Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
Es indiscutible el poder de mercado que adquieren las grandes empresas tecnológicas al capturar y utilizar información de sus clientes en la economía digital. Muchas veces, los datos que recopilan estas empresas (p. ej., Amazon, Apple, Google, Meta) pueden ser utilizados para beneficiar a los consumidores, generando eficiencias en distintos ámbitos y efectos de red relevantes (al respecto, revisar nota CeCo “OCDE: Poder de Mercado en Mercados Digitales”).
Sin embargo, en otras oportunidades, esta información puede ser utilizada por las empresas tecnológicas para abusar de su poder, restringiendo la competencia, generando barreras de entrada, impidiendo la innovación y finalmente perjudicando al consumidor (para profundizar, revisar nuestra nota CeCo “Innovación Tóxica: El reciente análisis de Ezrachi y Stucke sobre las Big Tech”).
En varias ocasiones, la información que capturan las empresas es utilizada para discriminar por precios o segmentar mercados. Sin embargo, esta información también se puede utilizar para seleccionar a un potencial cliente, o simplemente no contratar con él (al respecto, revisar la nota CeCo “Precios personalizados e intercambios de información: Riesgos y beneficios”).
Un asunto vinculado al trabajo que se comenta dice relación con la siguiente pregunta: ¿Cómo el acceso a datos e información personal de cada consumidor puede afectar o no a la libre competencia? Si la utilización de esta información genera efectivamente eficiencias, luego habría que evaluar si la conducta en sí pudiese ser catalogada como anticompetitiva y si es así bajo qué teoría de daños.
En muchos mercados, la capacidad que tienen las empresas para hacer screening de sus clientes es fundamental para sus modelos de negocio. El screening es un método costo-efectivo para evitar la selección adversa de un contratante en casos de información asimétrica. Así, mediante el screening, el agente que debe tomar la decisión de contratar recopila cierta información clave de su potencial contraparte, a fin de reducir la asimetría de información y tomar una decisión correcta.
Por ejemplo, en el mercado del crédito, los bancos o instituciones financieras realizan screening de los solicitantes de préstamos en base a su historial de pago, información financiera, situación laboral, y otras características observables.
Otros ejemplos se encuentran en el mercado de seguros de salud (en donde la aseguradora asigna un precio basado en la información médica de un cliente, tales como su edad, sexo, prexistencias y otras variables), y en el alquiler de propiedades con plataformas digitales.
Es precisamente este último mercado es el que revisan los economistas Irina Kirysheva y Vladyslav Nora en su trabajo “Inefficient screening in online rental markets”. En él se estudia un mercado de arriendo de viviendas (home rental market) en donde los anfitriones (host) compiten en precios y deciden si aceptar o rechazar a un huésped (guest). En su artículo, los autores encuentran que la selección que existe por parte de los anfitriones, luego de realizar un screening, da como resultados un gran número de rechazos, lo que genera ineficiencias y puede reducir el bienestar total.
Finalmente, discuten las implicancias que puede tener este trabajo en la regulación de algunas plataformas digitales como Airbnb o Homeaway, e indican que hay que ser cauteloso con la transparencia de los datos en las plataformas de alquiler de viviendas.
En el trabajo mencionado anteriormente, se considera un mercado de arriendo de viviendas con ‘N’ anfitriones simétricos neutrales al riesgo, quienes buscan maximizar sus ganancias con un único potencial huésped. Nos encontramos en un ambiente competitivo, por lo tanto, al menos el número de anfitriones es mayor a 2 (N>=2). Cada anfitrión enfrenta los costos de alojar a un huésped, los cuales están determinados por las características de éste.
Las características del huésped es una construcción en base a: (i) información personal proporcionada por el huésped (p. ej., nombre, nacionalidad, ciudad de origen, edad, foto, tiempo como usuario de la plataforma, etc), y (ii) los comentarios que puede proporcionar cada anfitrión en base a visitas pasadas del huésped.
Para un anfitrión es relevante qué tan ordenado, puntual, amigable y/o flexible es un huésped. Por lo tanto, valora de buena forma estas características, pues le será menos costoso al anfitrión alquilar su vivienda a un huésped con estas características.
Además de los comentarios de cada anfitrión, es probable que la plataforma califique a cada huésped con un puntaje, en base a la información que recopila con datos pasados (comúnmente con una escala de 1-5 estrellas), lo que también es información que puede utilizar el anfitrión para determinar las características del huésped (para una representación distópica de selección de contratantes mediante “puntajes”, ver el episodio 01/03 de la serie británica Black Mirror, titulado “Nosedive”).
En base a la información proporcionada por la aplicación, el anfitrión puede construir una “imagen” de cual será el costo de alojar a cierto tipo de huésped (que los autores definen como costo esperado ‘C’).
El modelo se estructura en 3 etapas. En la primera etapa, los anfitriones publican un precio en una plataforma, y compiten sin conocer la información de los potenciales huéspedes. En la segunda etapa, con los precios ya publicados, los potenciales huéspedes escogen un alojamiento que se ajuste a su valoración y “postulan” para poder alquilar la propiedad. Finalmente, en la tercera etapa, los anfitriones pueden decidir si aceptar o no al postulante, basándose en la información que tienen sobre cada huésped.
Dado el diseño del mercado de arriendo de viviendas que plantea la plataforma, los anfitriones no tienen la opción de discriminar por precios luego de conocer la información del potencial huésped (el costo de alojar a ese huésped). Solo pueden aceptar o rechazar a un huésped, pero no ajustar sus precios en base al huésped que decidió postular a su vivienda.
Finalmente, y siguiendo la nomenclatura de la literatura económica encargada de estudiar los mercados crediticios, un huésped es sub-prime cuando los costos (esperados) de alojarlo son mayores a los potenciales ingresos que obtendrá el anfitrión (precio de arriendo), y en ese caso el host no aceptará al guest. Por otro lado, llamaremos a un huésped como prime cuando sus costos sean menores al precio de arriendo y en ese caso el anfitrión tendrá ganancias positivas y alquilará su vivienda.
Para tener un benchmark, pensemos en la existencia de un escenario en donde los anfitriones no pueden hacer screening, es decir, publican un precio de arriendo, y si los clientes están dispuestos a pagar ese precio, deben aceptar al huésped. Esto usualmente ocurre en el mercado de hoteles, en donde, por regulación legal, no se puede discriminar arbitrariamente a un cliente. Lo mismo ocurriría en el caso que la plataforma digital no proporcionase información de los clientes.
En ambos casos, el precio que publicaría cada anfitrión, dado que se trata de un mercado competitivo en precios, será equivalente al costo esperado de alojar a un anfitrión. Los autores mencionan que este escenario es eficiente, debido a que la valoración de cada potencial huésped se ajustará al precio impuesto por los anfitriones, no existiendo rechazos y teóricamente “vaciando” el mercado.
En el otro escenario, cuando los anfitriones sí tienen la capacidad de hacer screening, se rechazará a todos los clientes sub-prime, es decir, a aquellos guests respecto a los cuales los costos esperados exceden los potenciales ingresos del anfitrión. A modo de ejemplo, si tenemos a dos hosts con precios de alojamientos distintos (el host 1 cobra P1 y el host 2 cobra P2, con P2 > P1), los anfitriones solo competirán por el cliente prime, y el anfitrión con el menor precio (host 1) tendrá incentivos a subir su precio justo en el margen a un nivel inferior a P2, de modo tal de capturar al potencial huésped y, además, obtener más ganancias de las que obtendría si cobrase P1.
En un segundo escenario, en donde ambos anfitriones compiten con igual precio (P1 = P2 > C), independiente de cual sea la forma en que desempaten, alguno tendrá incentivos a bajar el precio y capturar al cliente prime.
En el extremo, los anfitriones competirán a un precio igual al costo esperado del huésped prime (P1 = P2 = C), lo que tiene como consecuencia que un anfitrión capture al huésped prime, mientras que el otro podría desviarse para cobrar un precio mayor para así capturar al huésped sub-prime (satisfaciendo así la demanda de ambos huéspedes). Sin embargo, como se mencionó anteriormente, la dinámica del mercado de alquiler de viviendas no permite cambiar el precio luego de conocer si el huésped que postula a su vivienda es prime o sub-prime. Esto es, en palabras de los autores, lo que genera un problema con la transparencia de los datos que posee la aplicación.
Dado que no existe la posibilidad de cambiar el precio luego de conocer al potencial huésped, la dinámica del mercado genera tasas de rechazos altas, no pudiendo alojar a los clientes que, bajo otra dinámica, si encontrarían arriendo. Esto, además de generar ineficiencia (dado el aumento de precio), reduce el bienestar total, porque existen huéspedes que no serán alojados.
El trabajo plantea varias extensiones del modelo, sin embargo, la idea principal es que el screening genera ineficiencias tanto por la pérdida de potenciales clientes, como por la tendencia al alza de precios para capturar a los clientes. Finalmente, los autores mencionan que es posible encontrar dos escenarios en donde el screening sea eficiente: (i) cuando la probabilidad de encontrar clientes sub-prime es muy baja (es decir, los potenciales huéspedes tienen siempre buen comportamiento), y (ii) cuando el mercado posee un gran número de alojamientos (‘N’ tiende a infinito).
Aunque el segundo escenario dependerá de las condiciones de mercado propias de algún territorio, el primer caso puede ocurrir mediante la incorporación de un filtro previo en la aplicación, en donde la misma plataforma, luego de un tiempo de uso, exija un mínimo de puntaje para poder acceder (lo que en la práctica ocurre, pues las plataformas restringen el derecho a utilizar el servicio si observan que algunos clientes tienen reiterativamente mal comportamiento).
Un claro ejemplo en donde el screening que realizan las empresas es utilizado para fijar precios personalizados es en el mercado crediticio. La regulación en varios países permite recopilar de forma centralizada información de los clientes para caracterizar de la manera más detallada posible el nivel de riesgo de cada uno. Esto no solo permite a los bancos poder disminuir el riesgo de no pago, sino también, ofrecer financiamiento a la medida de los clientes (disminuyendo la incertidumbre), lo que puede ser traspasado en tasas menores para los usuarios con un buen comportamiento de pago.
Del mismo modo, en el mercado de seguros de salud, el acceso a la información por parte de las aseguradoras permite ofrecer planes personalizados y con un precio individualizado para cada cliente basado en sus necesidades, pero también en los riesgos que cada uno posee.
El trabajo realizado por los economistas de la Universidad de Nazarbayev permite cuestionarse si realmente la transparencia de la información es beneficiosa en todo ámbito (al respecto, revisa la columna de opinión de Germán Johannsen “Economía de datos & discriminación de precios: la importancia de estudiar la estructura del mercado”). La idea principal del artículo es plantear que la selección de un cliente, luego de analizar su información, tiene costos sociales importantes que provocan rechazos en el alquiler, generando ineficiencias y reducciones del bienestar total.
Además, encuentran que cuando el número de empresas en el mercado aumenta por encima de un cierto umbral, realizar screening es eficiente.
Si la intención es buscar eficiencia, existen dos posibles caminos. Por un lado, no permitir a los anfitriones acceder a la información de los potenciales huéspedes (evitando así una discriminación arbitraria), del mismo modo en que se regula el alojamiento en hoteles. Así, el precio será equivalente al costo esperado, y el mercado será eficiente.
El otro camino consiste en que el administrador de la plataforma conceda a los anfitriones la opción de aplicar discriminación de precios, por la vía de permitir ajustes en los precios ofrecidos (p. ej., como en el mercado crediticio y de salud), para así personalizar y capturar todo el excedente.
Lo encontrado por los autores proporciona conocimiento sobre el papel de la transparencia en tales mercados. Restringir la transparencia puede eliminar los rechazos excesivos y mejorar el bienestar general.
Es importante para los distintos actores relacionados con la libre competencia conocer el funcionamiento de los mercados que interactúan con plataformas digitales, y así observar de mejor manera los riesgos anticompetitivos que pudiesen llegar a surgir, y asimismo, el posible diseño de remedios para atenuar dichos riesgos.
Volviendo al caso discutido en el artículo en comento, si los hosts cuentan con información para discriminar por precios ¿por qué no pueden utilizarla? Pensando en la competencia entre hoteles y las plataformas de alquiler de viviendas ¿compiten bajo las mismas condiciones? ¿puede la regulación aportar a hacer este mercado más competitivo?
Por un lado, permitir la discriminación de precios en el caso discutido aporta a tener un mercado más eficiente, donde se reducen las tasas de rechazo y pudiese aumentar el bienestar total. Sin embargo, desde la perspectiva económica, se desconoce el impacto que puede tener un modelo de negocios como este en la competencia. La utilización de datos para personalizar precios, los algoritmos, y en general todos los avances tecnológicos disruptivos a los mercados tradicionales entregan constantemente desafíos a las agencias de competencia para entender y repensar si efectivamente los mercados que interactúan con plataformas digitales están siendo competitivos.
Kirysheva, I. and Nora, V. (2022), Inefficient Screening in Online Rental Markets. The Journal of Industrial Economics, 70: 752-774.
