Jika tidak dicentang, algoritme penetapan harga mungkin secara tidak sengaja mendiskriminasi dan berkolusi untuk menetapkan harga
Algoritme penetapan harga memainkan peran utama dalam perekonomian saat ini. Tetapi beberapa ahli khawatir bahwa, tanpa pemeriksaan yang cermat, program-program ini mungkin secara tidak sengaja belajar untuk mendiskriminasi kelompok minoritas dan mungkin berkolusi untuk menaikkan harga secara artifisial. Sekarang sebuah studi baru menunjukkan bahwa alat ekonomi yang berasal dari Roma kuno dapat membantu mengekang kekhawatiran yang sangat modern ini.
Algoritme saat ini menetapkan harga untuk seluruh lini produk di perusahaan teknologi berat seperti Amazon dan menghitung tarif sepanjang waktu untuk layanan berbagi perjalanan, termasuk Uber dan Lyft. Program semacam itu mungkin tidak selalu hanya mengandalkan data penawaran dan permintaan. Algoritme dapat memanfaatkan kumpulan besar informasi pribadi konsumen untuk menghitung bagaimana perusahaan dapat secara tepat menawarkan produk yang paling didambakan kepada individu—dan memaksimalkan keuntungan saat melakukannya.
Dalam beberapa tahun terakhir, sejumlah penelitian telah menyarankan bahwa algoritme penetapan harga dapat belajar untuk menawarkan harga yang berbeda kepada konsumen yang berbeda berdasarkan riwayat pembelian atau preferensi unik mereka.
Dan beberapa penelitian menunjukkan bahwa strategi ini, yang disebut sebagai “penetapan harga yang dipersonalisasi”, dapat secara tidak sengaja mengarahkan algoritme untuk menetapkan harga yang lebih tinggi bagi kelompok minoritas yang kurang beruntung.
Misalnya, pialang sering mengenakan suku bunga yang lebih tinggi kepada ras dan etnis minoritas, dan salah satu faktor yang mungkin adalah tempat tinggal orang: program dapat menargetkan wilayah yang persaingannya lebih sedikit. Studi lain menunjukkan bahwa, dalam kondisi eksperimental tertentu, algoritme semacam itu dapat belajar berkolusi satu sama lain untuk membuat skema penetapan harga.
Buka di Google Terjemahan
Ketika algoritme mengadopsi taktik semacam itu dalam mengejar keuntungan maksimum, para ahli sering menyebut pendekatan agresif program ini sebagai "rakus".
Selama bertahun-tahun, pembuat kebijakan dan eksekutif teknologi telah berusaha untuk menyeimbangkan keserakahan yang melekat pada logika algoritme dengan keadilan tingkat manusia dari keputusan mereka. Sebuah studi pracetak baru, yang dirilis secara online pada bulan Februari oleh para peneliti di Universitas Tsinghua Beijing, dapat memberikan solusi yang sangat sederhana: studi ini menunjukkan bahwa pengendalian harga—yang merupakan salah satu alat tertua dan paling mendasar dalam mengatur perdagangan—dapat dengan mudah digunakan untuk mencegah ekonomi diskriminasi yang berpotensi dihasilkan dari algoritme penetapan harga serakah sambil tetap mempertahankan keuntungan yang wajar bagi perusahaan yang menggunakannya.
Kontrol harga yang diberlakukan secara resmi telah ada selama ekonomi itu sendiri.
Dalam bentuknya yang paling dasar, mereka bertindak sebagai batas atas atau bawah pada berapa banyak penjual diperbolehkan untuk mengenakan biaya untuk barang atau jasa tertentu. Secara teoritis, mereka mempromosikan keadilan dan melindungi usaha kecil dengan menghalangi para pemimpin pasar dari membentuk monopoli dan memanipulasi harga. Selama beberapa tahun terakhir, alat pengatur yang dulunya umum ini telah menarik perhatian baru, sebagian karena penggunaan strategi penetapan harga "lonjakan" oleh perusahaan ride-sharing.
Bisnis ini dapat menggunakan permintaan di area tertentu pada waktu tertentu untuk mengubah harga mereka sehingga pengemudi (dan perusahaan) mendapatkan penghasilan sebanyak mungkin. Pendekatan ini kadang-kadang meningkat menjadi tarif beberapa ratus dolar untuk perjalanan dari bandara ke kota atau kota, misalnya, dan telah menimbulkan seruan untuk peraturan yang lebih kuat. Seorang juru bicara Uber, yang meminta untuk tidak disebutkan namanya, mengatakan perusahaan mempertahankan dukungannya untuk strategi saat ini karena "kontrol harga berarti ... pendapatan yang lebih rendah untuk pengemudi dan keandalan yang lebih rendah." (Lyft dan Amazon, disebutkan secara terpisah sebelumnya, belum menanggapi permintaan komentar pada saat publikasi).
Tetapi minat pada konsep pengendalian harga baru-baru ini mendapatkan landasan baru, didorong oleh tingkat inflasi yang mencapai rekor tinggi.
Ketika COVID-19 memaksa banyak bisnis Amerika untuk tutup, pemerintah federal AS menutupi kerugian dengan cek stimulus dan pinjaman usaha kecil. Suntikan moneter ini berkontribusi pada inflasi harga—dan salah satu cara untuk mengendalikan inflasi adalah dengan membatasi harga yang dapat dibebankan oleh perusahaan kepada pemerintah federal.
Penulis makalah baru Universitas Tsinghua mencari bukti ilmiah bahwa kontrol semacam itu tidak hanya dapat melindungi konsumen dari diskriminasi harga algoritmik tetapi juga memungkinkan perusahaan menggunakan alat digital ini untuk mempertahankan keuntungan yang wajar.
Para peneliti juga ingin melihat bagaimana pengendalian harga akan mempengaruhi “surplus” baik dari produsen maupun konsumen. Dalam konteks ini, surplus mengacu pada seluruh manfaat moneter yang diperoleh masing-masing pihak dari suatu transaksi. Misalnya, jika harga sebenarnya dari suatu barang adalah $5, tetapi konsumen entah bagaimana dapat membelinya seharga $3, surplus konsumen akan menjadi $2.
“Harga yang dipersonalisasi telah menjadi praktik umum di banyak industri saat ini karena ketersediaan data konsumen yang semakin banyak,” kata rekan penulis studi Renzhe Xu, seorang mahasiswa pascasarjana di Universitas Tsinghua. “Akibatnya, sangat penting untuk merancang kebijakan regulasi yang efektif untuk menyeimbangkan surplus antara konsumen dan produsen.” Xu dan rekan-rekannya memberikan bukti matematis formal untuk menunjukkan bagaimana kontrol harga secara teoritis dapat menyeimbangkan surplus antara konsumen dan penjual yang menggunakan algoritma kecerdasan buatan. Tim juga menganalisis data dari studi penetapan harga yang diterbitkan sebelumnya untuk melihat bagaimana kontrol semacam itu dapat mencapai keseimbangan itu di dunia nyata.
Misalnya, dalam satu studi yang sering dikutip dari tahun 2002, peneliti di kota Kiel Jerman mengukur kesediaan konsumen untuk membeli makanan ringan: sekaleng Coke di pantai umum atau sepotong kue pound di feri. Sebagai bagian dari penyiapan eksperimen, peserta menyatakan harga yang akan mereka bayarkan untuk barang tersebut sebelum mengambil bola bertanda dari guci untuk menentukan harga yang sebenarnya akan ditawarkan. Jika penawaran awal mereka lebih tinggi, mereka akan dapat membeli makanan ringan; jika tidak, mereka akan kehilangan kesempatan.
Eksperimen tersebut menunjukkan bahwa skenario ini—di mana peserta tahu bahwa mereka akan menerima penawaran yang dipilih secara acak setelah membagikan harga yang diinginkan—membuat pembeli jauh lebih bersedia untuk mengungkapkan harga sebenarnya yang bersedia mereka bayar, dibandingkan dengan metode tradisional seperti sekadar mensurvei individu. Tetapi bagian dari nilai eksperimen untuk studi masa depan, seperti makalah Tsinghua baru, terletak pada kenyataan bahwa itu menghasilkan kumpulan data berharga tentang "kesediaan untuk membayar" (WTP) orang-orang nyata dalam situasi yang realistis.
Ketika seorang manusia daripada generator nomor acak menetapkan biaya, mengetahui WTP konsumen terlebih dahulu memungkinkan penjual untuk mempersonalisasi harga — dan membebankan lebih banyak kepada mereka yang penjual tahu akan bersedia untuk naik. Algoritme penetapan harga mencapai keuntungan serupa ketika mereka memperkirakan WTP individu atau kelompok dengan mengumpulkan data tentang mereka dari perusahaan teknologi besar, seperti operator mesin telusur atau platform media sosial.
“Tujuan penetapan harga algoritmik adalah untuk menilai secara tepat kesediaan konsumen untuk membayar dari data karakteristik konsumen yang sangat terperinci,” kata Xu. Untuk menguji dampak potensial dari kontrol harga di dunia nyata, para peneliti menggunakan data WTP dari studi tahun 2002 untuk memperkirakan bagaimana kontrol tersebut akan menggeser trade-off surplus penjual dan pembeli. Mereka menemukan bahwa keuntungan yang diperoleh penjual kue dan Coke eksperimental dari pengetahuan mereka tentang WTP konsumen akan terhapus dengan kontrol sederhana pada kisaran harga yang dianggap legal. Pada saat yang sama, kontrol harga tidak akan mencegah penjual mendapatkan keuntungan.
Namun, keseimbangan kekuatan ini memiliki beberapa kelemahan. Dengan mencapai distribusi surplus yang lebih adil antara algoritme (atau, dalam kasus eksperimen Kiel, penjual yang beroperasi di bawah seperangkat aturan algoritme) dan konsumen, batasan jangkauan mengurangi total surplus yang direalisasikan oleh semua peserta.
Untuk alasan ini, banyak ekonom berpendapat bahwa peraturan seperti itu mencegah pembentukan keseimbangan pasar yang sebenarnya—titik di mana penawaran sesuai dengan permintaan dan konsumen dapat menerima harga yang akurat dalam waktu nyata. Sementara itu beberapa ekonom perilaku berpendapat bahwa kontrol harga ironisnya dapat menginspirasi peningkatan kolusi di antara para pemimpin pasar, yang berusaha untuk menetapkan harga sedekat mungkin dengan batas yang diberikan. “Internet dan perusahaan listrik, misalnya, membebankan harga terlalu mahal karena mereka secara efektif memonopoli,” kata Yuri Tserlukevich, seorang profesor keuangan di Arizona State University, yang tidak terlibat dalam studi baru tersebut.
Namun, bagi banyak agen penetapan harga algoritmik saat ini, masalah penetapan harga semacam itu tidak terlalu berpengaruh. Itu karena sebagian besar algoritme penetapan harga modern masih kurang memiliki kemampuan untuk berkomunikasi secara efektif satu sama lain.
Bahkan ketika mereka dapat berbagi informasi, seringkali sulit untuk memperkirakan bagaimana program AI akan berperilaku ketika diminta untuk berkomunikasi dengan algoritme lain dengan desain yang sangat berbeda. Hal lain yang mencegah kolusi penetapan harga adalah bahwa banyak algoritme penetapan harga dirancang untuk bersaing dengan "bias saat ini"—yang berarti mereka menilai pengembalian semata-mata di masa sekarang daripada mempertimbangkan potensi keuntungan di masa depan yang dapat berasal dari tindakan di masa sekarang. . (Dalam banyak hal, algoritme yang mempertimbangkan keuntungan di masa depan juga dapat digambarkan sebagai jenis algoritme serakah, meskipun mereka memilih untuk terus menurunkan harga daripada menaikkannya.)
AI yang memiliki bias saat ini sering menyatu dengan cepat ke tingkat harga yang adil dan kompetitif.
Pada akhirnya, algoritme hanya dapat berperilaku etis seperti yang diatur oleh programmer untuk bertindak. Dengan sedikit perubahan dalam desain, algoritme mungkin belajar berkolusi dan menetapkan harga—itulah sebabnya penting untuk mempelajari batasan seperti kontrol harga. Ada "beberapa arah penelitian terbuka," kata rekan penulis studi baru Peng Cui, seorang profesor ilmu komputer dan teknologi di Universitas Tsinghua.
Dia menyarankan pekerjaan di masa depan dapat fokus pada bagaimana kontrol harga akan mempengaruhi situasi yang lebih kompleks, seperti skenario di mana batasan privasi membatasi akses perusahaan ke data konsumen atau pasar di mana hanya beberapa perusahaan yang mendominasi. Penelitian lebih lanjut mungkin menekankan gagasan bahwa terkadang solusi paling sederhana adalah yang paling efektif.
Tidak ada komentar:
Posting Komentar