Влияние эффекта масштаба рекомендательных систем на конкуренцию в секторах цифровых платформ

Авдашева Светлана Борисовна   Хомик Олеся Сергеевна   Чесноков Владислав Сергеевич   Хлюпина Вероника Андреевна   

За последние четверть века цифровые платформы получили широкое распространение и стали самыми дорогими компаниями мира. Традиционно рост цифровых платформ объясняется кроссплатформенными сетевыми эффектами, которые, в свою очередь, поддерживаются рекомендательными системами – набором алгоритмов, предлагающих пользователю одного типа наиболее подходящего пользователя другого типа. Зависимость точности предсказаний алгоритма от числа единиц наблюдений и от числа и типа наблюдений для каждой единицы – отдача от масштаба влияет на сравнительную конкурентоспособность крупных и мелких платформ, на структуру рынков, а следовательно – и на выбор инструментов государственной политики по отношению к платформам. Цель статьи – систематизировать данные относительно отдачи от масштаба рекомендательных систем цифровых платформ. Результаты эмпирических исследований и анализ показателей охвата и конвергенции некоторых российских платформ ставят под сомнение значительную положительную отдачу точности рекомендательных систем от числа пользователей: она во многом зависит от дизайна набора алгоритмов. Совершенствование алгоритмов рекомендательных систем позволит не самым крупным российским платформам сохранить конкурентоспособность при ограниченном числе пользователей.

Статья опубликована в журнале «Проблемы прогнозирования», №3 2025

Литература/References

  1. Costa H., Nicoletti G., Pisu M., von Rueden C. Are online platforms killing the offline star? Platform diffusion and the productivity of traditional firms. 2021. URL: https://www.oecd-ilibrary.org/economics/are-online-platforms-killing-the-offline-star-platform-diffusion-and-the-productivity-of-traditional-firms_1e2bbe10-en
  2. Goldfarb A., Que V.F. The economics of digital privacy // Annual Review of Economics. 2023. No. 15 (1). Pp. 267-286.
  3. Fletcher A., Ormosi P.L., Savani R. Recommender systems and supplier competition on platforms // Journal of Competition Law & Economics. 2023. No. 19 (3). Pp. 397-426.
  4. Varian Hal R. Big Data: New Tricks for Econometrics // Journal of Economic Perspectives. 2014. No. 28 (2). Pp. 3-28. URL: http://dx.doi.org/10.1257/jep.28.2.3
  5. Li X., Ling C.X., Wang H. The convergence behavior of naive Bayes on large sparse datasets // ACM Transactions on Knowledge Discovery from Data (TKDD). 2016. No. 11 (1). Pp. 1-24. DOI: 10.1145/2948068.
  6. Bajari P., Chernozhukov V., Hortaçsu A., Suzuki J. The Impact of Big Data on Firm Performance: An Empirical Investigation // AEA Papers and Proceedings. 2019. No. 109. Pp. 33-37. DOI: 10.1257/pandp.20191000.
  7. Kim K., Kwon E., Park J. Deep User Segment Interest Network Modeling for Click-Through Rate Prediction of Online Advertising. IEEE Access, 2021. No. 9. Рр. 9812-9821. DOI: 10.1109/ACCESS.2021.3049827.
  8. Hertz G., Sachidanandan S., Tóth B., Jørgensen E., Tegnér M. Data Optimisation for a Deep Learning Recommender System. 2021. Data Optimisation for a Deep Learning Recommender System (researchgate.net).
  9. Schaefer M., Sapi G., Lorincz S. The effect of big data on recommendation quality: The example of internet search. DIW Discussion Papers. 2018. No. 1730. Deutsches Institut für Wirtschaftsforschung (DIW), Berlin. URL: https://dx.doi.org/10.2139/ssrn.3161325
  10. Chiou L., Tucker C. Search Engines and Data Retention: Implications for Privacy and Antitrust. SSRN Electronic Journal. 2014. DOI: 10.2139/ssrn.2441333. URL: https://www.researchgate.net/publication/272471902_Search_Engines_and_Data_Retention_Implications_for_Privacy_and_Antitrust
  11. Claussen J., Peukert Ch., Sen A. The Editor vs. the Algorithm: Returns to Data and Externalities in Online News. CESifo Working Paper. 2019. No. 8012. Center for Economic Studies and ifo Institute (CESifo), Munich. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3518959
  12. He X. & P. et al. Practical Lessons from Predicting Clicks on Ads at Facebook. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2014. DOI: 10.1145/2648584.2648589.
  13. Romero L., Rumín Á., Cuevas R. Digital Marketing Attribution: Understanding the User Path // Electronics. 2020. No. 9 (11). Pp. 1822-1847. DOI: 10.3390/electronics9111822.
  14. Yoganarasimhan H. Search personalization using machine learning // Management Science.2020. No. 66 (3). Pp. 1045-1070.
  15. Semrush. Traffic Analytics. 2024. URL: https://www.semrush.com/kb/26-traffic-analytics
  16. Semrush. Analyze Competitor Purchase Conversion Trends. 2023. URL: https://www.semrush.com/news/251417-analyze-competitor-purchase-conversion-trends/
  17. Aihello.com Amazon’s conversion rate: Everything You Need to Know. 2024. URL: https://www.aihello.com/resources/blog/amazons-conversion-rate-everything-you-need-to-know-2024/#:~:text=Amazon%20listings%20have%20a%20conversion,not%20right%20away%2C%20then%20soon
  18. Jvo.ru. Как поднять продажи на Wildberries? Разбираем кейсы топовых продавцов. 2024. URL: https://jvo.ru/blog/kak-podnyat-prodazhi-na-wildberries-razbiraem-kejsy-topovyh-prodavcov#:~:text=Но%20при%20этом%20конверсия%20в,минимальной%20нормой%20принято%20считать%2010%25 [Jvo.ru. How to boost sales on Wildberries? We analyze the cases of top sellers. 2024. (In Russ.)]
  19. Королев Е. Продвижение на Озон: как мы увеличили конверсию в корзину с 7% до 25% потратив всего 5000 рублей. vc.ru. 2022. URL: https://vc.ru/marketplace/423168-prodvizhenie-na-ozon-kak-my-uvelichili-konversiyu-v-korzinu-s-7-do-25-potrativ-vsego-5000-rublei [Korolev E. Prodvizhenie na Ozon: kak my uvelichili konversiyu v korzinu s 7% do 25% potrativ vsego 5000 rublei. 2022. (In Russ.)]
  20. Яндекс Маркет для продавцов. Что такое Буст продаж и как зарабатывать больше с его помощью: опыт магазина Rant. 2024. URL: https://partner.market.yandex.ru/blog/finance-on-marketplaces/bust-prodazh-dlya-prodavcov/ [Yandex Market dlya prodavtsov. Chto takoe Bust prodazh i kak zarabatyvat’ bol’she s ego pomoshch’yu: opyt magazina Rant. 2024. (In Russ.)]
  21. T-банк Исследование Tinkoff eCommerce и Data Insight: объем рынка нишевых маркетплейсов в России составляет 600 млрд рублей. 2024. URL: https://www.tbank.ru/about/news/26012024-tinkoff-ecommerce-and-data-insight-research-market-for-niche-marketplaces-in-russia-reached-600-billion-rubles-in-2023/ [T-bank Issledovanie Tinkoff eCommerce i Data Insight: ob’em rynka nishevykh marketpleisov v Rossii sostavlyaet 600 mlrd rublei. 2024. (In Russ.)]
  22. Юсупова Г.Ф. ФАС против Google: экономический анализ // Экономическая политика. 2016. № 11 (6). С. 82-99. [Yusupova G.F. Federal Antimonopoly Service against Google: Economic Analysis for Special Markets // Ekonomicheskaya Politika. 2016. Vol. 11. No. 6. Pp. 82-99. (In Russ.)]