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

1. Problématique et Contexte

L'article s'attaque au problème fondamental de la découverte des préférences par les consommateurs. Traditionnellement, on suppose que les consommateurs apprennent ce qu'ils aiment à travers l'expérience. Cependant, dans de nombreux environnements économiques modernes (plateformes numériques, firmes, politiques publiques), la structure de cette expérience n'est pas aléatoire : elle est conçue (designée) par un fournisseur.

Le problème central est le suivant : comment la structure des données de consommation (générée par le regroupement de produits ou bundling) influence-t-elle l'apprentissage des préférences ? Les auteurs montrent que le simple fait d'augmenter l'expérience ne garantit pas un meilleur apprentissage ; c'est la structure informationnelle et la corrélation entre les expositions passées qui déterminent la vitesse et la direction de la découverte des préférences.

2. Méthodologie et Modèle Théorique

Les auteurs développent un cadre formel intégrant l'apprentissage statistique et la conception de données (data design).

A. Le Modèle de l'Apprenant (Consommateur)

• Préférences : Le consommateur possède des préférences linéaires inconnues $\beta$ sur un ensemble de $n$ biens. Il doit estimer $\beta$ à partir de l'expérience.
• Utilité : À chaque période $t$, le consommateur reçoit un bundle $x_t$ et observe une utilité bruitée $u_t = \alpha + x_t'\beta + \varepsilon_t$, où $\varepsilon_t$ est un bruit gaussien.
• Mise à jour : Le consommateur utilise une régression des moindres carrés ordinaires (OLS) pour mettre à jour ses estimations $\hat{\beta}_t$.
• Matrice d'information : La clé de l'analyse est la matrice $Z_t = X_t'X_t$ (matrice de co-occurrence), qui résume l'historique des bundles consommés. Son inverse $W_t = Z_t^{-1}$ est la matrice de variance-covariance des estimateurs.
• Mécanisme de propagation : Une « surprise de consommation » ($\Delta u_t$, écart entre utilité réelle et attendue) se propage à travers le réseau de co-consommation. La mise à jour de l'estimation d'un bien $i$ dépend non seulement de sa propre consommation, mais aussi de la corrélation avec les autres biens consommés simultanément, via les termes hors-diagonale de $W_t$.

B. Le Concept de « Data Design »

Le fournisseur (une firme ou une plateforme) choisit séquentiellement les bundles $x_t$. Il peut avoir deux objectifs :

1. Favoriser la découverte (accélérer l'apprentissage vers $\beta$).
2. Manipuler les croyances (maintenir des biais, ralentir l'apprentissage pour exploiter des erreurs d'estimation).

Le fournisseur peut agir de deux manières :

• Design ciblé (Bias-targeted) : Si le fournisseur connaît l'erreur d'estimation actuelle $\Delta \beta_t = \hat{\beta}_t - \beta$, il peut concevoir des bundles spécifiques pour annuler la surprise ou l'amplifier sélectivement.
• Design robuste (Robust design) : Si le fournisseur ne connaît pas les préférences réelles ni les erreurs, il peut utiliser la géométrie spectrale de la matrice $Z_t$ (ses vecteurs propres) pour influencer la vitesse d'apprentissage sans connaître la direction de l'erreur.

3. Résultats Clés

A. Dynamique de l'Apprentissage et Externalités Informationnelles

• Bundles orthogonaux : Un bundle conçu pour être orthogonal au vecteur d'erreur d'estimation ($\Delta \beta_t$) génère une surprise attendue nulle. Cela « gèle » la mise à jour des croyances, permettant au fournisseur de vendre tout en empêchant la correction des biais.
• Amplification des biais : Un bundle peut générer une surprise positive qui, via les corrélations du réseau, augmente l'estimation de biens sous-évalués et de biens déjà surévalués, amplifiant ainsi les erreurs de perception.
• Condition de convergence : L'apprentissage converge vers les vraies préférences si et seulement si la séquence de bundles explore toutes les directions de l'espace des préférences (la matrice $Z_t$ doit devenir de rang plein et bien conditionnée).

B. Stratégies Robustes (Spectrales)

Même sans connaître les préférences, le fournisseur peut contrôler la vitesse d'apprentissage via les vecteurs propres de la matrice de co-occurrence $Z_t$ :

1. Ralentir l'apprentissage (Biais de popularité) : Offrir des bundles alignés sur le vecteur propre dominant ($v^N_t$, correspondant à la centralité de vecteur propre). Cela renforce les motifs de consommation déjà dominants, augmente la redondance de l'information et le nombre de conditionnement de la matrice, ralentissant ainsi la découverte. C'est la base théorique du « biais de popularité » dans les algorithmes de recommandation.
2. Accélérer l'apprentissage (Briser la corrélation) : Offrir des bundles alignés sur le vecteur propre de corrélation ($v^C_t$, associé à la plus petite valeur propre). Ce vecteur partitionne les biens en deux groupes avec des corrélations négatives entre eux. Offrir ce type de bundle introduit de la variation dans la direction la moins explorée, réduisant le nombre de conditionnement et accélérant l'identification des préférences.

C. Application Monopolistique et Bien-être

• Stratégie du monopole : Un monopoleur utilise le data design pour façonner la demande future.
  • Si l'erreur d'estimation est connue, il peut choisir entre des bundles de « manipulation » (pour maintenir un produit surévalué) ou de « découverte » (pour révéler un produit sous-évalué mais plus rentable).
  • Si l'erreur est inconnue, un monopoleur pessimiste choisira un biais de popularité (ralentir l'apprentissage), tandis qu'un optimiste choisira de briser les corrélations.
• Implications pour le bien-être : Les préférences mal perçues créent deux effets : un effet de prix (transfert de richesse) et un effet de bundle (distorsion allocative). Contrairement à la discrimination par les prix classique, les distorsions de data design peuvent réduire à la fois le surplus du consommateur et les profits du producteur, créant une inefficacité allocative nette.

4. Illustration Empirique : L'Industrie Cinématographique

Les auteurs appliquent le modèle à un jeu de données réelles (IMDb) traitant les films comme des bundles et les acteurs comme des biens.

• Ils reconstruisent le réseau de co-occurrence (qui a joué avec qui).
• Ils montrent comment la centralité de vecteur propre ($v^N$) identifie les acteurs les plus « populaires » et souvent co-occurrence (ex: sagas comme Star Trek ou X-Men).
• Ils simulent la mise à jour des préférences ($\hat{\beta}$) au fil du temps. L'exemple montre qu'une surprise sur un film mettant en scène un acteur (ex: Cate Blanchett) met à jour l'estimation de sa valeur, mais aussi celle des autres acteurs connectés dans le réseau, même s'ils n'étaient pas dans ce film spécifique, démontrant l'effet de propagation des externalités informationnelles.

5. Signification et Contributions

1. Nouvelle perspective sur le Bundling : Au-delà de la discrimination par les prix ou de l'exclusion des concurrents, le bundling est un outil de conception de données qui contrôle la structure informationnelle de l'apprentissage.
2. Fondation microéconomique du biais de popularité : L'article fournit une justification théorique rigoureuse pour laquelle les algorithmes de recommandation favorisant les produits populaires (alignés sur $v^N$) ralentissent la découverte de nouveaux produits et piègent les consommateurs dans des bulles de corrélation.
3. Implications Réglementaires : La régulation ne devrait pas se limiter aux prix ou aux parts de marché. Elle doit intervenir sur la structure de l'exposition. Les régulateurs devraient exiger des plateformes qu'elles intègrent des mécanismes de « bris de corrélation » (variation dans les directions $v^C$) pour favoriser la découverte et l'efficacité du marché.
4. Lien entre Réseaux et Économie : L'article intègre les méthodes spectrales (théorie des graphes) dans la théorie de l'apprentissage économique, montrant comment la topologie du réseau de co-consommation détermine la dynamique des croyances.

En résumé, cet article démontre que la manière dont les expériences sont organisées (le data design) est un levier stratégique puissant qui peut soit accélérer la découverte de la vérité, soit perpétuer des erreurs de marché, avec des conséquences directes sur le pouvoir de marché et le bien-être social.