論文の概要: Algorithmic Collusion of Pricing and Advertising on E-commerce Platforms
- arxiv url: http://arxiv.org/abs/2508.08325v2
- Date: Fri, 31 Oct 2025 01:04:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 15:46:17.456514
- 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: 販売者が価格決定と広告決定を一緒に行うか、すなわち2次元決定を行うかを検討する。
消費者が検索コストが高い場合、学習アルゴリズムは競争価格よりも安い価格で調整可能であることを示す。
我々は,プラットフォームの戦略的な反応を分析し,予備価格調整がプラットフォーム利益を増大させないことを見出した。
- 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: When online sellers use AI learning algorithms to automatically compete on e-commerce platforms, there is concern that they will learn to coordinate on higher than competitive prices. However, this concern was primarily raised in single-dimension price competition. We investigate whether this prediction holds when sellers make pricing and advertising decisions together, i.e., two-dimensional decisions. We analyze competition in multi-agent reinforcement learning, and use a large-scale dataset from Amazon.com to provide empirical evidence. We show that when consumers have high search costs, learning algorithms can coordinate on prices lower than competitive prices, facilitating a win-win-win for consumers, sellers, and platforms. This occurs because algorithms learn to coordinate on lower advertising bids, which lower advertising costs, leading to lower prices and enlarging demand on the platform. We also show that our results generalize to any learning algorithm that uses exploration of price and advertising bids. Consistent with our predictions, an empirical analysis shows that price levels exhibit a negative interaction between estimated consumer search costs and algorithm usage index. We analyze the platform's strategic response and find that reserve price adjustments will not increase platform profits, but commission adjustments will, while maintaining the beneficial outcomes for both sellers and consumers.
- Abstract（参考訳）: オンライン販売者がAI学習アルゴリズムを使用して、Eコマースプラットフォームでの自動競争を行う場合、競争価格よりも高い価格でコーディネートすることを学ぶのではないか、という懸念がある。
しかし、この懸念は主に単次元価格競争で持ち上がった。
この予測は、売り手が価格決定と広告決定、すなわち2次元決定を一緒に行うときに成立するかどうかを考察する。
マルチエージェント強化学習における競合を分析し、Amazon.comの大規模データセットを使用して実証的な証拠を提供する。
消費者が検索コストが高くなると、学習アルゴリズムは競争価格よりも安い価格で調整でき、消費者、販売者、プラットフォームに勝利をもたらすことが示される。
これは、アルゴリズムが低い広告入札を調整し、広告コストを下げ、価格を下げ、プラットフォームへの需要を増大させるためである。
また、価格と広告入札を探索する学習アルゴリズムについて、本研究の結果が一般化されることも示している。
試行錯誤分析の結果, 消費者検索コストとアルゴリズム利用指数との間には, 価格水準が負の相互作用を示すことが明らかとなった。
我々は、プラットフォームの戦略的対応を分析し、予備価格調整がプラットフォーム利益を増大させることはないが、手数料調整は、売り手と消費者の両方にとって有益な結果を維持しながら見出す。
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。