Оптимальная рекомендательная система для электронной коммерции: некоторые теоретические инсайты

Данил Федченко (выпускник программы «Магистр экономики» РЭШ 2020 г.)

Многие платформы электронной коммерции, связывающие покупателей и продавцов, используют рекомендательные системы, чтобы помочь клиентам найти наиболее подходящий товар. В этой связи возникает вопрос, как такой онлайн-платформе оптимально рекомендовать покупателям этих продавцов, и какую комиссию взимать с последних.

Когда мы что-то ищем на Amazon или AliExpress, платформа должна решить, каких продавцов нам показывать. С одной стороны, так как она взимает комиссию с продаж, вроде бы кажется, что из двух продавцов, продающих примерно одинаковые товары, нужно рекомендовать того, чей товар стоит дороже. Но с другой стороны, мы понимаем, что такая рекомендательная политика будет негативно влиять на удовлетворенность покупателей.

Хотя платформа электронной коммерции заинтересована в том, чтобы комиссии были как можно выше, это может негативно влиять на стимулы продавцов раскрывать информацию о своих товарах (особенно если это требует затрат). Например, продавцы могут перестать тратить время на детальное описание товара, так как затраты на это не окупаются: бОльшую часть выручки забирает себе платформа в качестве комиссии. Такое поведение продавцов, опять же, может негативно отразиться на пользователях, которые будут покупать «котов в мешке» и оставаться недовольными сервисом.

Кроме того, наличие рекомендательных систем может иметь несколько потенциальных эффектов на стратегии конкурирующих продавцов: с одной стороны, больше людей узнают о продукте, поэтому платформа электронной коммерции сможет продавать больше товаров и получать выгоду от наличия рекомендательной системы. В то же самое время больше людей узнают и о продавце-конкуренте, что может усилить ценовую конкуренцию и в конечном итоге навредить продавцам (но, без сомнения, принесет пользу покупателям).

Разрабатывая рекомендательную стратегию, платформа должна находить оптимальное соотношение между заботой о покупателях и желанием поддерживать высокие цены на товары. То есть ее основную задачу можно сформулировать следующим образом: как оптимально рекомендовать продавцов и какую комиссию взимать, балансируя между желанием получить большой процент с продаж и при этом заботясь об удовлетворенности пользователей.

В работе исследовании приводится пример оптимальной рекомендательной стратегии и рассматриваются факторы, которые на нее влияют. Так, рекомендательные системы, которая получают долю с дохода продавца, снижают конкуренцию. И это влияние оказывается тем сильнее, чем меньше система ориентирована на удовлетворение покупателя. Иными словами, ориентированная на потребителя платформа электронной коммерции должна брать минимально возможную комиссию с продавцов.

Еще один фактор, который показывает исследование, заключается в том, что некоторая неточность рекомендаций может быть оптимальной для платформы. Это объясняется следующим: с одной стороны, неточность негативно влияет на выгоду покупателя (поскольку увеличивает вероятность несостыковки запроса с предложением продавца). Но в то же время, идеальная точность рекомендательной системы практически убивает конкуренцию, а этот негативный (для покупателя) эффект перевешивает выгоду от отсутствия возможной неточности. Таким образом, для платформы электронной коммерции иногда выгоднее пожертвовать некоторыми покупателями (и порекомендовать им не лучшую альтернативу), чтобы повысить конкуренцию между продавцами и обеспечить выгоду всем (кроме продавцов) через более низкие цены.

Полученные в теоретической модели выводы, дополненные реальными данными конкретных платформ, могут дать ценную информацию о том, какие факторы следует учитывать при создании оптимальных рекомендательных систем.