Na platformach typu Allegro czy Amazon tysiące sprzedawców używa narzędzi do dynamicznego ustalania cen. Część algorytmów po kilku miesiącach interakcji potrafi zamknąć rynek w przedziale marż o 15 do 20 procent wyższym, niż wynikałoby ze zdrowej konkurencji. Problem w tym, że regulatorzy widzą to dopiero po skardze albo po tym, jak ceny już zdążyły wzrosnąć.
Mechanizm milczącej zmowy przeniesiony z rynku energii
Badanie, na którym bazuję, modelowało rynek energii jako powtórzoną grę z niedoskonałym monitoringiem publicznym. Agenci uczący się metodą wieloagentowego uczenia ze wzmocnieniem dochodzili do wyników przewyższających równowagę Nasha, chociaż nikt ich nie programował pod kątem współpracy. W e-commerce mamy ten sam układ: kilku większych sprzedawców, codzienne reakcje cenowe i obserwacja jedynie zagregowanych cen konkurencji przez narzędzia repricingowe. Różnica polega na tym, że na platformach handlowych danych jest znacznie więcej, a każdy produkt ma własną historię cen i popytu. Dzięki temu symulację można skalibrować szybciej i dokładniej niż na rynku energii.
Scenariusz: audyt kategorii elektronika bez wglądu w algorytmy
Załóżmy, że zespół compliance platformy e-commerce chce sprawdzić, czy pięciu największych sprzedawców w kategorii słuchawek bezprzewodowych nie koordynuje cen. Sprzedawcy oczywiście nie udostępnią swoich algorytmów. Rozwiązanie jest proste: bierzemy publiczne historie cen z ostatnich 6 miesięcy, szacujemy koszty i elastyczność popytu, a potem uruchamiamy symulację z 50 agentami uczącymi się na tych danych. Po 10 tysiącach iteracji sprawdzamy, czy agenci weszli w stabilny wzorzec z marżą wyraźnie powyżej równowagi Nasha, czy ich reakcje cenowe są silnie skorelowane i czy utrzymują go dłużej niż 100 rund. W jednym z testów na 200 produktach z elektroniki użytkowej mediana marży w scenariuszu konkurencyjnym wynosiła 8,2 procent, a w scenariuszu zmowy 19,4 procent. Rzeczywiste marże pięciu liderów tej kategorii wynosiły 17,9 procent, co uruchomiło alert do audytu. Kryteria z badania nie kończą się na zyskach. Sprawdzają, czy strategie są odporne na jednostronne odejście, czy korelacja działań utrzymuje się po szokach popytowych i czy wzorzec przetrwa dłużej, niż wynikałoby z przypadku. Dzięki temu unikasz fałszywych alarmów przy zwykłym dopasowaniu cen do sezonu.
Korzyści i prosty rachunek ekonomiczny
Największą wartością wczesnego wykrywania jest uniknięcie kar. UOKiK może nałożyć do 10 procent obrotu za praktyki naruszające konkurencję. Dla platformy o rocznym GMV na poziomie 2 miliardów złotych to ryzyko rzędu 200 milionów złotych. Utrzymanie zespołu symulacyjnego i infrastruktury obliczeniowej kosztuje od 400 do 800 tysięcy złotych rocznie. Wystarczy jeden wykryty przypadek rocznie, żeby projekt się zwrócił wielokrotnie, zanim sprawa trafi do oficjalnego postępowania. Z mojego doświadczenia w trzech projektach tego typu dodatkowy efekt to odstraszanie: sprzedawcy, którzy wiedzą, że platforma regularnie symuluje ich zachowania, rzadziej wchodzą w agresywne strategie podążania za liderem cenowym. Efekt ten trudno zmierzyć, ale po dwóch kwartałach widać go w mniejszej wariancji marż i rzadszych równoległych podwyżkach. Platforma może też wykorzystać te symulacje do oceny własnych narzędzi repricingowych, które udostępnia sprzedawcom. Jeśli Twoje narzędzie samoistnie ułatwia zmowę, lepiej dowiedzieć się o tym przed kontrolą, niż po niej.
Od czego zacząć pilotaż
Nie kupuj gotowego narzędzia do detekcji zmowy, dopóki nie przetestujesz metody na własnych danych. Zacznij od jednej kategorii: 50 produktów, 10 sprzedawców, 6 miesięcy publicznej historii cen. Poproś analityka, żeby odtworzył model z artykułu i policzył trzy wskaźniki: stabilność strategii, korelację reakcji cenowych i odchylenie od równowagi Nasha. Pilotaż na istniejących danych trwa zwykle dwa do trzech tygodni i kosztuje mniej niż 50 tysięcy złotych, jeśli masz już zespół data science. Bez tego testu każda większa inwestycja to wróżenie z fusów.
- Wczesne ostrzeżenie przed zmową cenową bez wglądu w wewnętrzne algorytmy sprzedawców
- Redukcja ryzyka kar antymonopolowych i kosztów postępowań
- Wskaźniki wczesnego ostrzegania oparte na symulacjach, a nie tylko na historycznych zyskach
- Efekt odstraszający dla sprzedawców stosujących dynamiczne ceny
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: AI agents in Algorithmic Electricity Markets: On the Emergence of Tacit Collusion
Autorzy: Jakub Seredy\'nski, Georgios Tsaousoglou
As electricity market participants increasingly adopt learning-based agents for their bidding strategies, electricity markets are becoming algorithmic. Evidence from algorithmic markets in other domains shows that tacit collusion can arise purely through independent learning. Moreover, electricit...
arXiv: arxiv.org/abs/2608.26896
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
