[论文解读] Information Disclosure and Promotion Policy Design for Platforms

Yonatan Gur, Gregory Macnamara+2 more|arXiv (Cornell University)|Nov 21, 2019

Consumer Market Behavior and Pricing被引用 11

一句话总结

本文提出了一种联合信息设计与推广策略框架，旨在动态市场中，当卖家采取短期定价策略时，最大化平台的长期消费者剩余。通过引入‘混淆推广政策’，使可见性的真实价值变得模糊，平台可防止卖家通过销售数据学习到推广的收益，从而实现最优的定价激励。关键结果是在时间跨度最大化最小条件下，平台实现最优贝叶斯纳什均衡，适用于广泛的需求数学模型，实现接近最大化的消费者剩余。

ABSTRACT

We consider a platform facilitating trade between sellers and buyers with the objective of maximizing consumer surplus. Even though in many such marketplaces prices are set by revenue-maximizing sellers, platforms can influence prices through (i) price-dependent promotion policies that can increase demand for a product by featuring it in a prominent position on the webpage and (ii) the information revealed to sellers about the value of being promoted. Identifying effective joint information design and promotion policies is a challenging dynamic problem as sellers can sequentially learn the promotion value from sales observations and update prices accordingly. We introduce the notion of confounding promotion policies, which are designed to prevent a Bayesian seller from learning the promotion value (at the expense of the short-run loss of diverting some consumers from the best product offering). Leveraging these policies, we characterize the maximum long-run average consumer surplus that is achievable through joint information design and promotion policies when the seller sets prices myopically. We then construct a Bayesian Nash equilibrium in which the seller's best response to the platform's optimal policy is to price myopically in every period. Moreover, the equilibrium we identify is platform-optimal within the class of horizon-maximin equilibria, in which strategies are not predicated on precise knowledge of the horizon length, and are designed to maximize payoff over the worst-case horizon. Our analysis allows one to identify practical long-run average optimal platform policies in a broad range of demand models.

研究动机与目标

• 设计联合的信息披露与推广策略，以在卖家采取短期定价策略的平台上，最大化长期消费者剩余。
• 解决卖家通过销售观察学习推广价值所带来的挑战，该行为可能削弱平台的激励机制。
• 开发一种混淆推广策略，使贝叶斯卖家无法推断出推广的真实价值，同时维持对需求的激励。
• 在时间跨度最大化最小均衡的类别中，刻画最优平台策略，确保对未知时间跨度的鲁棒性。
• 将该框架扩展至一般需求函数与福利函数，实现对多样化市场模型的实际应用。

提出的方法

• 引入‘混淆推广策略’，通过战略性地隐藏推广带来的真实需求提升，防止卖家通过贝叶斯更新学习到推广价值。
• 采用动态贝叶斯模型，平台根据卖家对推广价值的信念（建模为信念状态 μ ∈ [0,1]）设计策略。
• 构建一个优化问题（69），用于为每个信念 μ 计算最优混淆策略，平衡消费者剩余与激励相容性。
• 建立一个贝叶斯纳什均衡，其中卖家在每一时期的最佳反应仍是采取短期定价，即使在信息不完全的情况下。
• 利用信念更新的鞅性质与上半连续性论证，证明均衡的收敛性与稳定性。
• 将简单模型中的结果推广至一般需求函数与福利函数，确保广泛适用性。

实验结果

研究问题

• RQ1 当卖家采取短期定价策略且能通过销售数据学习时，平台如何最大化长期消费者剩余？
• RQ2 哪些推广与信息披露策略可防止卖家推断出可见性的真正价值，从而保护平台的激励机制？
• RQ3 是否可以设计一种混淆策略，使卖家在信息不对称的情况下仍保持低定价的激励？
• RQ4 何种均衡结构可确保在时间跨度不确定的情况下实现平台最优？
• RQ5 平台的最优策略如何在一般需求模型中被刻画？

主要发现

• 通过使用隐藏真实推广效应的混淆推广策略，平台可使长期平均消费者剩余任意接近理论最大值。
• 存在一个贝叶斯纳什均衡，其中卖家在每一时期的最佳反应仍是采取短期定价，即使不知道时间跨度长度。
• 该均衡在时间跨度最大化最小均衡的类别中为平台最优，确保对时间跨度不确定性的鲁棒性。
• 最优策略通过求解一个依赖信念的优化问题（69）来刻画，该问题平衡了需求、定价与信息披露。
• 平台控制信息流的能力使其能够在动态学习下提取全部剩余潜力，即使卖家是短期导向的。
• 该框架可推广至任意需求模型，关键结果在需求函数与福利函数满足温和正则性条件时依然成立。