Влияние эффекта масштаба рекомендательных систем на конкуренцию в секторах цифровых платформ

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

Статья опубликована в журнале «Проблемы прогнозирования» (ISSN: 0868-6351 (Print), ISSN: 3034-0071 (Online)), №3 2025

RUEN
ВЛИЯНИЕ ЭФФЕКТА МАСШТАБА РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ НА КОНКУРЕНЦИЮ В СЕКТОРАХ ЦИФРОВЫХ ПЛАТФОРМ

АВДАШЕВА Светлана Борисовна, д.э.н., avdash@hse.ru, Национальный исследовательский университет «Высшая школа экономики», Институт анализа предприятий и рынков, Москва, Россия

ХОМИК Олеся Сергеевна, к.э.н., ohomic@hse.ru, Национальный исследовательский университет «Высшая школа экономики», Институт анализа предприятий и рынков, Москва, Россия

ЧЕСНОКОВ Владислав Сергеевич, vschesnokov@hse.ru, Национальный
исследовательский университет «Высшая школа экономики», Институт анализа предприятий и рынков, Москва, Россия

ХЛЮПИНА Вероника Андреевна, vhlyupina@hse.ru, Национальный исследовательский университет «Высшая школа экономики», Институт анализа предприятий и рынков, Москва, Россия

Аннотация. 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.

Ключевые слова: цифровые платформы, рекомендательные системы, эффект масштаба, конкурентная политика.

JEL: L86, D83, K21

DOI: 10.47711/0868-6351-210-135-145

Благодарности: Авторы благодарят С.В. Голованову, профессора Нижегородского кампуса НИУ ВШЭ, и Б.С. Потанина, доцента департамента прикладной экономики НИУ ВШЭ, за обсуждение драфта работы, участников открытого семинара «Трансформация рынков: цифровые платформы и сравнительные преимущества в международной торговле» за высказанные замечания и соображения, С.В. Бовт за предоставление доступа к базе данных Semrush, В.С. Федорову и П.Ф. Исаеву (Пермский кампус НИУ ВШЭ) за их работу в качестве исследовательских ассистентов. В.А. Хлюпина выражает благодарность программе поддержки стажеров-исследователей Научного фонда ФЭН НИУ ВШЭ.

Финансирование: Работа выполнена в рамках проекта фундаментальных исследований НИУ ВШЭ.

Статья поступила в редакцию 27.08.2024. Статья принята к публикации 20.11.2024.

Для цитирования: С.Б. Авдашева, О.С. Хомик, В.С. Чесноков, В.А. Хлюпина. Влияние эффекта масштаба рекомендательных систем на конкуренцию в секторах цифровых платформ // Проблемы прогнозирования. 2025. № 3 (210). С. 135-145. DOI: 10.47711/0868-6351-210-135-145

IMPACT OF THE SCALE EFFECT OF RECOMMENDATION SYSTEMS ON COMPETITION IN DIGITAL PLATFORM SECTORS

S.B. AVDASHEVA, Doct. Sci. (Econ.), National Research University Higher School of Economics, Institute for Industrial and Market Studies, Moscow, Russia

O.S. KHOMIK, Cand. Sci. (Econ.), National Research University Higher School of Economics, Institute for Industrial and Market Studies, Moscow, Russia

V.S. CHESNOKOV, National Research University Higher School of Economics, Institute for Industrial and Market Studies, Moscow, Russia

V.A. KHLYUPINA, National Research University Higher School of Economics, Institute for Industrial and Market Studies, Moscow, Russia

Abstract. Over the past quarter-century, digital platforms proliferated and became the world’s most valuable companies. Traditionally, the growth of digital platforms is explained by cross-platform network effects, which, in turn, are supported by recommendation systems – a set of algorithms that suggest the most suitable user of one type to a user of another type. The dependence of the accuracy ensured by algorithm predictions on the number of observation units and on the number and type of observations for each unit—returns to scale—affects the comparative competitiveness of large and small platforms, the structure of markets, and hence the choice of public policy instruments in relation to the platforms. The aim of the article is to systematize the data regarding the returns to scale of recommendation systems on digital platforms. The results obtained by empirical studies and the analysis of coverage and convergence indicators for some Russian platforms cast doubt on the significant positive return of recommendation system accuracy with regard to the number of users: it largely depends on the designed set of algorithms. Improvement in recommendation system algorithms will make it possible for even smaller Russian platforms to remain competitive with a limited number of users.

Keywords: digital platforms, recommendation systems, returns to scale, competitive policy.

DOI: 10.1134/S107570072570011X

Acknowledgments: The authors are grateful to S.V. Golovanova, Professor at the Nizhny Novgorod campus of NRU HSE, and B. S. Potanin, Associate Professor in the Department of Applied Economics at NRU HSE, for discussing the draft of this work, the participants of the open seminar “Market Transformation: Digital Platforms and Comparative Advantages in International Trade” for their comments and suggestions, S. V. Bovt for providing access to the Semrush database, and V. S. Fedorova and P. F. Isaeva (Perm campus of NRU HSE) for their work as research assistants. V. A. Khlyupina is grateful to the Research Intern Support Program of the Research Fund at the NRU HSE Department of Economics.

Funding: This work was supported by ongoing institutional funding as part of the NRU HSE fundamental research project.

Received 27.08.2024. Accepted 20.11.2024.

For citation: S.B. Avdasheva, O.S. Khomik, V.S. Chesnokov, and V.A. Khlyupina. Impact of the Scale Effect of Recommendation Systems on Competition in Digital Platform Sectors // Studies on Russian Economic Development. 2025. Vol. 36. No. 3. Pp. 388–395. DOI: 10.1134/S107570072570011X

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.)]