Deploying algorithmic pricing in firms to charge different prices for the individual customers raises moral concerns and discrimination in the competitive market (Seele et al., 2021). Personalized pricing is referred as first-degree price discrimination and represents a pricing strategy “whereby firms charge different prices to different consumers based on their willingness to pay” (Choudhary et al., 2005). With the advent of personalized pricing, algorithmic consumers have raised a host of intriguing challenges to the current regulatory tools in the legal area (Gal & Elkin-Koren, 2016). Due to the ambiguous impact on the consumer welfare, the personalized pricing requires a case-by-case analysis instead of prohibiting all sellers. (Botta & Wiedemann, 2020). In order to protect the fairness of customers, the Digital Market Acts (2022) regulates that some dominant market platforms such as Alphabet, Amazon, Apple, ByteDance, Meta, and Microsoft are not allowed to impose pricing conditions which could lead to unjustified differentiation in their customers. Several researchers have conducted studies to design algorithms to approach customers fairness, such as by Buchali (2021), Vulkan and Shem-Tov (2015) or (Rhodes et al., 2022) etc. However, according to Buchali (2021), the fairness index has some weaknesses because inequity aversion judgment differs among people. Therefore, investigating multi-agent learning might be a possible extension for the personalized pricing fairness approach. The purpose of this thesis is to address these customer behaviors by applying agent-based model into discussed market pricing strategies, and provide some remedies to increase the customer fairness in the market by applying the agency’s suggestion or the customer algorithms through price comparison portals.

L'impiego di prezzi algoritmici nelle aziende per applicare prezzi diversi ai singoli clienti solleva preoccupazioni morali e discriminazioni nel mercato competitivo (Seele et al., 2021). Il pricing personalizzato è definito discriminazione di prezzo di primo grado e rappresenta una strategia di pricing “in cui le aziende applicano prezzi diversi a consumatori diversi in base alla loro disponibilità a pagare” (Choudhary et al., 2005). Con l'avvento dei prezzi personalizzati, i consumatori algoritmici hanno sollevato una serie di intriganti sfide agli attuali strumenti normativi in ambito legale (Gal & Elkin-Koren, 2016). A causa dell'impatto ambiguo sul benessere dei consumatori, i prezzi personalizzati richiedono un'analisi caso per caso invece di vietare tutti i venditori. (Botta & Wiedemann, 2020). Per tutelare l'equità dei clienti, il Digital Market Acts (2022) stabilisce che alcune piattaforme di mercato dominanti come Alphabet, Amazon, Apple, ByteDance, Meta e Microsoft non possono imporre condizioni di prezzo che potrebbero portare a una differenziazione ingiustificata dei loro clienti. Diversi ricercatori hanno condotto studi per progettare algoritmi di approccio all'equità dei clienti, come ad esempio Buchali (2021), Vulkan e Shem-Tov (2015) o (Rhodes et al., 2022) ecc. Tuttavia, secondo Buchali (2021), l'indice di equità presenta alcuni punti deboli perché il giudizio di avversione all'iniquità varia da persona a persona. Pertanto, lo studio dell'apprendimento multi-agente potrebbe essere una possibile estensione dell'approccio all'equità dei prezzi personalizzati. Lo scopo di questa tesi è quello di affrontare questi comportamenti dei clienti applicando il modello basato sugli agenti alle strategie di prezzo del mercato discusse e di fornire alcuni rimedi per aumentare l'equità dei clienti nel mercato applicando i suggerimenti dell'agenzia o gli algoritmi dei clienti attraverso i portali di confronto dei prezzi.

ALGORITHMS AND PERSONALIZED PRICING

HA, THI THU TRANG
2023/2024

Abstract

Deploying algorithmic pricing in firms to charge different prices for the individual customers raises moral concerns and discrimination in the competitive market (Seele et al., 2021). Personalized pricing is referred as first-degree price discrimination and represents a pricing strategy “whereby firms charge different prices to different consumers based on their willingness to pay” (Choudhary et al., 2005). With the advent of personalized pricing, algorithmic consumers have raised a host of intriguing challenges to the current regulatory tools in the legal area (Gal & Elkin-Koren, 2016). Due to the ambiguous impact on the consumer welfare, the personalized pricing requires a case-by-case analysis instead of prohibiting all sellers. (Botta & Wiedemann, 2020). In order to protect the fairness of customers, the Digital Market Acts (2022) regulates that some dominant market platforms such as Alphabet, Amazon, Apple, ByteDance, Meta, and Microsoft are not allowed to impose pricing conditions which could lead to unjustified differentiation in their customers. Several researchers have conducted studies to design algorithms to approach customers fairness, such as by Buchali (2021), Vulkan and Shem-Tov (2015) or (Rhodes et al., 2022) etc. However, according to Buchali (2021), the fairness index has some weaknesses because inequity aversion judgment differs among people. Therefore, investigating multi-agent learning might be a possible extension for the personalized pricing fairness approach. The purpose of this thesis is to address these customer behaviors by applying agent-based model into discussed market pricing strategies, and provide some remedies to increase the customer fairness in the market by applying the agency’s suggestion or the customer algorithms through price comparison portals.
2023
ALGORITHMS AND PERSONALIZED PRICING
L'impiego di prezzi algoritmici nelle aziende per applicare prezzi diversi ai singoli clienti solleva preoccupazioni morali e discriminazioni nel mercato competitivo (Seele et al., 2021). Il pricing personalizzato è definito discriminazione di prezzo di primo grado e rappresenta una strategia di pricing “in cui le aziende applicano prezzi diversi a consumatori diversi in base alla loro disponibilità a pagare” (Choudhary et al., 2005). Con l'avvento dei prezzi personalizzati, i consumatori algoritmici hanno sollevato una serie di intriganti sfide agli attuali strumenti normativi in ambito legale (Gal & Elkin-Koren, 2016). A causa dell'impatto ambiguo sul benessere dei consumatori, i prezzi personalizzati richiedono un'analisi caso per caso invece di vietare tutti i venditori. (Botta & Wiedemann, 2020). Per tutelare l'equità dei clienti, il Digital Market Acts (2022) stabilisce che alcune piattaforme di mercato dominanti come Alphabet, Amazon, Apple, ByteDance, Meta e Microsoft non possono imporre condizioni di prezzo che potrebbero portare a una differenziazione ingiustificata dei loro clienti. Diversi ricercatori hanno condotto studi per progettare algoritmi di approccio all'equità dei clienti, come ad esempio Buchali (2021), Vulkan e Shem-Tov (2015) o (Rhodes et al., 2022) ecc. Tuttavia, secondo Buchali (2021), l'indice di equità presenta alcuni punti deboli perché il giudizio di avversione all'iniquità varia da persona a persona. Pertanto, lo studio dell'apprendimento multi-agente potrebbe essere una possibile estensione dell'approccio all'equità dei prezzi personalizzati. Lo scopo di questa tesi è quello di affrontare questi comportamenti dei clienti applicando il modello basato sugli agenti alle strategie di prezzo del mercato discusse e di fornire alcuni rimedi per aumentare l'equità dei clienti nel mercato applicando i suggerimenti dell'agenzia o gli algoritmi dei clienti attraverso i portali di confronto dei prezzi.
File in questo prodotto:
File Dimensione Formato  
MASTER THESIS-TRANGHA-ALGORITHMS AND PERSONALIZED PRICING.pdf

accesso aperto

Dimensione 1.54 MB
Formato Adobe PDF
1.54 MB Adobe PDF Visualizza/Apri

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/27290