自動的に行うためにAI学習アルゴリズムを採用してきた。
売り手がこのようなアルゴリズムを使って競争するとき、ある懸念は暗黙の共謀である。
販売業者が価格決定と広告決定を一緒に行う場合、つまり2次元決定を行う場合、これらの懸念が有効かどうかを実証的に検討する。
私たちの経験的戦略は、Amazon.com製品から収集された大規模なデータセットを校正するマルチエージェント強化学習との競合を分析することです。
最初のコントリビューションは、学習アルゴリズムが消費者、売り手、さらには検索コストが高いプラットフォームに対して有益な勝訴結果を促進する条件を見つけることです。
このような場合、アルゴリズムは競争価格よりも低い価格で調整することを学ぶ。
直感的には、アルゴリズムは低い広告入札を調整し、広告コストを下げ、価格を下げることを学ぶ。
第2のコントリビューションは、Amazon.com上の200万以上の製品を対象とした、大規模で高周波なキーワード生成データセットの分析です。
コンシューマー検索コストの見積は、異なる商品キーワードに対して幅広いコストを示す。
提案手法は, 利用者の検索コストとアルゴリズム利用指数との間に負の相互作用を生じさせ, 有益な共謀の実証的証拠を提供する。
最後に、プラットフォームに対する戦略的な反応を分析します。
予備価格の調整はプラットフォームにとって利益を増すものではないが、手数料の調整が期待できる。
我々の分析は、競合する学習アルゴリズムの潜在的影響に関する懸念を軽減するのに役立ち、売り手やプラットフォーム、政策立案者がそのようなアルゴリズムを採用するか規制するかを決めるのに役立ちます。
関連論文リスト
- Nearly-Optimal Bandit Learning in Stackelberg Games with Side Information [57.287431079644705]
そこで我々は,Stackelbergゲームにおけるオンライン学習の問題について,リーダーとフォロワーの列の側情報を用いて検討した。
我々は,リーダに対する学習アルゴリズムを提供し,盗聴フィードバックの下でO(T1/2)$後悔を達成する。
論文 参考訳（メタデータ） (2025-01-31T22:40:57Z) - Naive Algorithmic Collusion: When Do Bandit Learners Cooperate and When Do They Compete? [0.0]
アルゴリズムエージェントは、さまざまな競争上の決定設定で使用される。
エージェントが競合する状況で使用されるマルチアーム帯域幅機械学習アルゴリズムの動作について検討する。
これらの文脈自由な盗賊は、相手の選択や結果の知識がないまま、相変わらず共謀行動を学ぶことを示している。
論文 参考訳（メタデータ） (2024-11-25T16:58:07Z) - A Survey on E-Commerce Learning to Rank [6.6344943112608314]
Amazon、Alibaba、eBay、Walmartなどの商業eコマースプラットフォームは、検索結果ランキングアルゴリズムを完璧にするために、広範囲かつ絶え間ない調査を行っている。
検索結果のランク付けを最適化するためには、関連性、パーソナライゼーション、売り手の評判、有償プロモーションから生じる多くの特徴について検討する。
電子商取引において最も最適な検索結果を見つけるのに、どのアルゴリズムか、どの特徴が最も効果的かを知ることは困難である。
論文 参考訳（メタデータ） (2024-11-19T01:12:51Z) - Strategically-Robust Learning Algorithms for Bidding in First-Price Auctions [11.988955088595858]
ゲーム理論と機械学習のインターフェースにおいて,プライスオークションを繰り返し競うことの学習は基本的な問題である。
本稿では,プライスオークションにおける純ストラテジー入札のための新しいコンケーブの定式化を提案し,この問題に対する自然なグラディエント・アセンセント・アルゴリズムの解析に利用した。
論文 参考訳（メタデータ） (2024-02-12T01:33:33Z) - Tacit algorithmic collusion in deep reinforcement learning guided price competition: A study using EV charge pricing game [0.0]
複雑な構造を持つゲームの価格設定のプレイヤーは、人工知能(AI)による学習アルゴリズムの採用が増えている。
正準形式のゲームに関する最近の研究は、無から高レベルの暗黙の共謀まで、対照的な主張を示している。
EV充電ハブが価格を動的に変動させることで競争する現実的なゲームを考える。
数値ケーススタディの結果,0.14～0.45の衝突指数値が得られた。
論文 参考訳（メタデータ） (2024-01-25T16:51:52Z) - Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems [2.2706058775017217]
オンラインプラットフォームは通常、消費者が商品を発見し購入する方法に影響を与えるレコメンデーションシステムを展開する。
いくつかの重要なコンポーネントを統合する新しいゲームフレームワークを提案する。
収益最大化レコメンダシステムはアルゴリズムによる共謀を増大させるのに対し,ユーティリティ最大化レコメンダシステムは売り手間の競争力を高めていることを示す。
論文 参考訳（メタデータ） (2023-09-25T21:45:30Z) - Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。
本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
論文 参考訳（メタデータ） (2022-06-27T08:16:59Z) - Auditing for Discrimination in Algorithms Delivering Job Ads [70.02478301291264]
我々は,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。
最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる、広告配信における歪の区別です。
第2に,他の要因と資格の違いによって説明可能なスクリューを区別する監査手法を開発する。
第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。
論文 参考訳（メタデータ） (2021-04-09T17:38:36Z) - Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳（メタデータ） (2020-07-20T14:19:08Z) - Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。
悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。
また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
論文 参考訳（メタデータ） (2020-02-10T15:04:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。