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

Título: Preference discovery and data design

Autores: Sebastiano Della Lena, Alessio Muscillo, Paolo Pin
Data: Abril de 2026 (versão pré-publicação/arXiv)

1. O Problema

O artigo aborda um problema fundamental na economia do comportamento e no design de plataformas digitais: como os consumidores descobrem suas preferências quando a sequência e a composição de suas experiências de consumo são desenhadas por terceiros (empresas, plataformas digitais ou formuladores de políticas).

• O Dilema: A descoberta de preferências depende da experiência. No entanto, em muitos mercados modernos (streaming, e-commerce, redes sociais), a "experiência" não é aleatória; é curada por algoritmos que decidem quais produtos são apresentados e em quais combinações (bundles).
• A Lacuna: A literatura existente foca em como a experiência revela preferências, mas ignora como a estrutura dos dados de consumo (gerada pelo design de exposição) molda a velocidade, a direção e a precisão desse aprendizado. O artigo questiona: como o design de dados pode ser usado para acelerar a descoberta de preferências ou, inversamente, para manipular crenças e sustentar vieses?

2. Metodologia

Os autores desenvolvem um modelo formal de aprendizado sequencial em tempo discreto, envolvendo um consumidor e um provedor.

A Estrutura do Modelo:

1. Preferências e Aprendizado:
   • O consumidor possui preferências lineares verdadeiras, $\beta$, mas incertas.
   • Ela aprende observando a utilidade realizada $u_t = \alpha + x_t'\beta + \varepsilon_t$, onde $x_t$ é o bundle (conjunto de bens/atributos) consumido e $\varepsilon_t$ é um ruído.
   • O consumidor atualiza suas estimativas $\hat{\beta}_t$ usando Mínimos Quadrados Ordinários (OLS) sobre a história de consumo.
2. Design de Dados (Data Design):
   • O provedor escolhe o vetor $x_t$ (o que oferecer) a cada período.
   • A chave do modelo é a matriz de informação $Z_t = X_t'X_t$, que atua como uma matriz de co-ocorrência (ou rede de co-consumo).
   • A matriz de variância-covariância dos estimadores é $W_t = Z_t^{-1}$. Os elementos fora da diagonal de $W_t$ capturam como o aprendizado sobre um bem afeta a estimativa de outro devido à correlação histórica de consumo.

Mecanismo de Atualização:

• O aprendizado é impulsionado por "surpresas de consumo" ($\Delta u_t$), a diferença entre a utilidade realizada e a esperada.
• Uma surpresa em um bundle não atualiza apenas os bens consumidos, mas se propaga pela rede de co-ocorrência. Se o bem A e o bem B foram frequentemente consumidos juntos no passado, uma surpresa positiva no A pode aumentar a estimativa de valor do B, mesmo que o B não tenha sido consumido naquele momento.
• Isso cria externalidades correlacionadas no processo de atualização de crenças.

3. Principais Contribuições e Resultados

O artigo apresenta três conjuntos principais de resultados:

A. Geometria do Aprendizado e Manipulação de Viés (Com Informação Completa)

Quando o provedor conhece o erro de estimação atual ($\Delta \beta_t = \hat{\beta}_t - \beta$):

• Bundles Ortogonais: O provedor pode escolher bundles que sejam ortogonais ao vetor de erro de estimação. Isso gera uma surpresa esperada de zero, paralisando o aprendizado e mantendo as crenças distorcidas (viés) indefinidamente, permitindo que o provedor monetize a demanda atual sem corrigir a percepção do consumidor.
• Amplificação de Viés: Bundles podem ser desenhados para que uma surpresa positiva (de um bem subavaliado) se propague para bens já superavaliados, aumentando ainda mais o viés.
• Descoberta vs. Manipulação: O provedor pode escolher entre bundles que aceleram a descoberta (expondo bens subavaliados de forma isolada) ou que sustentam a demanda distorcida.

B. Design Robusto (Sem Informação sobre Preferências)

Mesmo sem saber as preferências verdadeiras ou as estimativas atuais, o provedor pode controlar a velocidade de aprendizado através da geometria espectral dos dados passados ($Z_t$):

• Viés de Popularidade (Slow Learning): Oferecer bundles alinhados com o autovetor principal (eigenvector centrality, $v^N_t$) da matriz de co-ocorrência. Isso reforça padrões de consumo já existentes e altamente correlacionados.
  • Resultado: Aumenta o número de condição do sistema, tornando o aprendizado mal-condicionado e desacelerando a descoberta de preferências. É a forma mais robusta de "prender" o consumidor em um ambiente correlacionado.
• Quebra de Correlação (Fast Learning): Oferecer bundles alinhados com o autovetor de menor autovalor (correlation centrality, $v^C_t$).
  • Resultado: Introduz variação nas direções menos exploradas, "quebra" as correlações existentes e acelera a identificação das preferências verdadeiras.
• Implicação: Algoritmos de recomendação que priorizam "o que é popular" (Top 10, Trending) estão efetivamente implementando a estratégia de desaceleração de aprendizado ($v^N_t$).

C. Implicações de Bem-Estar e Poder de Mercado

Em um ambiente de monopólio:

• O monopolista usa o design de exposição para moldar a demanda futura, não apenas para extrair lucro imediato.
• Efeitos de Bem-Estar: A distorção de preferências gera dois efeitos:
  1. Efeito Preço: Transferência de renda (neutro no agregado).
  2. Efeito Bundle (Alocação): O consumidor é guiado para produtos que não são os de maior valor real.
• Conclusão de Bem-Estar: O efeito de alocação é sempre negativo para o bem-estar total. Curiosamente, distorções de dados podem fazer com que tanto o excedente do consumidor quanto os lucros do produtor caiam simultaneamente em relação ao cenário de aprendizado perfeito, devido a ineficiências alocativas persistentes.

4. Aplicação Empírica: Indústria Cinematográfica

Os autores aplicam o modelo a um conjunto de dados do IMDb (1964-2020), tratando filmes como bundles e atores como "bens".

• Rede de Co-estrelato: A matriz $Z$ é construída com base em quantas vezes dois atores atuaram juntos.
• Resultados:
  • A centralidade de rede ($v^N$) identifica atores em franquias dominantes (ex: Star Trek, X-Men), onde a exposição é altamente correlacionada.
  • A centralidade de correlação ($v^C$) divide os atores em grupos com sinais opostos, capturando a estrutura de dependência (ex: atores que atuam juntos frequentemente têm efeitos de atualização opostos se a correlação for negativa na matriz de covariância).
  • O modelo demonstra como a atualização das estimativas de um ator (ex: Cate Blanchett) afeta as estimativas de outros atores (ex: Robert Downey Jr.) apenas através da estrutura da rede de co-ocorrência, mesmo sem consumo direto conjunto naquele momento.

5. Significado e Relevância

• Novo Racional para Bundling: O artigo oferece uma nova justificativa para o agrupamento de produtos além da discriminação de preços: o controle da informação. O bundling pode ser usado para manipular a velocidade de aprendizado e sustentar vieses de mercado.
• Regulação de Plataformas: O trabalho sugere que a regulação eficaz (como a Digital Services Act da UE) deve focar na estrutura da exposição e não apenas em preços ou quotas de mercado.
  • Solução Proposta: Algoritmos de recomendação deveriam incorporar "variação de quebra de correlação" para diversificar a exposição e acelerar a descoberta de preferências, combatendo o viés de popularidade.
• Poder de Mercado Dinâmico: O design de dados é uma fonte de poder de mercado dinâmico. Ao controlar como os consumidores aprendem o que valorizam, as plataformas podem moldar a demanda futura e a estrutura competitiva do mercado.

Em resumo, o paper demonstra que a geometria dos dados de consumo é um instrumento estratégico poderoso. A forma como os bens são agrupados e apresentados determina se o mercado será um ambiente de descoberta eficiente ou um sistema de reforço de viés, com implicações profundas para a concorrência e o bem-estar social.