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

1. Il Problema di Ricerca

Il lavoro affronta il problema fondamentale di come gli individui scoprano le proprie preferenze attraverso l'esperienza, in un contesto in cui la sequenza e la composizione di tali esperienze non sono casuali, ma progettate da attori esterni (imprese, piattaforme digitali, policymaker).

La domanda centrale è: come la struttura dei dati di consumo generata da queste progettazioni influenza l'apprendimento delle preferenze?
Il paper sfida l'idea intuitiva che "più esperienza significhi sempre un migliore apprendimento". Al contrario, dimostra che la struttura informativa dei dati (in particolare la correlazione tra i beni consumati insieme) determina se l'apprendimento avviene, quanto velocemente procede, o se viene distorto e bloccato, portando a percezioni errate e persistenti del valore dei beni.

2. Metodologia e Modello Teorico

Il modello è sviluppato in tempo discreto e coinvolge un'interazione ripetuta tra un consumatore (che apprende) e un fornitore (che progetta l'esposizione).

A. Il Consumatore e l'Apprendimento

• Preferenze: Il consumatore ha preferenze lineari su un insieme di $n$ beni, rappresentate da un vettore di utilità marginale $\beta$, che è sconosciuto e soggetto a incertezza.
• Esperienza: Il consumatore riceve un "bundle" (fascio) di beni $x_t$ e ne sperimenta un'utilità $u_t = \alpha + x_t'\beta + \varepsilon_t$, dove $\varepsilon_t$ è un rumore gaussiano.
• Aggiornamento delle credenze: Il consumatore stima $\beta$ utilizzando la storia passata dei consumi tramite un metodo dei Minimi Quadrati Ordinari (OLS) (equivalente a un aggiornamento bayesiano in un modello lineare-gaussiano).
• Matrice di Informazione: La chiave del modello è la matrice di co-occorrenza $Z_t = X_t'X_t$, che riassume la storia dei bundle consumati. La sua inversa $W_t = Z_t^{-1}$ è la matrice di varianza-covarianza degli stimatori.
  • Gli elementi diagonali di $W_t$ misurano l'incertezza residua su un bene.
  • Gli elementi fuori diagonale misurano la covarianza tra le stime di beni diversi. Se due beni sono stati consumati insieme, l'apprendimento su uno influenza l'altro.

B. Dinamica di Aggiornamento e Externalità Informative

L'aggiornamento delle preferenze è guidato dalla "sorpresa di consumo" ($\Delta u_t$), ovvero la differenza tra l'utilità realizzata e quella attesa.

• Propagazione: Una sorpresa positiva su un bundle non aggiorna solo la stima dei beni presenti in quel bundle, ma si propaga a tutti i beni collegati nella rete di co-consumo, modulata dalla struttura di $W_t$.
• Externalità Correlate: Il consumo di un bene può aumentare o diminuire la percezione del valore di un altro bene, anche se non sono mai stati consumati direttamente insieme, purché siano collegati attraverso percorsi nella rete storica.

C. Progettazione dei Dati (Data Design)

Il fornitore sceglie i bundle $x_t$ per influenzare il processo di apprendimento. L'analisi distingue due scenari:

1. Design Mirato (Bias-Targeted): Il fornitore conosce l'errore di stima attuale ($\Delta \beta_t$). Può scegliere bundle ortogonali all'errore (per bloccare l'apprendimento e mantenere bias) o bundle allineati per correggere o amplificare specifici errori.
2. Design Robusto: Il fornitore non conosce le preferenze vere o stimate. Deve basarsi solo sulla geometria della matrice $Z_t$ (la storia passata).

3. Risultati Chiave

A. Meccanismi di Blocco e Amplificazione dell'Apprendimento

• Bundle Ortogonali: Se il fornitore offre un bundle che è ortogonale al vettore dell'errore di stima ($\Delta \beta_t$), la sorpresa attesa è zero. In questo caso, le credenze non si aggiornano in media, permettendo al fornitore di mantenere la domanda corrente senza correggere le percezioni errate del consumatore.
• Amplificazione del Bias: Bundle che combinano beni sottostimati e sovrastimati in modo specifico possono generare sorprese positive che, attraverso le correlazioni, aumentano la stima di beni già sovrastimati, aggravando il bias invece di correggerlo.

B. Strategie Robuste e Analisi Spettrale

Quando le preferenze sono sconosciute, il fornitore può controllare la velocità di apprendimento attraverso le proprietà spettrali della matrice $Z_t$:

• Rallentare l'apprendimento (Popularity Bias): Offrire bundle allineati al vettore autovettore principale ($v^N_t$) di $Z_t$. Questo corrisponde a ripetere i pattern di consumo più frequenti (beni popolari e fortemente correlati). Aumenta il numero di condizione della matrice, rendendo il problema di stima mal condizionato e riducendo l'informazione nuova. È la strategia robusta più efficace per "intrappolare" il consumatore in un ambiente correlato.
• Accelerare l'apprendimento (Correlation-Breaking): Offrire bundle allineati al vettore di centralità di correlazione ($v^C_t$), che corrisponde all'autovettore associato al più piccolo autovalore di $Z_t$. Questo bundle introduce variazione nella direzione meno esplorata, rompendo le correlazioni esistenti e migliorando l'identificazione dei parametri in un singolo passo.

C. Implicazioni per un Monopolista

In un mercato monopolistico, il fornitore deve bilanciare i profitti correnti con la formazione della domanda futura.

• Informazione Completa: Il monopolista può scegliere tra strategie di "scoperta" (per far emergere beni ad alto margine ma sottostimati) o "manipolazione" (per preservare la domanda su beni sovrastimati ma meno profittevoli).
• Informazione Incompleta: Senza conoscere le preferenze, il monopolista adotta strategie basate sui prior:
  • Se è pessimista (si aspetta sorprese negative), sceglie bundle di popularity bias per minimizzare il rischio di delusione e rallentare l'apprendimento.
  • Se è ottimista, sceglie bundle correlation-breaking per accelerare la scoperta di beni potenzialmente molto redditizi.

D. Implicazioni di Benessere (Welfare)

Le preferenze percepite errate generano due effetti:

1. Effetto Prezzo: Una transferenza pura tra consumatore e produttore (prezzi più alti o più bassi).
2. Effetto Bundle (Allocazione): Una distorsione nella scelta del paniere di beni.
   Il risultato cruciale è che l'effetto di allocazione riduce il benessere totale. In casi estremi, le distorsioni informative possono far calare sia il surplus del consumatore che i profitti del produttore contemporaneamente, creando inefficienze allocative persistenti.

4. Applicazione Empirica: L'Industria Cinematografica

Gli autori applicano il modello a un dataset di IMDb (1.000 film, 121 attori).

• Interpretazione: I film sono i "bundle", gli attori sono i "beni". Il ricavo al botteghino è l'utilità realizzata.
• Risultati:
  • La centralità di rete ($v^N$) identifica attori spesso associati in saghe famose (es. X-Men, Star Trek), che tendono a rinforzare i pattern di consumo esistenti.
  • La centralità di correlazione ($v^C$) divide gli attori in gruppi con effetti opposti (es. William Shatner e Leonard Nimoy hanno segni opposti, riflettendo la loro forte co-occorrenza che genera correlazione negativa nelle stime).
  • L'analisi mostra come l'uscita di un nuovo film (es. Thor: Ragnarok) aggiorni non solo la stima dell'attore protagonista (Cate Blanchett), ma anche quella di attori collegati nella rete (es. Robert Downey Jr., Leonardo DiCaprio), anche se non appaiono nel film, dimostrando l'effetto di propagazione delle sorprese attraverso la rete.

5. Significato e Contributi

Il paper fornisce un contributo fondamentale alla letteratura economica e di scienza dei dati:

1. Nuova Razione per il Bundling: Il bundling non è solo uno strumento di discriminazione dei prezzi o di estrazione di surplus, ma un meccanismo di progettazione dei dati che influenza direttamente la velocità e la direzione dell'apprendimento delle preferenze.
2. Microfondazione del Bias di Popolarità: Spiega perché gli algoritmi di raccomandazione tendono a favorire i beni popolari: non è solo un effetto di feedback positivo, ma una strategia (spesso robusta) per rallentare l'apprendimento e mantenere la domanda su prodotti esistenti, limitando la scoperta di alternative.
3. Implicazioni di Policy: Suggerisce che la regolamentazione delle piattaforme digitali non dovrebbe focalizzarsi solo sui prezzi o sulle quote di mercato, ma sulla struttura dell'esposizione. Interventi che rompono le correlazioni dominanti (es. algoritmi che introducono variazione non correlata) potrebbero accelerare la scoperta di preferenze vere e migliorare il benessere.
4. Framework Unificato: Collega l'apprendimento dei consumatori, la teoria dei giochi, l'econometria (matrici di informazione) e l'analisi delle reti in un unico modello coerente.

In sintesi, il lavoro dimostra che chi controlla i dati controlla le preferenze. La struttura delle esperienze di consumo può essere utilizzata strategicamente per guidare, rallentare o distorcere la scoperta di ciò che i consumatori amano realmente.