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

1. Probleemstelling

Consumenten ontdekken hun voorkeuren vaak door ervaring (learning by doing), maar de volgorde en samenstelling van die ervaringen worden niet zomaar toevallig bepaald. Ze worden ontworpen door bedrijven, digitale platformen of beleidsmakers via aanbevelingen, bundeling van producten of gecureerde feeds.

Het centrale probleem is dat de structuur van de verbruiksdata (hoe producten samen worden geconsumeerd) de leerprocessen van consumenten beïnvloedt. Bestaande literatuur bestudeert vaak hoe voorkeuren worden geleerd, maar minder hoe de ontwerpkeuze van de blootstelling (exposure) het leerproces zelf kan manipuleren. De auteurs stellen de vraag: hoe kan een aanbieder de structuur van consumptiedata ontwerpen om het leren van voorkeuren te versnellen, te vertragen of zelfs te blokkeren, waardoor mispercepties worden versterkt?

2. Methodologie

Het artikel introduceert een wiskundig raamwerk voor voorkeursontdekking (preference discovery) gebaseerd op statistische inferentie en netwerkanalyse.

• Het Model: Een consument ("zij") heeft onzekere voorkeuren (een vector $\beta$) en leert hierover door de nuttigheid ($u_t$) van geconsumeerde bundels ($x_t$) te observeren. De nuttigheid wordt gemodelleerd als lineair met ruis: $u_t = \alpha + x'_t\beta + \varepsilon_t$.
• Leringsproces: De consument schat haar voorkeuren $\hat{\beta}_t$ op basis van de geschiedenis van bundels ($X_t$) en nuttigheidswaarnemingen. Dit wordt gemodelleerd als een Ordinary Least Squares (OLS) schatter.
• Covariantiestructuur: Een cruciaal element is de matrix $Z_t = X'_t X_t$, de co-occurrence matrix. Deze matrix beschrijft hoe vaak producten samen zijn geconsumeerd. De inverse hiervan, $W_t = Z_t^{-1}$, is de variantie-covariantiematrix van de schatters.
• Netwerk van Co-consumptie: De auteurs interpreteren $Z_t$ als een netwerk waar knopen producten zijn en kanten bestaan als producten samen in een bundel zijn geconsumeerd. Updates in de geschatte voorkeuren van één product verspreiden zich via dit netwerk naar andere producten, afhankelijk van de correlaties in $W_t$.
• Data Design: De aanbieder ("hij") kiest de bundels $x_t$ strategisch. Hij kan kiezen tussen:
  1. Bias-targeted design: Het kiezen van bundels gebaseerd op de huidige schattingsfout ($\Delta\beta_t$) van de consument.
  2. Robust design: Het kiezen van bundels zonder kennis van de echte of geschatte voorkeuren, puur gebaseerd op de geometrie van de data (spectrale eigenschappen van $Z_t$).

3. Belangrijkste Bijdragen

1. Het "Data-Design" Kader: Het artikel verschuift de focus van signaalontwerp (wat de consument ziet) naar data-ontwerp (hoe de ervaringen die data genereren worden gestructureerd). Het toont aan dat meer ervaring niet per se beter leren betekent; de informatieve structuur van de data is doorslaggevend.
2. Correlatie-Externaliteiten: Het introduceert het concept dat het consumeren van goed A de geschatte waarde van goed B beïnvloedt, zelfs als ze nooit samen zijn geconsumeerd, zolang ze verbonden zijn in het co-consumptienetwerk. Dit creëert informatieve externaliteiten.
3. Spectrale Strategieën: De auteurs identificeren specifieke eigenvectoren van de co-occurrence matrix die de snelheid van leren bepalen, zelfs zonder kennis van de consumentenvoorkeuren.

4. Kernresultaten

A. Lokale Dynamiek en Bias-Targeting

• Orthogonale Bundels: Als een bundel orthogonaal staat op de huidige schattingsfout ($\Delta\beta_t$), is de verwachte "consumptie-verbazing" (het verschil tussen verwacht en realiserend nut) nul. Dit stopt het leerproces in die richting. Een aanbieder kan dit gebruiken om mispercepties te behouden terwijl hij toch verkoopt.
• Versterking van Bias: Bundels kunnen zo worden ontworpen dat een positieve verrassing (ondergeschat product) niet alleen de schatting van dat product verbetert, maar ook de schatting van overgeschatte producten verhoogt, afhankelijk van de correlaties in $W_t$. Dit kan leiden tot een versterking van bestaande mispercepties.

B. Robuust Design en Spectrale Analyse

Zelfs zonder kennis van de voorkeuren kan een aanbieder de leersnelheid controleren via de voorwaartse getallen (condition number) van de matrix $Z_t$.

• Popularity Bias (Vertragen): Het aanbieden van bundels die aligneren met de leading eigenvector ($v^N_t$) van $Z_t$ (de richting van de meest frequente co-consumptie) maximaliseert de redundantie in de data. Dit verhoogt het voorwaartse getal, maakt het leerproces slecht geconditioneerd en vertraagt het leren. Dit verklaart waarom algoritmen die "populaire" items aanbevelen, consumenten kunnen vasthouden in een correlatieval.
• Correlation-Breaking (Versnellen): Het aanbieden van bundels die aligneren met de correlatie-centrale eigenvector ($v^C_t$) introduceert variatie in de minst geëxploiteerde richting van de data. Dit verlaagt het voorwaartse getal en versnelt het leren lokaal door de correlatiestructuur te doorbreken.
• Single-Good Exposure: Het consumeren van producten in isolatie is de theoretische benchmark voor het snelste leren, omdat het de covariantie tussen producten elimineert.

C. Toepassing op Monopolie en Welvaart

In een monopolistische setting kiest de aanbieder bundels om toekomstige vraag te vormen.

• Strategieën: Als de monopolist de voorkeuren kent, gebruikt hij "bias-targeted bundels" om mispercepties te behouden of te corrigeren. Als hij ze niet kent, kiest hij voor "spectrale bundels" (popularity bias of correlation-breaking) afhankelijk van zijn prior over de consument.
• Welvaartseffecten: Mispercepties leiden tot allocatieve inefficiëntie. De totale welvaart daalt omdat consumenten producten consumeren die niet hun ware waarde hebben. Interessant is dat zowel consumentenoverschot als winst kunnen dalen als de allocatieve vervorming (bundle effect) groter is dan de prijsverplaatsing (price effect).

D. Empirisch Voorbeeld: Filmindustrie

De auteurs passen het model toe op een dataset van IMDb (films en acteurs).

• Ze modelleren films als bundels en acteurs als "goederen".
• Het co-starring-netwerk toont duidelijk clusters (bijv. X-Men, Star Trek).
• De analyse toont aan dat wanneer een acteur in een nieuwe film verschijnt, de geschatte waarde ($\hat{\beta}$) van andere acteurs die in het netwerk verbonden zijn, ook update, zelfs als ze niet in die specifieke film spelen. Dit bevestigt het mechanisme van informatieve externaliteiten via het netwerk.

5. Betekenis en Conclusie

Het artikel biedt een fundamentele verklaring voor hoe digitale platforms en monopolisten vraag kunnen manipuleren door de structuur van blootstelling te ontwerpen, niet alleen door prijzen.

• Beleidimplicaties: Regulering moet zich niet alleen richten op marktaandelen of prijzen, maar ook op de structuur van aanbevelingsalgoritmen. Het verminderen van "popularity bias" en het introduceren van "correlation-breaking" variatie (meer diversiteit in bundels) kan consumenten helpen hun echte voorkeuren sneller te ontdekken en de markt efficiënter maken.
• Theoretische Inzichten: Het verbindt de literatuur over voorkeursontdekking, informatiedesign en netwerkteorie. Het toont aan dat bundeling niet alleen dient voor prijsdiscriminatie, maar ook als een krachtig instrument om de informatiestroom en het leerproces van consumenten te sturen.

Kortom, de auteurs tonen aan dat data-ontwerp een nieuwe vorm van marktmacht is, waarbij de manier waarop ervaringen worden gestructureerd, de toekomstige vraag en de welvaart van de markt bepaalt.