Corso di Economia delle Istituzioni - prof. Vincenzo Visco Comandini Università di Roma "Tor Vergata"

Corso di Economia delle Istituzioni

     prof. Vincenzo Visco Comandini

 Slides no. 7 Il modello di business dei motori di ricerca e dei
 social network

             Università di Roma “Tor Vergata”
               anno accademico 2020-2021

1. L’economia dei motori di
          ricerca

       [da Hal R. Varian]
         Sept 31, 2007

Oggi una grandissima parte dei testi scritti, audio, foto, video è prodotta
direttamente in formato digitale

La tecnologia digitale presenta questi tre fondamentali caratteri economici:
1) Il costo di produzione della prima copia è fisso, in genere molto elevato,
   irrecuperabile, normalmente sostenuto prima di passare alla fase
   produttiva e distributiva
2) Il costo di produzione della seconda copia e di quelle successive è molto
   basso (costo marginale ≈ a zero). I vincoli alla capacità produttiva sono
   quasi nulli
3) I beni informativi prodotti, anche quelli tradizionali non digitali, non sono
   quasi mai perfettamente omogenei fra loro, ma tendono a differenziarsi
   agli occhi dei consumatori (es. concorrenza limitata fra film, più intensa
   fra generi simili; limitata concorrenza fra Giornale e Repubblica, più
   intensa fra quest’ultima il Corriere della Sera)

Utilizzo dei motori di ricerca
• I motori di ricerca sono molto popolari
  – 84% dei navigatori su Internet li utilizza
  – 56% dei navigatori ogni giorno
• Sono molto profittevoli
  – Ricavi vengono dalla vendita di pubblicità
    collegata alle ricerche
  – I costi marginali sono molto bassi

Pubblicità (Ads) sui motori di
              ricerca
• Ads molto efficaci grazie alla loro rilevanza
   – Che però richiedono volumi elevati capaci di
     realizzare economie di scala
      • 2% delle ads viene cliccata
      • 2% dei clicks si trasforma in acquisto
      • quindi solo 4 utenti su mille che le vedono procede
        all’acquisto
      • I prezzi per pagina visitata (CPI) o per click (CPC) sono
        contenuti (motori usano CPC)
      • Migliori performances rispetto alle ads tradizionali su TV
        o giornali
• La tecnologia dei motori di ricerca mostra
  rendimenti crescenti di scala
   – Alti costi fissi per l’infrastruttura, bassi costi
     marginali per offrire il servizio

Economics fondamentali
         dell’industria dell’ad on-line
•   Elevati costi di entrata (per raggiungere la profittabilità) dovuti ad
    elevati costi fissi
•   Dal lato della domanda, switching costs degli utenti piuttosto bassi
•   Negli USA il 56% dei navigatori utilizza contemporaneamente più
    motori di ricerca
•   Gli inserzionisti cercano spazi laddove cadono gli occhi dei
    navigatori (follow the eyeballs)
     – piazzano le ads dove c’è un n. sufficiente di utilizzatori, senza
        esclusività per un sito (multihoming)
•   Pertanto, il mercato tende ad essere così configurato:
     – Pochi grandi motori di ricerca per ciascuna lingua/paese
     – Molto contendibile per gli utilizzatori
     – Le esternalità di rete dal lato della domanda non arrivano a
        generare la condizione di monopolio naturale: coesistono più
        (grandi) imprese
     – E’ un mercato a più versanti (multisided market)

Quali servizi offrono i motori di
             ricerca?
• Google mette in collegamento soggetti diversi, é
   matchmaker come fa il sensale che combina matrimoni
   (yenta in yiddish) o il sacerdote pontifex in latino
    – Dal lato della domanda: fa incontrare le info di chi le
       cerca con chi ne dispone
    – Dal lato della pubblicità: fa incontrare acquirenti e
       venditori
L’advertising nei motori di ricerca è un tipico multisided
market, dove una piattaforma (Google) soddisfa gli editori
di siti che vogliono vendere attenzione (impressions), e gli
inserzionisti che vogliono acquistare clicks

STRUTTURA DEL MERCATO DEI MOTORI DI RICERCA

Breve storia dell’information
          retrieval (IR)
• Inizia negli anni ‘70, con l’incrocio dei termini
  della ricerca (query) con quelli nei documenti
• Negli anni ’90 diventa scienza matura
• DARPA (Advanced Defense Research Project
  Agency) inizia la Text Retrieval Conference
   – offre pacchetti di training per query-documenti
     rilevanti accoppiate
   – offre procedure interessanti per gruppi di documenti e
     query
   – partecipano allla Conferenza circa 30 team di ricerca

Esempio di algoritmo di IR
• Prob (documento rilevante) = funzione delle
  caratteristiche del documento e della query
   – Ad esempio, regressione logistica pi = Xi b
• Variabili esplicative
   – Termini in comune
   – Lunghezza della query
   – Dimensione del documento
   – Frequenza dell’occorrenza del termine nel documento
   – Frequenza dell’occorrenza del termine nell’insieme
     dei documenti
   – Rarità del termine nell’insieme dei documenti

L’avvento del web
• Negli anni ’90 gli algoritmi sono ormai maturi
• Ma arriva il web…..
  – I ricercatori di IR lenti a reagire alle sollecitazioni
  – invece i ricercatori di Computer Science rapidi a
    reagire
• La struttura dei Link sul Web diventa una nuova
  variabile esplicativa
  – PageRank = misura quanti siti importanti sono
    collegati con un determinato sito
  – I risultati del search migliorano in modo sensibile

Storia di Google
• Brin e Page tentano di vendere il loro algoritmo a Yahoo
  per 1milione di $ (non lo compra!)
• Fondano Google senza un’idea precisa su come fare
  soldi
• Fanno grandi sforzi per migliorare l’algoritmo: i valori di
  PageRank sono pesati con quelli di IR
• L’idea di base è che quando un sito è puntato da altri siti
  importanti ha una più alta probabilità di contenere
  l’informazione rilevante che il consumatore cerca

Perchè il business online è
              diverso
• I business Online (Amazon, eBay, Google…)
  fanno e sono costretti a fare esperimenti continui
  – Parola giapponese kaizen = “miglioramento continuo”
  – Molto difficile da realizzare per le imprese offline
    come il manifatturiero o i servizi
  – Molto facile da realizzare online
     • Conduce a rapidi e a volte sottili miglioramenti
     • Adotta come norma il Learning-by-doing che fornisce un
       vantaggio competitivo significativo
     • In pratica utilizza i dati di miliardi di transazioni passate per
       effettuare simulazioni di piccoli cambiamenti (nella grafica,
       prezzi, procedure) di cuisi può subito valutare l’effetto sui
       ricavi

Tecnicamente i motori di ricerca svolgono tre diverse funzioni:
     1) Navigazione in Internet con programmi chiamati spiders o
         crawlers che analizzano il web e catalogano le info in una
         serie di indici e grafi:
     • quali siti web esistono
     • quali siti li linkano
     • contenuti dei siti
     oggi spiders sono molto migliorati, analizzano l’intero web
         (tutte le pagine di ogni sito, video, PDF, oggetti Microsoft
         Office, audio, metadata)
     2) Indicizzazione di ciò che si è trovato, rispetto alla rilevanza,
         quella su cui Google eccelle
     3) Creazione programmi di fornitura dei risultati dagli indici in
         risposta alla ricerca

Il santo Graal dei motori di ricerca è la fornitura dei risultati perfettamente
rilevanti con la ricerca dell’utente, anche quando questi non ha piena certezza
di ciò che sta cercando (Balto, 2011)

I motori di ricerca debbono continuamente “ripulire” i risultati dei
loro algoritmi (i cosiddetti risultati organici) dagli spammer (coloro
che desiderano mostrarsi ai primi posti di una ricerca senza avere
un buon contenuto, ma solo al fine di essere cliccati) e dagli
imbrogli deliberati (creare numerosi siti finti che puntano il sito di cui
si vuole artificialmente migliorare la posizione)

Nel febbraio 2011 Google ha scoperto che un importante sito di e-
commerce J.C. Penney risultava sempre ai primi posti dei risultati
per praticamente tutti i suoi prodotti, e che questo sito aveva
deliberatamente e artificiosamente creato un link di puntamento da
un elevatissimo numero di siti di scarsa o scarsissima rilevanza al
solo fine di accrescere il proprio page rank

Business model
•   Aste Ad
     – Il primo modello brevettato con risultati del search messi
       all’asta era GoTo
     – Go To non funzionava perché la willingness to pay per
       accedere ad una posizione più elevata era irrilevante per
       l’utente che effettua la ricerca [non c’era ancora la teoria dei
       multisided market]
     – cambiò nome in Overture, in cui le ads erano messe all’asta
     – Kamangar e Veach che lavoravano a Google proposero
       all’azienda di acquistare Overture: a Google piacque l’idea di
       usare il modello per le aste delle inserzioni migliorandolo
•   Modello originale Overture
     – Le ads erano ordinate attraverso un’asta
     – Le ads assegnate agli slot [le posizioni sulla pagina dei
       risultati della ricerca] sulla base delle offerte dell’asta
          • Le offerte più alte prendono gli slot migliori [più in alto
            sulla pagina]
         • I migliori offerenti pagavano il prezzo offerto (asta al primo
           prezzo)

Inserzioni pubblicitarie sui motori di ricerca
                                    •   Ads sono
                                        mostrate in base
                                        alla ricerca+ asta
                                        sulle parole
                                        chiave

                                    •   L’ordinamento
                                        delle ads è
                                        basato sui ricavi
slot 1   slot 2   slot 3                attesi

                                    •   Lo slot 1 riceve
                                        più click dello slot
                                        2, che a sua volta
                                        riceve più click
                                        dello slot 3

Le ads dei motori di ricerca
• Google scopre che un’asta con offerta unica al
   primo prezzo non è attraente per gli inserzionisti,
   perché questi tendono a pagare il minimo prezzo
   necessario a mantenere la posizione scelta sulla
   pagina
• Per calcolare il prezzo minimo, è necessario fare
   calcoli complessi che occupano molto i server,
   così viene preferita l’asta con prezzo pagato dalla
   seconda offerta
L’ordinamento delle ads rimane basato sui ricavi
   attesi

Le aste di Google search
Utilizza il metodo del secondo prezzo
generalizzato, Generalized Second Price (GSP)

• L’ordine delle ads dipende dall’offerta x il tasso
di click (click through rate, CTR) atteso
   – Prezzo per click x clicks per impr = prezzo per
     impression
   – perché ha senso: ricavo = prezzo x quantità
• Ciascun offerente paga il prezzo determinato
dall’offerta che lo segue (es. le aste Ebay)
   – Prezzo = prezzo minimo necessario a mantenere la
     posizione desiderata
   – Meccanismo determinato da un algoritmo
     ingegneristico, non dall’offerta

Come funziona l’asta GSP di
            Google
• È abbastanza semplice calcolare l’equilibrio di
  Nash di un’asta Google GSP
• Inserzionisti scelgono fra diversi slot, di cui alcuni hanno
  un tasso atteso di click maggiore
   – Principio di base: in equilibrio ciascun partecipante
     all’asta preferisce la posizione scelta a tutte le altre
   – Per descrivere l’equilibrio si possono analizzare
     alcune diseguaglianze
   – Le ineguaglianze possono essere invertite per
     ottenere valori in funzione dell’asta

Come funziona l’asta GSP di
           Google
• Ipotizziamo vi sia un inserzionista che vuole
  partecipare ad un’asta per una certa parola
  chiave
• L’inserzionista ha di fronte una certa curva di
  offerta: più alta l’offerta, maggiore il n. dei
  partecipanti all’asta spiazzati, più alta la
  posizione dove sono maggiori i click attesi
• L’inserzionista valuta il costo incrementale per
  click (ICC)

Come funziona l’asta GSP di Google

• ricorda: il valore è la disponibilità a pagare
  di ciascun partecipante all’asta
• se ICC < valore per click → aumenta
  l’offerta
• se ICC > valore per click → riduci l’offerta
• In equilibrio:
  ICC > valore per click ma il risparmio
  incrementale di scendere di una posizone
  < valore per click

Implicazioni dell’analisi
• Risultato di base: il costo incrementale per click
  deve essere crescente all’aumentare del tasso
  atteso di click
• È approccio simile al pricing nel classico
  mercato competitivo: se il prezzo = costo marginale,
  questo deve essere crescente
• In pratica, l’ICC osservato è una buona stima del
  valore del click, perchè dipende non da costi
  tecnologico - produttivi, ma dal costo
  incrementale rispetto a cui deve decidere
  l’inserzionista

Esempio              v = valore costante
                                ps= prezzo pagato per lo slot s
          Ipotizziamo che:      xs = clicks recevuti da s
                                r = prezzo di riserva
• supponiamo che tutti gli inserzionisti abbiano lo
  stesso valore per click v
• caso 1: asta non interamente assegnata,
  ovvero ci sono più slot che partecipanti all’asta
• caso 2: asta assegnata con un n. degli slot
  disponibili inferiore a quello dei partecipanti
• Prezzo di riserva
  – caso 1: prezzo minimo per click è pm (~ 5 cent).
  – caso 2: l’ultimo inserzionista che ottiene lo slot paga il
    prezzo dichiarato dal primo escluso

v = valore costante
     Caso 1 asta non            ps= prezzo pagato per lo slot s
        interamente
                                xs = clicks recevuti da s
          assegnata
                                r = prezzo di riserva

• inserzionista deve essere indifferente fra pagare ps
  e prendere xs, oppure pagare r e prendere xm (clicks
  ricevuti dall’ultimo slot m)
            ( v - p s ) x s = ( v - r ) xm

ovvero       ps xs = v( xs - xm ) + rxm

• il pagamento per lo slot s = valore incrementale del
  click + pagamento dell’ultima posizione

v = valore costante
   Caso 1 asta non
       interamente            ps= prezzo pagato per lo slot s
         assegnata            xs = clicks recevuti da s
                              r = prezzo di riserva
• esempio con due slot e due partecipanti:
  x1 = 100 clicks
  x2 = 80 clicks
                         ps xs = v( xs - xm ) + rxm
  v = 50 cent
  r = 5 cent
• Risolvi equazione:
  p1 x 100 = .50 x 20 + .05 x 80
  p1 = 14 cent, p2= 5 cent
  Ricavo = .14 x 100 + .05 x 80 = $18

Caso 2 asta assegnata

• Ciascun inserzionista deve essere indifferente
  fra ottenere il suo slot e non ottenerlo (profitto
  =0):
• così      (v - p s ) x s = 0        ps = v
• Con l’esempio precedente di 2 slot, con 3
  inserzionisti ps = 50 cent, il ricavo = .50 x 180 =
  $90
• Ricavo cresce molto non a causa del numero
  degli inserzionisti, ma per il fatto che questi
  debbono competere per ottenere uno slot!

Tipologie di asta utilizzate on-line
Ø nelle search ads si usa il modello GSP (ma Google ha dichiarato
  che dal 2020, per rendere più trasparente il meccanismo,
  tornerà all’asta al primo prezzo)
Ø nelle display ads il modello Vickrey tradizionale (asta a busta
  chiusa al secondo miglior prezzo)
Ø nelle ads contextual display (YouTube dal 2012 o Facebook) si
  usa invece il modello Vickrey-Clarke-Groves (VCG) che è una
  generalizzazione di quello di Vickrey
Ø VCG ordina le ads:
   – facendo pagare a ciascun inserzionista un prezzo pari al
     costo che la sua partecipazione impone agli altri partecipanti
     all’asta
   – fa in modo che l’offerta ottimale sia il valore vero,
     indipendentemente da quanto offrono gli altri partecipanti
     all’asta

Rilevanza e qualità dell’ad
• Inserzionisti acquistano la parola chiave e scelgono
  fra:
Ø Corrispondenza esatta → ad è mostrata solo se la
  ricerca include la parola esatta
Ø Corrispondenza larga → ad è mostrata se la ricerca
  include diverse definizioni, sinonimi e espansioni di
  significato

• Qualità dell’ad
  – Il tasso stimato di click deriva da due diversi effetti:
  Ø posizione dell’ad nella pagina web
  Ø Effetto specifico dell’ad ea misurato da esperimenti
    quali una regressione con la storia pregressa dei
    click ricevuti + altre variabili

Rilevanza e qualità dell’ad

• L’ordine delle ad è quindi basato sulle offerte
  moltiplicate per l’effetto specifico:
          b a • ea
$ per click       n. clicks per ad per pagina
    – E’ importante determinare quale ad mostrare
      nella pagina e quale ad non mostrare nella pagina
    – Infatti mostrare un’ad sbagliata non rilevante ha
      un impatto negativo sulla futura propensione dei
      navigatori a cliccare: il classico trade-off fra ricavi
      attuali e futuri

Elementi di economia dei
        social network
I Social Network (Facebook, Twitter, LinkedIn) sono
anch’essi finanziati da inserzioni pubblicitarie

Nel Social Network sono fondamentali le
dimensioni della rete, fattore scatenante le
esternalità, e anche la dominanza di mercato

  Tecnologia search : motore di ricerca

  Tecnologia social network: social graph

Differenze delle caratteristiche economiche dei motori di ricerca (MR) e dei
grandi social network (SN)
                           profilo       Search (Google)             Social Network (Facebook)
        lato mercato       Finalità      cercare contenuti attraversocondividere con amici
            utenti                       parole chiave               contenuti ed esperienze
                           Efficacia     semantica del motore di     dimensione della piattaforma
                                         ricerca                     (n. amici effettivi o
                                                                     potenziali connessi)
                        Coinvolgimento razionale e individuale       emozionale, collettivo e
                                                                     virale
                           Privacy      bassa disponibilità a        alta disponibilità a concedere
                                        concedere dati personali     dati personali
                         Piattaforma             uso selettivo       condividere informazioni
                                                                     personali
        lato mercato       Finalità     target determinati da motore target definiti
        inserzionisti                   di ricerca e asta per le     discrezionalmente
        pubblicitari                    inserzioni
                           Efficacia    utenti interessati ad        utenti interessati ad
                                        effettuare acquisti via      effettuare acquisti via social
                                        rilevanza ricerca            commerce
                        Forma tipica di pay-per-click                pay-per-impression→ pay-
                          pagamento                                  per-click

La user experience dell’utente è molto diversa sotto il
profilo psicologico fra le due piattaforme MR e SN:
• razionale e individuale nel caso del motore di ricerca
(MR)
• emotiva, collettiva e virale in quello dei Social
Network (SN)
Utente usa:
Øil proprio lato razionale quando cerca contenuti sul
web in modo individuale
ØI propri lati emotivi quando inserisce i suoi contenuti
sul SN o cerca informazioni su individui iscritti

Con MR predisposizione a concedere dati personali è
bassa, perché utente vede differenza fra sua utilità e
manipolazione dei propri dati: vede con fastidio le
inserzioni personalizzate se non perfettamente coerenti
con la sua ricerca
Con SN predisposizione a concedere dati personali è
alta perché utente non vede differenza fra immissione
volontaria di info sul proprio profilo e rilascio degli
stessi a fini di privacy

La centralità dell’esperienza emozionale dei SN è
testimoniata dalle critiche di tipo morale, quali l’idea
che le motivazioni personali ad utilizzarli sono
composte da un mix di:
Ø esibizionismo (“tutti possono vedermi nelle azioni
che io decido di rendere pubbliche”)
Ø voyerismo (“osservo di nascosto cosa fanno i miei
amici e con chi sono a loro volta connessi”)
Sentimenti rafforzati dalle opzioni gerarchiche offerte
dal SN di mostrare alcuni contenuti a tutti, altri ad una
cerchia più ristretta, altri ancora solo a singoli individui
eletti

STRUMENTI ANALITICI DEI SOCIAL NETWORK
                       IL SOCIAL GRAPH
 Il social graph è un algoritmo matematico applicato al web
 che descrive le relazioni fra individui online attraverso le
 connessioni esistenti fra essi
 esempio di disegno di graph, in cui ogni individuo è rappresentato da un
 cerchio numerato (nodo) e la relazione di amicizia da una linea (legame)

Il social graph è di proprietà esclusiva della piattaforma, e
costituisce un forte vantaggio competitivo nei confronti dei
concorrenti, perché genera effetti di lock-in

Numero degli utilizzatori attivi di social
network e messaging nel luglio 2019

Istagram ha meno della metà degli utenti Facebook,
ma ha un power index 15 volte superiore

Modelli di business sui SN

Social shopping (SS) = attivato dalla funzione “mi piace”
q aggiunge emozioni, condivisioni giudizi su prodotti, fiducia
q aumenta del 25% la shopping chart, e ben del 50% il valore medio
dell’ordine
q Grazie a SS, Facebook è riuscita ad aumentare fino al 60% (anno
2009, fonte InsideFacebook.com) la propria quota di ricavi generati da
tariffazione pay-per-click, possibile dai post collocati dagli inserzionisti, in
cui si è invogliati a commentare un certo prodotto o servizio e ad
esprimere le proprie preferenze
q Molti consumatori rinunciano ad acquistare un prodotto perché non
sanno bene cosa, come e con quali modalità potranno utilizzarlo: SS
interviene proprio su questo punto critico, con il cosiddetto Zero Moment
of Truth o Zmot (che si pronuncia zee-mot), ovvero l’esperienza presa in
prestito da altri di cui ci si fida e che diventa verità

Sui social network, in particolare Facebook, il criterio della scelta
delle ads da mostrare, basato sulla massimizzazione dei ricavi,
può avere conseguenze negative sull’equità.

L’8 marzo 2019 il Department of Housing and Urban
Development (HUD) ha aperto una procedura contro Facebook
per aver adottato un algoritmo che impedisce che le ads
vengano mostrate ad alcune categorie di utenti (coppie con
bambini, non americani, non cristiani, ispanici, disabili),
evidentemente poco profittevoli per la piattaforma.

Sarebbe cioè stato violato il Fair Housing Act che impedisce ogni
forma di discriminazione nei confronti di categorie protette.

Se Facebook, nel caso ora citato, ha modificato il proprio
algoritmo per adempiere alle indicazioni del HUD, rimane però
un problema centrale dell’industria delle ads su Internet,
verosimilmente destinato ad allargarsi.

Pubblicità on line negli USA per tipologia e anno

Tipologia                            2011     2012    2016
motori di ricerca                   48,0%    49,4% 46,9%
banners                             24,1%    23,4% 20,5%
video                                6,3%     7,9% 15,0%
annunci ed elenchi                   7,8%     6,4%    5,2%
sponsorizzazioni                     3,4%     3,5%    4,2%
email                                0,4%     0,4%    0,3%
altro                               10,0%     9,0%    7,9%
totale mercato on line (mln $)        32.0     39.5    62.0

Quote di mercato dei primi 4 motori di ricerca per ricavi
               pubblicitari nel mondo
                      anno 2017

I ricavi di Google derivavano nel gennaio 2018:
•70,9% dal portale
•16,0% da altri siti del network Google
•13,0% da siti terzi anno 2017

Quote di mercato dei primi 5 operatori
         nella pubblicità on-line display* negli USA per anno

                                   2011     2012      2013       2014
Facebook                         14,0%     16,8%     17,7%      17,1%
Google                           13,8%     16,5%     19,8%      21,7%
Yahoo!                           12,0%      9,1%      8,1%      7,5%
Microsoft                          4,5%     4,4%      4,3%      4,4%
AOL                                4,3%     4,0%      3,8%      3,7%
Totale primi 5 operatori         47,4%     50,7%     53,8%      54,4%
totale mercato display (mln $)    12.40     15.39     18.57     21.91

    * include banner, rich-media, sponsorizzazioni e mobile

Modello di asta VCG 1

• I beni in asta sono assegnati massimizzando la somma delle
  utilità dei partecipanti; ogni partecipante paga il costo
  opportunità che la sua presenza impone agli altri giocatori.
  Questo costo opportunità è definito come il totale delle offerte
  degli altri giocatori che avrebbero vinto se il primo giocatore
  avesse rinunciato a partecipare, meno il totale delle offerte
  degli attuali vincitori
• Si supponga, ad esempio, un’asta per 2 slot con tre
  inserzionisti:
• L’inserzionista A vuole 1 slot e offre $5
• L’inserzionista B vuole 1 slot e offre $2
• L’inserzionista C vuole entrambi gli slot e offre $6 (non è
  interessato a comperarne solo uno)

Modello di asta VCG 2

Il risultato dell’asta è determinato dalla massimizzazione del
ricavo ottenuto: gli slot sono assegnati ad A e B (5+2$ > 6$)
I prezzi si ottengono attraverso la seguente formula:

•Prezzo pagato da A: B e C hanno un’utilità totale di $2
(insieme pagano $2 + $0) – se A fosse escluso, la loro utilità
totale sarebbe di $6 ($0 + $6). Quindi A paga $4 ($6 − $2).
•Prezzo pagato da B: A e C hanno un’utilità totale di $5
(insieme $5 + $0) – se B fosse escluso, la loro utilità totale
sarebbe di $6 (0 + 6). Quindi B paga $1 ($6 − $5).
•Prezzo pagato da C: A e B hanno un’utilità totale di $7 (5+2),
escludendo C, C paga $0 (5 + 2) − (5 + 2) = $0

Modello di asta VCG 3

La procedura viene applicata agli slot pubblicitari e ai click
ricevuti di Youtube e Facebook

Algoritmo che calcola il pagamento netto dell’inserzionista A
nello slot 1 (ipotesi 4 slot mostrati):

(i) ogni volta che c’è un click nello slot 1, metti nel conto di A il
prezzo dello slot 2
(ii) ogni volta che c’è un click nello slot s>1, togli dal conto di A la
differenza fra prezzo dello slot 1 e quello dello slot 2.

Modello di asta VCG 4

Alla fine della giornata ci saranno:
•x1 click ricevuti dallo slot 1 che implicano un pagamento da
parte di A pari al prezzo dello slot 2 per x1
•x2 click ricevuti dallo slot 2 che implicano un pagamento ad A
(prezzo slot 2 – prezzo slot 3) per x2
•x3 click ottenuti nello slot 3 che implicano un pagamento ad A
(prezzo slot 3 - prezzo slot 4) per x3.

Il pagamento netto totale di A è dunque pari a:

prezzo slot 2 per x1 – [[(prezzo slot 2 – prezzo slot 3) per x2 +
(prezzo slot 3 – prezzo slot 4) per x3]].

Numero di slot mostrati
           Mostra più inserzioni (pro)
– spinge in alto i ricavi, specie se si passa da asta non
  interamente assegnata ad asta assegnata
           Mostra più inserzioni (contro)
– La rilevanza diminuisce
– I navigatori cliccheranno meno in futuro

Scelta ottimale dipende dal bilanciamento fra
  profitto di breve periodo e obiettivi di lungo
                     periodo

Nelle aste search GSP il problema è poco rilevante
perchè i partecipanti sono in genere molti, lo diventa
invece nelle aste contextual display

Le aste contextual display prevedono 4 slot, assegnati
col criterio della rilevanza rispetto al contenuto mostrato
(qui non è lo stesso algoritmo a generare risultati
organici e ad rilevanti)
In tutte le aste gli inserzionisti acquistando la parola
chiave scelgono fra:
Øcorrispondenza esatta → ad è mostrata solo se la
ricerca include la parola esatta (es. cibo per cani)
Øcorrispondenza estesa → ad è mostrata se la ricerca
include diverse definizioni, sinonimi e espansioni di
significato (es. mostrare cibo per cani in un video sui
cani)

Nelle aste contextual display con corrispondenza estesa
capita spesso che la prima ad offerta sia molto rilevante
ma le altre due o tre molto meno:

Google in questa fattispecie adotta il cosiddetto Dynamic
resizing, ovvero ingrandisce l’ad rilevante e scarta le
altre due, riuscendo in questo modo ad aumentare il n.
totale dei click ricevuti (ovvero massimizza i ricavi)

Con l’asta VCG questa procedura è facile da applicare,
mentre è molto difficile con l’asta GSP (ecco perchè
Google è passata a VCG nel contextual display)

I Big Data
Su Internet si trasformano in dati, le cui fonti sono qualsiasi device, sensore,
sistema operativo, motore di ricerca, social network e in particolare le parole, la
posizione geografica, le interazioni social, gli oggetti, se connessi in rete (IoT)

Lo scambio dei dati è illustrabile nel seguente schema di mercato multiversante

I Big Data
           Le tre dimensioni dei big data: volume, velocità, varietà

i processi interni dell’ecosistema dei big data sono complessi e comprendono, tra
gli altri:
• i momenti e le modalità di acquisizione del dato (data gathering & storage),
• il funzionamento degli algoritmi (algorithm accountability),
• i modi di conservazione e analisi (data analytics), le informazioni derivate, e gli
usi (primari e secondari) che ne derivano.

I Big Data

                         Il volume

Molti dati raccolti sono ridondanti, ma la ridondanza nei Big Data
serve. L’insieme delle informazioni che ciascun utente genera nel
momento in cui svolge le proprie attività su internet diventano dati.
Per tale ammasso di dati grezzi è stato coniato il termine di data
exhaust: si tratta di informazioni (cookies, file temporanei, logfiles,
parole digitate, ecc.) che presentano al contempo un enorme
volume, devono essere acquisite a grandi velocità, e sono
composte dai formati più vari.

Dall’analisi congiunta, spesso in tempo reale, di questi dati è
possibile estrarre un enorme valore, dal momento che vengono
inferite abitudini e caratteristiche degli utenti.

Il valore effettivo dei dati, quindi, è nettamente superiore a quello
derivante dal loro primo utilizzo.

La varietà

Small data      si utilizzano dati strutturati, tipicamente
                fogli di calcolo per riga e colonna

Big data         Utilizza dati non strutturati che richiedono
                 tecniche sofisticate per tramutare il dato in
                 informazione (immagini, foto, testi, email,
                 RSS feed, video, sensori, Social media,
                 ecc.

                                       Un’email include dati
                                       sia strutturati (ora,
                                       mittente/destinatario)
                                       che non (il testo e gli
                                       allegati)

I Big Data

                            La velocità

La velocità è connessa alle tempistiche con cui le banche dati vengono
alimentate, in particolare alla alta frequenza con cui i dati circolano da
un punto di origine a uno di raccolta.

Solo con enorme velocità è possibile, come ormai accade
frequentemente, che il gestore di Big Data utilizzi meccanismi
decisionali in tempo reale.

Non più dead data (dati passati), ma real time data

«Most decisions should probably be made with somewhere around
70% of the information you wish you had. If you wait for 90%, in most
cases, you’re probably being slow»
Jeff Bezos

I Big Data

IL PERCORSO CIRCOLARE DEI BIG DATA
L’utente attraverso
le “cose” che gli
appartengono,                 L’utente riceve attraverso algoritmi di
genera il dato (di            raccomandazione servizi personalizzati
qualsiasi tipo)               e inserzioni pubblicitarie

Il dato è acquisito e          Ciascun utente viene classificato in un
raccolto dalle                 “tipo” (in termini socioeconomici e/o
piattaforme digitali           politici)

Il dato è aggregato            L’insieme dei dati è processato con
ad altre basi dati             tecniche di big data analytics che
(semistrutturate)              individuano gli idealtipi (segmentazione
                               degli utenti)

I CAMPI DEL SAPERE A CUI SI APPLICANO I BIG DATA

• automazione (attività in precedenza gestite dall’uomo vengono svolte
automaticamente da macchine)

• intelligenza artificiale (attività per rendere intelligenti le macchine)

• machine learning (incluso il deep learning), capacità di un computer di
imparare modificare i propri processi sulla base dei nuovi dati ricevuti)

• robotica (sistemi artificiali progettati per eseguire compiti o servizi per
le persone, ad es. i cd Bot)

• natural language processing, sviluppi in ambito linguistico che hanno
creato assistenti virtuali che dialogano in modo naturale con gli umani
(Alexa, Siri, Verdana, Google Home)

• feedback processing usano i dati dei giudizi e commenti espressi dagli
utenti per orientare le decisioni di consumo (online e offline). Sono la
base della sharing economy (Uber, Tinder, Blablacar, ecc.) e diventano
esse stesse un servizio per gli utenti

grazie agli studi compiuti da Mccrae & Costa e John, oggi con i big data sono
sufficienti cinque variabili qualitative essenziali descrittive della personalità, note
come “big five”. Ciascuna di esse è associata al suo simmetrico speculare:
all’estroversione corrisponde l’introversione, alla gradevolezza la sgradevolezza, alla
coscienziosità la negligenza, alla nevrosi la stabilità emotiva, all’apertura mentale la
chiusura mentale.

Precisione di alcune predizioni in funzione del numero dei Like disponibili

            Fonte: Michal Kosinski et al. PNAS 2013;110:15:5802-5805

Il mercato dei dati nelle relazioni contrattuali fra
cittadini-utenti e soggetti che ne acquisiscono i dati

È basato su due fasi:

1)    cessione dei dati dai consumatori ad una pluralità di soggetti
      (inclusi i broker) che li acquisiscono;

2)    cessione dei dati dai broker ai soggetti che li utilizzano per
      finalità commerciali.

     Ma che cos’è un dato dal punto di vista economico?

Informazione e big data
                                                         assenza di rivalità nel consumo
L’informazione è un bene pubblico
                                                         non escludibilità nel consumo

Il diritto d’autore protegge l’autore dell’informazione sotto forma di un pieno diritto
temporaneo di proprietà (x anni), ma non tutte le informazioni presentano il medesimo
carattere, ad es. le impronte digitali non hanno nulla di creativo, ossia sono direttamente
beni pubblici, di dominio pubblico a cui possiamo accedere perché sono già stati rivelati
lasciando l’impronta.

I Big Data, tuttavia, non sono stati rilasciati in ambiente pubblico e, nel caso di consenso
al loro rilascio, diventano proprietà privata de facto di chi se ne appropria in via esclusiva
per finalità commerciali di profilazione pubblicitaria.

Emerge un paradosso: se una proprietà privata sui dati viene di fatto attribuita ex-post,
perché non deve essere riconosciuta inizialmente a chi quei dati ha generato?

Dunque la concessione al rilascio dei dati è uno scambio implicito non misurato da prezzi
dedicati e trasparenti: il mercato fallisce!

Il fallimento di mercato dipende dal fatto che i diritti di proprietà non sono
ben definiti, in cui il valore aggiunto si sposta dal contenuto al dato,
dall’editore al nuovo intermediario capace di sfruttarlo economicamente.

I dati hanno valore economico perché forniscono il materiale necessario a
tipizzare i consumatori/target in modo da effettuare predizioni su come
questi si comporteranno nei consumi o in politica.

Tutti gli agenti economici scontano, nei propri comportamenti, l’assenza di
un meccanismo istituzionale che regoli il commercio di dati.

I consumatori sono disposti a concedere i propri dati solo a fronte di
minori prezzi delle applicazioni mobili;

Gli operatori web offrono le loro APP a prezzi minori, al limite nulli, solo a
fronte dell’acquisizione di informazioni di dettaglio sugli utenti dei servizi.

In assenza di regole, l’ecosistema digitale si è auto-regolato scontando
l’incompletezza delle transazioni all’interno del prezzo dei servizi attraverso
cui i dati vengono acquisiti dagli operatori e ceduti dagli utenti.

Pro e contro gli interventi antitrust nei confronti degli operatori di Big Data

                                  Perché si

La fonte della dominanza della piattaforma dipende da un insieme di
fattori:
1. La natura dei dati raccolti
2. L’efficacia degli algoritmi (che dipende anche da 1.)
3. Le economie di rete (aumentano il costo-opportunità di uscita verso
    piattaforme alternative)
4. Le economie di scala
5. Le economie di varietà
6. I costi di coordinamento all’uscita (come 3.)
7. Assenza di interoperabilità
8. Assenza di portabilità dei dati

Esserci sulla piattaforma è un must per un’impresa digitale (Spotify
costretta a pagare una royalty del 30% ad Apple per essere presente su
Apple Music, nonostante disponga di un proprio portale, caso aperto
presso la CE nel marzo 2019)

Perché si

Il multihoming degli utenti di per sé non risolve, perché per un’effettiva parità
occorrono costi di transazione per utenti e consumatori molto bassi, che non
sono tali per tutte le cause sopraricordate.

Si rilevano conflitti di interesse fra i lati delle piattaforme: ad es. nei motori di
ricerca l’ordinamento dei risultati organici e/o sponsorizzati

Nel giugno 2017 la Commissione Europea ha sanzionato Google per 2,4
mld€ per aver favorito nei risultati di ricerca Google Shopping retrocedendo
quelli dei concorrenti: il controllo di due dei lati (inserzionisti ed utenti)
alimenterebbe un effetto clessidra in cui le economie di rete di ciascun lato si
cumulano e rafforzano reciprocamente. Nel marzo 2019 la Commissione
Europea ha sanzionato per 1,49mld€ Google per il suo servizio Adsense i cui
contratti erano pieni di clausole di esclusiva.

Anche le economie di varietà contano: offrire servizi diversi (come Gmail,
Maps, YouTube, Google Drive, Play Store, Google News) consente alla
piattaforma di gestirli tutti utilizzando un’unica base dati dei clienti.

Perché si

I gestori delle piattaforme dispongono di un’elevatissima liquidità generata dai
profitti che consente loro livelli di investimento impossibili per le piattaforme
concorrenti (deep pocket). Nel 2006 Eisenmann e colleghi stimavano il break-
even di una piattaforma search pari a 1,2 mld$ in ricavi pubblicitari on-line,
AGCOM ritiene che oggi tale valore sia di circa 10mld$, ipotizzando che i
costi variabili siano circa il 15-17% del fatturato pubblicitario.

Istagram, lanciato sul mercato nel 2010, nel 2012 è stato acquisito da
Facebook per circa 1mld$ e in breve tempo è diventato il secondo social
network.

L’accusa alle piattaforme globali è che esse, anziché essere il solo risultato di
dinamiche concorrenziali replicabili, siano divenute ormai nuovi contesti
istituzionali che si sostituiscono al mercato e lo governano.

Perché no

• Le piattaforme favoriscono l’innovazione attraverso una differenziazione
  del prodotto. Secondo la teoria di Schumpeter, la concorrenza spinge
  verso il monopolio e il monopolio stimola la concorrenza, se ci sono basse
  barriere all’entrata. In tale visione le grandi piattaforme rischierebbero
  continuamente di avere vita effimera perché se fallissero nell’innovare
  qualcuno le spodesterebbe. «Competition is a click away» disse Larry
  Page davanti alla Commissione Giustizia del Senato americano,
  parafrasando quanto sostenuto da Varian. In sostanza non ci sarebbero
  posizioni di vantaggio permanente come nei monopoli perché i costi di
  uscita sarebbero bassi. L’esempio classico è quello di Yahoo! spodestato
  da Google, ma anche Nokia annientato da Samsung e Apple nei cellulari.
• Se la disponibilità di Big Data consente la profilazione quasi perfetta dei
  consumatori, esiste una soglia critica di profilazione per ciascun individuo,
  oltre cui i rendimenti diventano decrescenti. Per una buona profilazione
  sono sufficienti pochi dati, e ciò è realizzabile anche dai nuovi entranti. I
  dati, sostengono, non sono un’infrastruttura essenziale come le reti nei
  servizi fisici perché sono replicabili. Limitare la libertà d’impresa è quindi
  socialmente inefficiente, perché deprime gli investimenti.
• Multihoming, portabilità dei dati (come impone il GDPR in Europa e
  interoperabilità (favorita da Google e avversata da Apple) impedirebbero il
  monopolio.