תמחור מבוסס נתונים: הקרטלו-בוט בתאוריה ובשטח

ברשימה קודמת נכנסנו מתחת למכסה המנוע של הכלים האקונומטריים המנתחים ביקוש ותומכים בהחלטות תמחור. אבל מה קורה כאשר אנו מבקשים מהמכונה לא רק לעזור, אלא לקחת את ההגה ולתמחר בעצמה?

השאלה אינה תאורטית. קצב האימוץ של תמחור אלגוריתמי אוטונומי הינו מהיר מאוד, והתופעה ניכרת בענפים רבים. אבל מהי השפעתה התחרותית? האם עיקרה בשיפור יכולתן של פירמות בעלות כח שוק למצות את נכונותם של הצרכנים לשלם? מנגד, אולי היא בכלל מסייעת לפירמות לחדור בהצלחה לשווקים חדשים, ובכך מעצימה תחרות?

ואם השאלות הללו נוגעות למה שמה שאלגוריתם אחד לבד מעז, מה לגבי האפשרות שאלגוריתמים מטעמן של פירמות מתחרות יחברו לקרטל? ומי יישא באחריות – הנהלת החברה ששכרה את שירותיו של האלגוריתם חסר העכבות, או אולי מי שכתב את הקוד? שאלות כאלו כורכות יחדיו היבטים משפטיים ופילוסופיים סבוכים. צופי "מסע בין כוכבים" ודאי זוכרים את ההליך השיפוטי שבחן האם לוטננט-קומנדר דאטה הוא מכונה – ולפיכך רכוש צה"ל – או שמא ישות בעלת רצון ומעמד עצמאי משלה.

ברשימה זו נציץ על הספרות הרלבנטית בניסיון להבין עד כמה תופעת הקרטלים האלגוריתמיים צריכה להטריד אותנו בפועל, ומה, אם בכלל, ניתן לעשות בעניין מבחינה רגולטורית. למען הסר ספק, נבהיר את המובן מאליו: שום דבר הנכתב כאן אינו מהווה יעוץ משפטי, או תחליף ליעוץ כזה.

הכלכלן ג'ו הרינגטון אינו סבור שקרטל בין אלגוריתמים מהווה לכשעצמו הפרה של חוק שרמן, המהווה את בסיסם של חוקי ההגבלים. חוק שרמן בא לעולם בשנת 1890, והסעיף הראשון בו אוסר על קונספירציות שתכליתן להגביל את המסחר. ספק אם מנסחיו חשבו על רובוטים. אבל גם התשתית המשפטית שהתגבשה מאז אותם ימי קדם מתמקדת במקרים בהם ניתן להוכיח את קיומה של תקשורת שהבשילה להבנה בין מתחרים.

הרינגטון מדגים בצורה משכנעת כי אלגוריתמים יכולים ללמוד ליישם קרטל בעצמם, אך למידה זו משתמשת בנתוני שוק הזמינים בתנאי תחרות: למשל, המחירים והיקף המכירות ההיסטורי של הפירמה, עלות מוצריה, ומחירים היסטוריים של פירמות יריבות, ככל שאלו זמינים באופן פומבי. ממש כשם שאין זה בלתי חוקי להנהלות אנושיות לגבות מחירים על-תחרותיים על בסיס מידע כזה, באופן עצמאי, וללא תקשורת עם היריבים, מותר הדבר גם לאלגוריתמים.

נקודה נוספת שמדגיש הרינגטון היא שקשה מאוד לצפות מה אלגוריתמים יעשו, או אפילו לפרש את פעולותיהם בדיעבד, והמורכבות גדלה שבעתיים כאשר מתקיימת אינטראקציה בין כמה אלגוריתמים שלומדים במקביל. הלמידה מבוססת על התנסות: בהנתן מצב נתון, האלגוריתם מנסה אפשרויות שונות ולומד אלו פעולות מניבות תוצאות רצויות. אך פעולות היריבים הן חלק מהמצב הנתון הזה, וגם היריבים לומדים ומתנסים. כך נוצרת תלות הדדית שעשויה לגרום לאלגוריתמים להיסחף בין תוצאה תחרותית, תוצאה קרטליסטית ומגוון תוצאות אחרות. קשה לפיכך לפרש החלטה של הנהלת הפירמה לאמץ אלגוריתם תמחור אוטונומי כהחלטה מודעת להשתתף בהסכם קרטליסטי.

הרינגטון אינו ממליץ להרים ידיים ולהשלים עם קרטלו-בוטים באשר הם, אלא לעדכן את ההתייחסות המשפטית תוך מינוף היתרון הגלום בהתמודדות עם אלגוריתמים: אנחנו אולי לא מבינים בדיוק מה הם עושים, אך יכולים לקבל גישה לקוד המדריך את פעולותיהם. כאשר בחינת הקוד לבדה אינה מספקת על מנת להבין את ההתנהגות בפועל, ניתן לחקור את ההתנהגות באמצעות סימולציות המפעילות את הקוד בסיטואציות משתנות.

בהנתן מידע כזה, ניתן לנסות להגדיר אלגוריתמים כ"לגיטימיים" כל עוד אינם מיישמים עקרון ספציפי הנתפס כבעייתי: למשל, התניית המחיר הנגבה במחיר האחרון שגבה היריב. בנטרול אלמנט זה, יתקשו האלגוריתמים ליישם את עקרון המקל והגזר בו הם "מענישים" את היריב על מחיר נמוך ומתגמלים אותו על מחיר גבוה, הנמצא בליבת מנגנון הקרטל. דוגמה זו פשטנית מדי, אך מצביעה על כיוון החשיבה הכללי שהרינגטון מבקש לפתח.

האתגר באיסורים כאלו הוא הצורך למתוח קו ברור המפריד בין תכונות אלגוריתמיות המסייעות לקרטל, לבין כאלו המקדמות טקטיקות תחרותיות לגיטימיות ויעילות. הרינגטון בונה קייס מעניין הטוען כי הפרדה כזו, גם אם לא ניתנת לישום מושלם, בהחלט אפשרית. האם זהו הכיוון הנכון מבחינה הגבלית? וכיצד יתיחסו לנושא בתי המשפט? אינני יודע. מה שברור הוא שככל שנבין טוב יותר את האופן בו קרטלים רובוטיים נולדים ומתפקדים, נוכל לסייע לחידוד תובנות אלו.

ישנה ספרות גדולה ורב-תחומית המאבחנת היבטים שעשויים לסייע או להפריע לאלגוריתמים של בינה מלאכותית ליצור שיתופי פעולה בסיטואציות דמויות דילמת האסיר, שקרטל הוא מקרה פרטי שלהן. שוואלבה מספק סקירה מקיפה של ספרות זו, ממנה נובע כי היכולת ליישם פתרון שיתופי תלויה בהרבה מאוד מאפיינים של פרוטוקול הלמידה ושל הסביבה הכלכלית. אנו נתייחס כאן בקצרה לכמה עבודות עדכניות הבוחנות את המידה בה אלגוריתמים טיפוסיים מסוגלים להגיע לתמחור קרטליסטי בפועל, ואת המאפיינים של הסביבה התחרותית שהופכים את החשש הזה ליותר או פחות רלבנטי.

נחדד את האתגר: אנו מעמידים לרשותו של האלגוריתם שלנו קריטריון (למשל, מקסום רווח, או עמידה ביעד פדיון), ופרוטוקול למידה אוטונומי. האלגוריתם מקבל החלטות תמחור, תוך שהוא מזפזפ בין יישום הכלל הטוב ביותר שמצא עד כה, לבין "ניסויים" שמטרתם ללמוד אודות כללי החלטה טובים יותר. פרוטוקול זה מוכר כ-Reinforcement Learning. אנחנו לא מלמדים את האלגוריתם מה לעשות: הוא ילמד לבד תוך ניסוי וטעיה. נניח שגם הפירמות היריבות משחררות לטבע אלגוריתמים דומים. מה צפוי להתרחש?

בעבודה שפורסמה אשתקד בכתב העת American Economic Review וזכתה לתשומת לב ניכרת, הדגימו קלוונו, קלזולארי, דניקולו ופסטורלו כי אלגוריתמים פשוטים למדי הצליחו, במספר רב של סימולציות, להתכנס למחיר גבוה משמעותית מהתחרותי, אך נמוך מהמחיר הקרטליסטי האופטימלי. אפילו בהנתן סביבה קבועה, זו אינה תוצאה טריויאלית, בגלל התלות ההדדית בלמידה של מספר אלגוריתמים מתחרים.

אבל הקושי האמיתי הוא לשמר תמחור על-תחרותי כאשר הסביבה אינה קבועה. ללא תקשורת ישירה, קשה לדעת כיצד לפרש את תגובות היריבים בהנתן שינויים בסביבה התחרותית, והקושי הזה מאתגר רובוטים ובני אנוש כאחד.

כך למשל, בתקופות של גאות בביקוש, הפיתוי לגרוף נתח שוק על חשבון היריבים תוך סטיה מההסדר הקרטליסטי הינו גבוה. לו יכולנו לתקשר ישירות, יתכן והיינו מסכימים שבתקופות כאלו כולנו נגדיל קצת את כמות הסחורה שאנו מביאים לשוק, ובתקופות של ביקוש נמוך, קצת נקטין אותה, מבלי לשבור את הקרטל (תזכורת: נתקלנו במנגנון הזה כאחד ההסברים לדפוס האמפירי בו עליה בביקוש מביאה דווקא לירידת מחירים). אך תקשורת כזו אינה חוקית, ובהעדרה, קשה לדעת כיצד לפרש הורדת מחיר מצידו של היריב בסיטואציה של עליה בביקוש.

האם הוא מאותת לי שגם לי מותר למכור יותר בעת הזו, מבלי להצית מלחמת מחירים? או שמא הוא בעצם פותח איתי חזית באופן המחייב תגובה ציונית הולמת – קרי, חיתוך מחירים אגרסיבי מצידי? נוסיף לכך את האפשרות שהביקוש עצמו קשה לחיזוי, ושפירמות שונות מקבלות סיגנלים שונים לגביו – וקיבלנו סביבה מציאותית בה קשה לשמר קרטל ללא תקשורת מפורשת.

ברוח זו, עבודתם התאורטית של מיקלוש-ת'אל וטאקר הראתה שאלגוריתמים אוטונומיים עשויים להקשות על קיומו של קרטל, בדיוק בשל יכולתם לחזות ביקוש בצורה טובה יותר, ולחמוד נתח שוק מהיריבים בנקודות בהן קיים פיתוי רב לעשות זאת. גם סקירת הספרות של שוואלבה מעבירה מסר מרגיע המתבסס על ניתוח סקפטי של היכולת המעשית לקיים קרטל בהעדר תקשורת מובנית וישירה, ובהנתן סביבה מציאותית ומורכבת.

קלוונו ושותפיו, מודעים לנקודות מבט אלו, דחקו באלגוריתמים ובחנו את יכולתם להתמודד עם קצת כאוס בריא. כך למשל הם כפו על אחד האלגוריתמים להוריד מחיר בחדות, ואז הזמינו פופקורן וצפו בנחת בהתנהלותן של "הפירמות" מאותה נקודה ואילך. ההתנהלות התגלתה כקרטליסטית כמעט "לפי הספר": היריבים הגיבו לפעולתה של הפירמה הסוררת ב"ענישה" על ידי הורדת מחירים, אך זו היתה זמנית ולא אלימה מדי, והשוק התכנס בחזרה למחיר העל-תחרותי. קרי: האלגוריתמים הצליחו ללמוד ליישם מנגנון המתגמל על שיתוף פעולה, ומעניש חריגות, בדרך של ניסוי וטעיה.

התוצאה הכי מרשימה, לטעמי, בעבודה הזו היא שהיכולת להתקרטל אמנם פחתה כאשר החוקרים הגדילו את מספר הפירמות המתחרות משתיים לשלוש או ארבע, אפשרו לביקוש להשתנות באקראי, או אפשרו כניסה ויציאה אקראית של פירמות – אך לא באופן ניכר! אם הדיון למעלה גרם לנו לקוות שהאתגר הקרטליסטי יהיה "גדול" על אלגוריתמים אוטונומיים הפועלים בסביבות מורכבות, הרי שעבודתם של קלוונו ושותפיו מצטיירת כשופכת מים קרים על תקווה זו.

מצד שני, יש פער בין סימולציות לבין סיטואציית שוק אמיתית, ולכן יש לקחת את התוצאות של קלוונו ושות' עם גרגר של מלח. ויש גם נקודת חולשה קונקרטית יותר: הם מאפשרים לאלגוריתמים ללמוד באופן "לא מפוקח" ובניחותא – וכתולדה טבעית, קצב הלמידה המשתמע הינו איטי למדי, ועשוי להיות לא מעשי בסיטואציות רבות.

מכל מקום, לצרכי מדיניות ברוח הרינגטון אנו זקוקים להבנה מפורשת יותר של הקשר בין פרוטוקול הלמידה בו משתמשים האלגוריתמים, לבין מידת יכולתם לגבות מחיר על-תחרותי. עבודה חדשה של אסקר, פרשטמן ופייקס מניחה יסודות משמעותיים בכיוון זה.

הם מראים כי לפרוטוקול הלמידה ולפרמטרים נוספים המוגדרים עבור האלגוריתם יכולות להיות השלכות דרמטיות על תוצאת השוק. הכותבים מבדילים בין – תחזיקו חזק – למידה סינכרונית לבין למידה א-סינכרונית. למצולקי הזום שבינינו נבהיר כי לא מדובר בצורת ההוראה בקורסים באוניברסיטה. בדפוס האסינכרוני, האלגוריתם לומד רק מסקירת פעולותיו שלו ותוצאותיהן, בעוד שבדפוס הסינכרוני, הוא יכול לייצר ולבחון תרחישים שלא התרחשו בפועל ולהיעזר בהם כדי לטייב את התמחור. למשל, האלגוריתם יכול לאמוד את הביקוש ובהנתן זאת, לחשב את הרווח הצפוי ממחירים שונים, גם אם אלו לא נוסו בפועל עד היום.

גם בלי להרחיק לכת לאמידת ביקוש מתוחכמת, הכותבים מראים שעצם ההפנמה על ידי האלגוריתמים שהביקוש "יורד משמאל לימין" (קרי: שהפחתת מחיר תגרום לעליה בכמות המבוקשת) יכולה להשפיע באופן דרמטי על רמת המחירים שתגבה בפועל. מה עוד משפיע על התוצאה? הבחירה שלנו להגדיר לאלגוריתם מטרה סטטית – מקסם את הרווח באופן רגעי – או דינמית, משמע, מקסם את זרם הרווחים המהוון על פני מספר תקופות.

הכותבים מוצאים שאפילו פרוטוקולים בסיסיים מאוד יכולים להביא לתמחור לא תחרותי, ומאששים בכך את המסקנות של קלוונו ושות'. מצד שני, העובדה שהגדרות שונות של המנדט והיכולות של האלגוריתם מובילות לתוצאות מאוד שונות – כולל, לפעמים, לתוצאה תחרותית – מאששת דווקא את הסקפטיות הבריאה של שוואלבה. הסתכלות מפוכחת תוביל למסקנה כי עבודה רבה לפנינו בטרם נוכל לגבש מדיניות קוהרנטית ברוח האג'נדה של הרינגטון.

אם הצד התאורטי סיפק תמונה מעורפלת לגבי היכולת המעשית של אלגוריתמים אוטונומיים להתקרטל, הדבר הטבעי לשאול הוא: מה אומרת הספרות האמפירית על האפשרות הזו?

לצערנו היא עדיין לא מספיק מפותחת, אך בכל זאת פתחנו את 2021 עם שתי עבודות יפות. אסאד, קלארק, ארשוב ושו חקרו את השלכות האימוץ של כלי תמחור אלגוריתמיים על ידי תחנות דלק בגרמניה. הם מצאו שאימוץ הטכנולוגיה לא השפיע על שולי הרווח בשווקים גאוגרפיים בהם תחנת הדלק מחזיקה במונופול מקומי, בעוד שבשווקים דואופוליסטיים, שולי הרווח עלו רק אם שתי תחנות הדלק אימצו את כלי התמחור האלגוריתמיים! המסקנה המשתמעת היא כי האפקט העיקרי של אימוץ האלגוריתמים בשוק שנבחן אינו בשיפור היכולת של הפירמה לתמחר אופטימלית – אלא בהפחתת גובה הלהבות התחרותיות. ובישור קו מסויים עם קלוונו ושות', התהליך הזה לוקח זמן – שולי הרווח מתחילים לעלות כשנה אחרי אימוץ האלגוריתמים.

בראון ומק'קיי בחנו דפוסי תמחור אלגוריתמי בנתונים של קמעונאים אלקטרוניים גדולים, והגיעו למסקנה כי פירמות שונות מאמצות אלגוריתמים הנבדלים בתדירות עדכון המחירים שלהן. הדבר עודד אותם לכתוב מודל תאורטי המדגים נקודה מעניינת: אימוץ אלגוריתמים יכול להביא לעליית מחירים שאינה נובעת דווקא מריסון התחרות, אלא משינוי אופיה: מתחרות על מחיר, לתחרות על אימוץ אלגוריתמים יעילים יותר.

נסכם בהודאה כי יש לנו עוד הרבה מה ללמוד לגבי המשמעות של אלגוריתמים מתמחרים בתאוריה ובשדה. אך העניין בנושא רב, ותרומות מחקריות חדשות נוחתות על שולחננו חדשות לבקרים. נמשיך לנצל את זכותנו כבני אנוש לעקוב וללמוד, ולא על פי פרוקוטוקול שמישהו עיצב עבורנו. מה ששלנו – שלנו.

רוצים להמשיך בשיחה? ניתן להגיב למטה, לעקוב אחרי "על שווקים ותחרות" בטוויטר, להירשם בדף הבית לקבלת רשומות חדשות לתבת המייל, או ליצור קשר.

פורסם ב-30.3.2021. כל הזכויות שמורות לאלון איזנברג Ⓒ2019-2021

2 מחשבות על “תמחור מבוסס נתונים: הקרטלו-בוט בתאוריה ובשטח

  1. איתי שחם

    רשומה מעולה כרגיל.
    ארצה לקבל את דעתך על נושא קשור. הספרות האמפירית הצומחת בנושא תמחור אלגוריתמי מעלה תהיות לגבי מידת 'רציונליות' התמחור האנושי שעדיין מהווה מנגנון התמחור העיקרי. בכל הקשור למודלים מבניים של ביקוש והיצע, המחייבים הגדרת כללי החלטה ומושג שווי משקל, עד כמה הנחת התמחור לפי מושג שווי משקל נטול הטיות היא סבירה? האם המסקנה המתבקשת היא שתמחור אנושי אינו תואם כללי החלטה 'אופטימליים' ולכן מודלים אלו לוקים בהטיות והחיזויים שלהם אינם אמינים?

    Liked by 1 person

    1. mktscompetition מאת

      תודה רבה איתי. שאלה מצויינת. המסקנה שלי מהספרות (והניסיון) היא שמנהלים בשר ודם, כמו גם אלגוריתמים, מחפשים את התמחור הנכון בדרך של ניסוי וטעיה. הם לא פותרים פורמלית תנאי סדר ראשון, אבל בקירוב, מגיעים לרוב לתוצאה שכנראה לא רחוקה מהאופטימום, ולכן גם לא רחוקה מלקיים את תנאי שיווי המשקל. דרך אחת שבה אלגוריתמים בכל זאת משנים את התמונה היא ביכולת שלהם להתאים את התמחור בתדירות גבוהה, או לפי הזהות של הלקוח, באופן שאנשים מתקשים לעשות. אבל בהרבה ענפים פירמות מסתייגות מתמחור פרסונלי או משתנה מסיבות מגוונות, ואז הפער בין התמחור האנושי והאוטונומי מצטמצם.

      אהבתי

להגיב על mktscompetition לבטל

הזינו את פרטיכם בטופס, או לחצו על אחד מהאייקונים כדי להשתמש בחשבון קיים:

הלוגו של WordPress.com

אתה מגיב באמצעות חשבון WordPress.com שלך. לצאת מהמערכת /  לשנות )

תמונת גוגל

אתה מגיב באמצעות חשבון Google שלך. לצאת מהמערכת /  לשנות )

תמונת Twitter

אתה מגיב באמצעות חשבון Twitter שלך. לצאת מהמערכת /  לשנות )

תמונת Facebook

אתה מגיב באמצעות חשבון Facebook שלך. לצאת מהמערכת /  לשנות )

מתחבר ל-%s

אתר זו עושה שימוש ב-Akismet כדי לסנן תגובות זבל. פרטים נוספים אודות איך המידע מהתגובה שלך יעובד.