How do you know you won't like it if you've (never) tried it? Preference discovery and data design

Aquí presento un resumen técnico detallado del artículo "Preference discovery and data design" (Descubrimiento de preferencias y diseño de datos) de Sebastiano Della Lena, Alessio Muscillo y Paolo Pin.

1. El Problema

El artículo aborda un problema fundamental en la economía del comportamiento y la teoría de la información: ¿Cómo descubren los consumidores sus preferencias cuando la experiencia de consumo no es aleatoria, sino diseñada por terceros?

En muchos entornos económicos (plataformas digitales, minoristas, políticas públicas), la secuencia y la composición de los bienes que un consumidor experimenta son controladas por proveedores (empresas, algoritmos, reguladores). La literatura tradicional asume que "más experiencia" implica "mejor aprendizaje". Sin embargo, los autores argumentan que la estructura informativa de los datos generados por la experiencia es lo que realmente determina la calidad del aprendizaje. Si los bienes se consumen en combinaciones correlacionadas (paquetes o bundles), los errores de estimación y las sorpresas de utilidad se propagan a través de la red de co-consumo, lo que puede acelerar el descubrimiento de preferencias o, por el contrario, perpetuar sesgos y detener el aprendizaje.

2. Metodología y Marco Teórico

Los autores desarrollan un modelo formal de aprendizaje dinámico bajo incertidumbre de gustos.

A. El Modelo de Aprendizaje

• Agentes: Un consumidor (ella) y un proveedor (él).
• Preferencias: El consumidor tiene preferencias lineales desconocidas $\beta \in \mathbb{R}^n$. No conoce $\beta$ y debe estimarlo ($\hat{\beta}_t$) a partir de la experiencia.
• Experiencia: En cada periodo $t$, el proveedor ofrece un paquete (bundle) $x_t \in \mathbb{R}^n$. El consumidor experimenta una utilidad $u_t = \alpha + x_t'\beta + \varepsilon_t$, donde $\varepsilon_t$ es ruido.
• Actualización: El consumidor actualiza sus estimaciones utilizando Mínimos Cuadrados Ordinarios (MCO) sobre el historial de observaciones. La matriz de información clave es $Z_t = X_t'X_t$ (matriz de co-ocurrencia), y su inversa $W_t = Z_t^{-1}$ representa la matriz de varianza-covarianza de los estimadores.

B. El Mecanismo de Propagación (Externalidades Informativas)

La contribución central es la identificación de cómo las sorpresas de consumo ($\Delta u_t = u_t - E[u_t]$) se propagan entre bienes.

• La actualización de la estimación de un bien $i$ depende no solo de su propia experiencia, sino de la estructura de correlación con otros bienes consumidos simultáneamente.
• Se definen externalidades correlacionadas: Si dos bienes han sido consumidos juntos frecuentemente (alta correlación en $Z_t$), una sorpresa positiva en uno eleva la estimación del otro, incluso si no se consumió en ese momento.
• Esto crea un efecto de red donde la estructura de los datos pasados ($Z_t$) dicta cómo se actualizan las creencias futuras.

C. Diseño de Datos (Data Design)

El proveedor puede elegir la composición de los paquetes $x_t$ para influir en la velocidad y dirección del aprendizaje del consumidor. El análisis se divide en dos casos:

1. Diseño con información completa: El proveedor conoce el error de estimación actual $\Delta \beta_t = \hat{\beta}_t - \beta$.
2. Diseño Robusto: El proveedor no conoce las preferencias ni el error, pero conoce la geometría de los datos pasados ($Z_t$).

3. Contribuciones Clave y Resultados Principales

A. Geometría del Aprendizaje y Sesgo

• Paquetes Ortogonales: Si el proveedor ofrece un paquete ortogonal al vector de error de estimación ($x_t \perp \Delta \beta_t$), la sorpresa esperada es cero. Esto detiene el aprendizaje en esa dirección, permitiendo al proveedor mantener la demanda actual sin corregir los sesgos del consumidor.
• Amplificación de Sesgos: El diseño de paquetes puede ser utilizado para amplificar percepciones erróneas. Un paquete que genera una sorpresa positiva puede aumentar la estimación de bienes tanto subvalorados como sobrevalorados, dependiendo de la estructura de correlación ($W_t$).

B. Estrategias Robustas (Sin conocer las preferencias)

Incluso sin conocer $\beta$, el proveedor puede controlar la velocidad de aprendizaje mediante la espectroscopia de la matriz de co-ocurrencia:

• Sesgo de Popularidad (Slowing Learning): Ofrecer paquetes alineados con el vector propio principal (eigenvector centrality, $v^N_t$) de la red de co-consumo. Esto refuerza los patrones de consumo existentes, aumenta la redundancia de la información y maximiza el número de condición del sistema, ralentizando el aprendizaje. Esto explica el sesgo de popularidad en algoritmos de recomendación.
• Rompiendo Correlaciones (Accelerating Learning): Ofrecer paquetes alineados con el vector de centralidad de correlación ($v^C_t$), que corresponde al autovector asociado al autovalor más pequeño de $Z_t$. Estos paquetes introducen variación en la dirección menos explorada, rompen las dependencias existentes y aceleran el descubrimiento de preferencias.

C. Implicaciones para el Monopolista y Bienestar

• Poder de Mercado Dinámico: Un monopolista puede usar el diseño de exposición para moldear la demanda futura. Puede elegir entre "explotar" preferencias actuales (manteniendo sesgos) o "descubrir" productos subvalorados que son más rentables a largo plazo.
• Descomposición del Bienestar: El artículo descompone el impacto de las preferencias mal percibidas en:
  1. Efecto Precio: Transferencia pura entre consumidor y productor.
  2. Efecto Paquete (Asignación): Distorsión en la elección del producto.
     Resultado: Las distorsiones en el diseño de datos pueden reducir tanto el excedente del consumidor como los beneficios del monopolista simultáneamente, generando una pérdida de bienestar social neta debido a ineficiencias asignativas persistentes.

D. Aplicación Empírica (Industria Cinematográfica)

Los autores aplican el modelo a una base de datos de películas y actores (IMDb).

• Tratan las películas como paquetes y a los actores como "bienes".
• Construyen la red de co-actuación ($Z_t$).
• Demuestran cómo la aparición de un actor en una película actualiza las estimaciones de valor de otros actores conectados en la red, incluso si no aparecieron juntos en esa película específica.
• Identifican cómo la estructura de la red (ej. sagas como Star Trek o X-Men) crea clusters de correlación que afectan la percepción de valor de los actores individuales.

4. Significado e Implicaciones de Política

El artículo ofrece un marco teórico riguroso para entender el poder de las plataformas digitales y los algoritmos de recomendación:

1. Nueva Racionalidad para el Bundling: El empaquetado no es solo para discriminación de precios, sino una herramienta de diseño de datos que controla la velocidad de aprendizaje del consumidor.
2. Regulación de la Exposición: La regulación efectiva no debe centrarse solo en precios o cuotas de mercado, sino en la estructura de la exposición. Las políticas deben fomentar algoritmos que rompan las correlaciones dominantes (introducir variación) en lugar de reforzar el sesgo de popularidad.
3. Mecanismos de Manipulación: Explica cómo las plataformas pueden mantener la demanda de productos ineficientes o de baja calidad simplemente diseñando la secuencia de exposición para evitar que el consumidor aprenda su verdadera preferencia (deteniendo el aprendizaje).
4. Conexión con la Literatura: Une la teoría de la información, el aprendizaje en redes y el diseño de mecanismos, mostrando que la geometría de los datos pasados es un activo estratégico para los proveedores.

En resumen, el paper demuestra que la forma en que se presentan los datos (la estructura de los paquetes) es tan importante como los datos mismos para determinar si los consumidores descubren sus verdaderas preferencias o quedan atrapados en un ciclo de sesgos inducidos por el proveedor.