Discriminación de precios, Discriminación, algoritmos.

Economía de datos & discriminación de precios: la importancia de estudiar la estructura del mercado

21.09.2022

11 minutos

Germán Johannsen G. Abogado de la Universidad Católica de Chile, LL.M. en Propiedad Intelectual y Libre Competencia, Munich Intellectual Property Law Center. Investigador Académico en el Max Planck Institute for Innovation and Competition. Doctorando en Derecho, especializado en economía de datos y nuevas tecnologías, Ludwig-Maximilians-Universität München. Trabajó previamente en la Fiscalía Nacional Económica.

Discriminación y libre competencia vuelven cada cierto tiempo a la palestra. Hoy, en Chile, a propósito de la decisión de la Corte Suprema de rechazar el sistema de tarifas propuesto por Transbank y aprobado por el TDLC, ha resurgido la pregunta sobre cómo determinar en un contexto de plataformas si existen precios discriminatorios y cuáles serían sus posibles efectos. Si nada fácil ha sido responder esta pregunta en el contexto de este monopolio —recontra estudiado por las autoridades chilenas— que presta un servicio con poca diferenciación y en dónde (corríjanme si me equivoco) poco o nada sabemos del uso que en mercados secundarios le dan a los datos que pasan a través suyo, ¿qué tanto más arduo sería hacerlo en el contexto de plataformas digitales cuyos modelos de negocios se basan en el uso de datos?

Una primera precaución es que sería un error intentar aplicar de forma acrítica las nociones sobre discriminación de precios que aparecen en los manuales a una economía de características aún no dilucidadas del todo. Esto cobra aún más sentido si se toma en cuenta que, en palabras de Hovenkamp, «nunca hemos desarrollado una buena teoría para generalizar sobre los efectos competitivos de la discriminación de precios. El consenso de los economistas de hoy en día probablemente no sea muy diferente del que había en los años 20 y 30, es decir, que la mayoría de los casos son inofensivos desde el punto de vista de la competencia, especialmente si la discriminación tiende a aumentar la producción».[1]

Cien años después, en una economía que se abre a nuevos paradigmas —e.g., plataformas de precio-cero, precios personalizados vía algoritmos— se vuelve tan importante como desafiante repensar la discriminación de precios y sus efectos. Para ello hay que tener en cuenta, en primer lugar, que el diablo está en los detalles. Esos detalles, en la era digital, son los datos. Pero, además, son la estructura particular del mercado en el que esos datos se utilizan. Si bien queda muchísimo por estudiar, se avanza en el tema. En lo que sigue, resumo 3 modelos teóricos recientes sobre discriminación de precios en base a algoritmos que consideran el rol de los datos y diferentes estructuras de mercado.

Terceros proveedores de datos (data brokers)

Un data broker, por ejemplo Nielsen, puede tener diferentes incentivos con respecto a los datos que proporciona a sus clientes para fijar precios discriminatorios. Esto se debe a que, en escenarios competitivos, los incentivos de las empresas para discriminar dependerían de si tienen la misma o diferente valoración de los consumidores. Belleflamme et. al. (2020)[2] desarrollan un modelo de duopolio con bienes homogéneos en el que las empresas dependen de un data broker para perfilar a los consumidores con el fin de fijar precios personalizados. El data broker se enfrenta al dilema acerca de qué conjunto de datos ofrecer a sus clientes. Los autores concluyen que los data brokers tienen incentivos para ofrecer datos diferentes a sus clientes. Esto, porque las empresas que compiten en precios en el mercado de un producto homogéneo obtienen beneficios positivos en equilibrio si ambas son capaces de perfilar a los consumidores, pero no exactamente al mismo conjunto de ellos. Para el data broker, esos beneficios en el mercado aguas abajo se traducen en tarifas más altas en beneficio propio.

«Si bien queda mucho por explorar, una conclusión inmediata es que analizar la discriminación de precios en la economía digital requiere considerar sus particularidades—proveedores, plataformas, externalidades de datos, entre otras. Sería un error intentar explicar la racionalidad de este tipo de prácticas a partir de nociones tradicionales sobre discriminación de precios desarrolladas en contextos predigitales»

En cuanto a los efectos en el bienestar, los autores concluyen que «el aumento de la precisión de las tecnologías de elaboración de perfiles aumenta tanto los precios uniformes como los personalizados, lo que lleva a casos en los que algunos consumidores perfilados tienen razón al temer que se les fije un precio más cercano a su «punto de dolor» en comparación con el precio uniforme que recibirían si pudieran ocultarse».[3] Este resultado con precios en equilibrio por encima de los costes marginales tiene lugar, sin embargo, sólo si ambas empresas elaboran perfiles de forma diferente. Si una de ellas no puede perfilar a los consumidores o si los perfilan de forma idéntica, los precios caerían hasta los costes marginales.

Terceros proveedores de algoritmos de fijación de precios

El interés del comercio por externalizar los mecanismos de fijación de precios a terceros va en aumento. A la luz de ello, Harrington (2021)[4] propone un modelo de un desarrollador de algoritmos de fijación de precios monopólico que presta un servicio de fijación de precios discriminatorio de tercer grado (i.e., predicción de disposición a pagar en base a características de consumidores). Así como con los data brokers, el desarrollador de precios tiene en cuenta la posibilidad de que su insumo cree competencia entre sus clientes si éstos son rivales en el mercado. El proveedor tiene dos opciones: o bien reducir la intensidad de la competencia del algoritmo de fijación de precios para mejorar los precios medios, o bien hacer que los precios sean más sensibles a la variación de la demanda, lo que aumenta los beneficios globales cuando y donde la demanda es fuerte.

El modelo muestra que el proveedor descartaría la primera opción, porque precios medios más elevados pueden incentivar a las empresas a no adoptar el algoritmo de precios si un rival lo hace. El resultado sería una menor demanda del servicio del proveedor. Por el contrario, cuando los precios se vuelven más sensibles a la variación de la demanda, la empresa que adopta el algoritmo de fijación de precios aumenta su beneficio, pero no las que no lo adoptan. Este escenario aumentaría la demanda de algoritmos de fijación de precios por parte de terceros. Sin embargo, este escenario también reduciría el bienestar de los consumidores. Una pregunta no resuelta es cuál sería el efecto en el bienestar en un escenario con múltiples desarrolladores. El autor concluye que ésa y otras preguntas de investigación deben ser exploradas para entender mejor los efectos en el bienestar cuando hay desarrolladores de algoritmos de precios.

Plataformas digitales intermediarias

Bergemann et al. (2022)[5] desarrollan un modelo basado en tres agentes económicos: usuarios finales, usuarios comerciales y una plataforma intermediaria. Estos interactúan en dos mercados separados pero vinculados: el del producto y el de datos. El intermediario identifica señales de los consumidores individuales sobre sus preferencias. Luego éste revende esa información en el mercado del producto con el objeto de mejorar la experiencia del consumidor final (e.g., recomendaciones) y para que usuarios comerciales puedan fijar precios competitivos. Dado que los datos de un consumidor son predictivos del comportamiento de otros, a mejor base de datos, menor el costo de obtener información adicional para seguir elaborando perfiles.

Esta externalidad de datos influye en la política de datos del intermediario, es decir, qué información compartirle a sus usuarios comerciales y cómo compensar a sus usuarios finales. Señalan los autores que niveles de compensación cercanos a cero pueden inducir a que algunos consumidores renuncien a entregar información precisa sobre sus preferencias. Esto conllevaría a un uso ineficiente de la información, reduciendo el bienestar social. De cara a los usuarios comerciales, el intermediario no tendría incentivos para compartir los perfiles personales de los consumidores finales si ello aumenta el bienestar social. Sí tendría incentivos, en cambio, para proporcionarles información que les permita fijar precios discriminatorios a nivel de segmentos de consumidores, e.g., en función de la ubicación, hora y otras características grupales.

Los tres modelos presentados sucintamente teorizan sobre los incentivos para fijar precios discriminatorios en la economía de datos y algunos posibles efectos. Todos ellos se construyen a partir de distintas estructuras de mercado. Si bien queda mucho por explorar, una conclusión inmediata es que analizar la discriminación de precios en la economía digital requiere considerar sus particularidades—proveedores, plataformas, externalidades de datos, entre otras. Sería un error intentar explicar la racionalidad de este tipo de prácticas a partir de nociones tradicionales sobre discriminación de precios desarrolladas en contextos predigitales. Las autoridades de competencia seguirán enfrentando casos sobre precios discriminatorios. Cada vez se hará más necesario introducir en esa discusión el rol de los datos, pues sin ese detalle a la vista será difícil dimensionar posibles problemas.

[1] Herbert Hovenkamp, ‘Progressives Antitrust’ (2022)

[2] Paul Belleflamme and others, ‘Competitive Imperfect Price Discrimination and Market Power’ (2020) 39 Marketing Science 996.

[3] Ibid.

[4] Joseph E Harrington, ‘The Effect of Outsourcing Pricing Algorithms on Market Competition’ (2021)

[5] Dirk Bergemann and others, ‘The Economics of Social Data’ (2021).