Bölüm 6: Çevrimiçi Platformlar

Algoritmik Oyun Kuramı

İki taraflı pazarlarAğ etkileri ve kritik kitlePlatform fiyatlandırmasıSponsorlu arama: GSP ve VCGİtibar sistemleri

Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Platformlar ve Pazarlar

Oyunla Başlangıç: Sponsorlu Arama Açık Artırması

Oyunun kuralı

Reklamverenler tık başına teklif verir; reklamlar teklif × kalite puanına göre üç yuvaya sıralanır ve üstteki yuva daha çok tıklanır.

Merak sorusu

Bir tık size 8 TL kazandırıyorsa 8 TL teklif etmek en iyisi mi?
En yüksek teklifi veren her zaman en üst yuvayı mı alır?

Sponsorlu Arama Açık Artırması oyunu →

Platformlar ve Pazarlar

Öğrenme Çıktıları

Platformu modellemek

İki taraflı pazarı, çapraz ağ etkilerini ve platformu bir mekanizma tasarımcısı olarak tanımlamak.

Kritik kitleyi hesaplamak

Basit bir benimseme modelinde dengeleri, eşiği ve “devrilme” (tipping) dinamiğini bulmak.

Fiyat yapısını açıklamak

İki taraflı sayısal örnekte hangi tarafın neden sübvanse edildiğini göstermek.

Reklam açık artırmaları

GSP ve VCG ödemelerini aynı tekliflerle hesaplamak; GSP'de dürüst teklifin neden denge olmadığını göstermek.

İtibarı ölçmek

Bayesçi ortalamayla sıralamak; sahte değerlendirmenin ne zaman kârlı olduğunu hesaplamak.

Rekabeti tartışmak

Devrilme, geçiş maliyeti, çoklu kullanım ve düzenlemenin (DMA) platform rekabetine etkisini yorumlamak.

Platformlar ve Pazarlar

Çevrimiçi Platform Nedir?

Çevrimiçi platform: kullanıcıları, satıcıları ve hizmet sağlayıcıları buluşturan dijital ekosistem (aracı).
Değer, platformun kendisinden çok tarafların birbirine erişiminden doğar: iki taraflı pazar (two-sided market).
Platform kuralları koyar: kim katılır, kim kimi görür, kim ne öder → bir mekanizma.

Tür	1. taraf	2. taraf	Örnek
E-ticaret pazar yeri	alıcılar	satıcılar	Trendyol, Hepsiburada, Amazon
Paylaşım ekonomisi	misafir / yolcu	ev sahibi / sürücü	Airbnb, BlaBlaCar, Uber
Sosyal medya	kullanıcılar	reklamveren, içerik üreticisi	Instagram, TikTok, Facebook
Arama motoru	arayanlar	reklamverenler	Google, Bing

Platformlar ve Pazarlar

İki Taraflı Pazarlar ve Çapraz Ağ Etkisi

Çapraz ağ etkisi

Bir taraftaki katılımcı sayısı, diğer tarafın elde ettiği değeri belirler (çok satıcı → alıcı için çok seçenek).

Fiyat yapısı

Platform yalnız toplam fiyatı değil, ücretin taraflar arasında nasıl bölüşüleceğini de seçer (p_A, p_B).

Tavuk-yumurta sorunu

Satıcı yoksa alıcı gelmez, alıcı yoksa satıcı gelmez: başlangıçta bir taraf “çekilmelidir”.

Platformlar ve Pazarlar

Platform Bir Mekanizma, Kullanıcılar Oyuncu

Platform tasarımı (ücret, sıralama, puanlama kuralları) kullanıcıların stratejik davranışlarını yönlendirir.
Kullanıcılar teşviklere göre strateji seçer; ortaya çıkan davranış kurallar altındaki Nash dengesidir.

Platformun teşvikleri

Bonus: yoğun bölgede sürücüye ek ödeme (Uber)
İndirim, kupon, ücretsiz deneme
Sıralama ve öneri algoritması → görünürlük
Puan ve rozetler (güvenilir satıcı)

Kullanıcıların stratejik tepkileri

Sahte yorumlar ve puan şişirme
Algoritmayı manipüle etme (tıklama çiftlikleri)
Çoklu hesap açma, bonus istismarı
Misilleme amaçlı kötü değerlendirme

Doğru teşvik → işbirliği ve verimlilik. Yanlış teşvik → manipülasyon ve güven kaybı.

Ağ Etkileri

Ağ Etkisi Türleri

Doğrudan (aynı taraf)

WhatsApp: ne kadar çok arkadaşın kullanıyorsa uygulama senin için o kadar değerli.

Dolaylı / çapraz

Uber: çok sürücü → kısa bekleme → çok yolcu → sürücüye daha çok iş.

Negatif

Kalabalık → tıkanıklık, bilgi kirliliği; aynı taraftaki satıcılar birbirine rakiptir.

Yerel

Değer tüm kullanıcılardan değil yakın çevreden gelir (şehir, arkadaş grubu); rekabet yerelde kazanılır.

Pozitif ağ etkisi bir geri besleme döngüsü kurar: büyüyen daha da büyür, küçülen daha da küçülür. Pazar bir yöne “devrilebilir”.

Ağ Etkileri

Basit Bir Benimseme (Adoption) Modeli

N = 1000 potansiyel kullanıcı; kullanıcı i'nin tipi θ_i ~ U[0, 1]: platforma ne kadar önem verdiği.
Nüfusun x oranı katılırsa i'nin faydası θ_i·x − p; burada p = 0,16 (ücret veya katılma çabası).
Kullanıcı katılır ⟺ θ_i·x ≥ p ⟺ θ_i ≥ p/x. Bu koşulu sağlayanların oranı 1 − p/x'tir.

x kişi bekleniyorsa katılan oran: F(x) = 1 − p/x (x ≤ p ise 0)

Denge: kendini doğrulayan beklenti, F(x) = x.
Dinamik: bu dönem katılanlar gelecek dönemin beklentisini belirler, x_t+1 = F(x_t).

Easley ve Kleinberg (2010, Bölüm 17) ağ etkisi modelinin basitleştirilmiş biçimi.

Ağ Etkileri

Adım Adım: Kritik Kitle ve Devrilme

t	x₀ = 0,25	x₀ = 0,19
0
1
2
3
4
5
6

Eğri F(x) = 1 − 0,16/x: “x oranı katılacak” beklentisiyle gerçekten katılanların oranı. x ≤ 0,16 iken kimse katılmaz.

t	x₀ = 0,25	x₀ = 0,19
0
1
2
3
4
5
6

Dengeler F(x) = x: x² − x + 0,16 = 0 → x = 0,2 ve x = 0,8; ayrıca x = 0 (kimse yok). İçi boş nokta kararsız.

t	x₀ = 0,25	x₀ = 0,19
0	0,25
1	0,36
2
3
4
5
6

250 kullanıcı bekleniyor (x₀ = 0,25): θ ≥ 0,16/0,25 = 0,64 olanlar katılır → x₁ = 0,36.

t	x₀ = 0,25	x₀ = 0,19
0	0,25
1	0,36
2	0,556
3
4
5
6

Katılım beklentiyi aştı; yeni beklenti 0,36 ile θ ≥ 0,444 olanlar katılır → x₂ = 0,556.

t	x₀ = 0,25	x₀ = 0,19
0	0,25
1	0,36
2	0,556
3	0,712
4
5
6

Geri besleme sürüyor: x₃ = 1 − 0,16/0,556 = 0,712.

t	x₀ = 0,25	x₀ = 0,19
0	0,25
1	0,36
2	0,556
3	0,712
4	0,775
5
6

x₄ = 0,775; adımlar küçülüyor, yol kararlı dengeye yaklaşıyor.

t	x₀ = 0,25	x₀ = 0,19
0	0,25
1	0,36
2	0,556
3	0,712
4	0,775
5	0,794
6	0,798

x₆ ≈ 0,798 → 0,8: pazar platform lehine devrildi (800 kullanıcı).

t	x₀ = 0,25	x₀ = 0,19
0	0,25	0,19
1	0,36	0,158
2	0,556
3	0,712
4	0,775
5	0,794
6	0,798

Eşiğin hemen altından başla: x₀ = 0,19 → x₁ = 1 − 0,16/0,19 = 0,158. Katılım beklentinin altında kaldı.

t	x₀ = 0,25	x₀ = 0,19
0	0,25	0,19
1	0,36	0,158
2	0,556	0
3	0,712
4	0,775
5	0,794
6	0,798

x₁ = 0,158 ≤ p = 0,16 → x₂ = 0: kimse katılmaz, platform çöker.

t	x₀ = 0,25	x₀ = 0,19
0	0,25	0,19
1	0,36	0,158
2	0,556	0
3	0,712
4	0,775
5	0,794
6	0,798

Sonuç: 0 ve 0,8 kararlı, 0,2 kararsız. Kritik kitle 0,2 (200 kullanıcı): beklenti bunun üstündeyse 0,8'e, altındaysa 0'a gidilir.

Ağ Etkileri

Kritik Kitleye Ulaşmak: Tasarım Dersleri

p	dengeler	eşik
0,09	0, 0,1, 0,9	0,1
0,16	0, 0,2, 0,8	0,2
0,21	0, 0,3, 0,7	0,3
0,25	0 ve 0,5 (teğet)	0,5
0,3	yalnız 0	—

Ücret düştükçe eşik düşer; p > 0,25 olursa pazar hiç oluşmaz.

Başlangıç sübvansiyonu

Ücretsiz dönem, bonus: p küçülür, kritik kitle düşer.

Tohumlama (seeding)

İlk içeriği, satıcıyı veya sürücüyü platform kendisi sağlar.

Beklenti yönetimi

“Herkes burada” algısı x₀'ı eşiğin üstüne taşır.

Tek başına değer

Ağ olmadan da işe yarayan bir araçla başla, ağı sonra kur.

Örnek: WhatsApp kullanıcı arttıkça değeri katlanarak büyüdü; Friendster ise kullanıcı kaybı başlayınca aynı döngüyle ters yönde çöktü.

Platform Fiyatlandırması

İki Taraflı Fiyatlandırma İlkeleri

Platform toplam fiyat düzeyinin yanında fiyat yapısına da karar verir: ücreti hangi taraf, ne kadar öder? (Rochet ve Tirole, 2003)
Diğer tarafa daha çok değer katan veya fiyata daha duyarlı olan taraf ucuzlatılır, hatta sübvanse edilir (negatif fiyat).
Kayıp, sübvanse edilen tarafın çektiği diğer taraftan alınan ücretle telafi edilir.

Arama / sosyal medya

Kullanıcı ücretsiz, reklamveren öder.

Kredi kartı

Kart sahibine puan, işyerinden komisyon.

Pazar yeri

Alıcıya kupon, satıcıdan komisyon.

Gelir modelleri

Komisyon, üyelik, reklam, işlem başına ücret.

Basit doğrusal modelde (Armstrong, 2006) kural: p_A = kâr payı − bir A katılımcısının B tarafına kattığı değer. İkinci terim büyükse fiyat negatife düşer.

Platform Fiyatlandırması

Sayısal Örnek: Pazar Yeri Modeli

n: katılımcı (bin kişi), p: aylık ücret (TL), marjinal maliyet 0.
Satıcı için alıcı çok değerli (e_B = 0,75), alıcı için satıcı çeşitliliği daha az (e_A = 0,25).

n_A = 20 + 0,25·n_B − p_A
n_B = 80 + 0,75·n_A − p_B
Π = p_A·n_A + p_B·n_B

Soru: kârı en büyükleyen (p_A, p_B) nedir? Hangi taraf sübvanse edilir?

Platform Fiyatlandırması

Adım Adım: Hangi Taraf Sübvanse Edilir?

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π

Fiyat yerine katılımları seçmek hesabı kolaylaştırır: her (n_A, n_B) çiftine tek bir fiyat çifti karşılık gelir.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π

Kâr ifadesine yerleştir. n_An_B terimi iki tarafın birbirine kattığı değeri platformun toplayabileceğini gösterir.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π

Birinci mertebe koşulları: iki doğrusal denklem.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π
Optimum	0,25 / 0,75	−5	50	40	60	2800

Çözüm: alıcılara 5 TL ödenir (p_A = −5), satıcılar 50 TL öder. Kâr Π = −200 + 3000 = 2800.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π
Optimum	0,25 / 0,75	−5	50	40	60	2800
Alıcıya ücretsiz	0,25 / 0,75	0	47,5	34,6	58,5	2776,9

Karşılaştır: alıcı ücretsiz (p_A = 0) olursa en iyi p_B ≈ 47,5; daha az alıcı, kâr 2776,9 < 2800.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π
Optimum	0,25 / 0,75	−5	50	40	60	2800
Alıcıya ücretsiz	0,25 / 0,75	0	47,5	34,6	58,5	2776,9
Alıcıdan 10 TL	0,25 / 0,75	10	42,5	23,8	55,4	2592,3

Alıcıdan 10 TL alınırsa alıcı sayısı 23,8 bine düşer, satıcılar da azalır: kâr 2592,3.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π
Optimum	0,25 / 0,75	−5	50	40	60	2800
Alıcıya ücretsiz	0,25 / 0,75	0	47,5	34,6	58,5	2776,9
Alıcıdan 10 TL	0,25 / 0,75	10	42,5	23,8	55,4	2592,3

Neden? Fazladan bir alıcı satıcılara 0,75·60 = 45 TL değer katar ve platform bunu p_B ile geri alır. 45 > 40 (kâr payı) → sübvansiyon.

1. Katılımları karar değişkeni yap: p_A = 20 + 0,25 n_B − n_A, p_B = 80 + 0,75 n_A − n_B

2. Π = 20 n_A + 80 n_B + (0,25 + 0,75) n_An_B − n_A² − n_B²

3. ∂Π/∂n_A = 20 + n_B − 2n_A = 0, ∂Π/∂n_B = 80 + n_A − 2n_B = 0

4. n_A = 40, n_B = 60 → p_A = 20 + 15 − 40 = −5, p_B = 80 + 30 − 60 = 50

5. Kural: p_A = n_A − e_B·n_B = 40 − 0,75·60 = −5 (kâr payı − alıcının satıcılara kattığı değer)

Senaryo	e_A / e_B	p_A	p_B	n_A	n_B	Π
Optimum	0,25 / 0,75	−5	50	40	60	2800
Alıcıya ücretsiz	0,25 / 0,75	0	47,5	34,6	58,5	2776,9
Alıcıdan 10 TL	0,25 / 0,75	10	42,5	23,8	55,4	2592,3
Etkiler ters	0,75 / 0,25	25	30	40	60	2800

Karşı olgu: çapraz etkiler ters olsaydı (alıcılar satıcılara az değer katsaydı) p_A = 25, p_B = 30 olurdu; sübvansiyon kalkar.

Betikte (p_A, p_B) ızgarası 0,5 TL adımla tarandı: en yüksek kâr (−5, 50) noktasında.

Platform Fiyatlandırması

Kod İzleme: `katilim(pA, pB)`

Çağrı: optimum fiyatlar pA = −5, pB = 50. Katılımı “elle” çözmek yerine taraflar birbirine tepki versin.

Başlangıç: platform boş, nA = nB = 0.

Tur 1: alıcılar mevcut satıcı sayısına tepki verir: nA = 20 + 0,25·0 + 5 = 25.

Satıcılar yeni alıcı sayısına tepki verir: nB = 80 + 0,75·25 − 50 = 48,8. Alıcı sübvansiyonu satıcıyı çekti.

Tur 2: alıcılar mevcut satıcı sayısına tepki verir: nA = 20 + 0,25·48,8 + 5 = 37,2.

Satıcılar yeni alıcı sayısına tepki verir: nB = 80 + 0,75·37,2 − 50 = 57,9. Çapraz etki iki tarafı birlikte büyütüyor.

Tur 3: alıcılar mevcut satıcı sayısına tepki verir: nA = 20 + 0,25·57,9 + 5 = 39,5.

Satıcılar yeni alıcı sayısına tepki verir: nB = 80 + 0,75·39,5 − 50 = 59,6. Çapraz etki iki tarafı birlikte büyütüyor.

Tur 4: nA = 39,9, nB = 59,9. Değişim her turda ≈ 0,25·0,75 ≈ 0,19 katına küçülür.

Tur 5: nA = 40, nB = 60. Değişim her turda ≈ 0,25·0,75 ≈ 0,19 katına küçülür.

Tur 6: nA = 40, nB = 60. Değişim her turda ≈ 0,25·0,75 ≈ 0,19 katına küçülür.

Tur 7: nA = 40, nB = 60. Değişim her turda ≈ 0,25·0,75 ≈ 0,19 katına küçülür.

Tur 8: nA = 40, nB = 60. Değişim her turda ≈ 0,25·0,75 ≈ 0,19 katına küçülür.

Sabit nokta (40, 60). Kâr = −5·40 + 50·60 = 2.800. Bu, iki tarafın beklentilerinin birbirini doğruladığı katılım dengesidir.

def katilim(pA, pB, tur=8):
  nA, nB = 0, 0
  for t in range(tur):
    nA = 20 + 0.25 * nB - pA   # alıcılar
    nB = 80 + 0.75 * nA - pB   # satıcılar
  return nA, nB

Yakınsama koşulu: çapraz etkilerin çarpımı e_A·e_B = 0,1875 < 1. Çarpım 1'i aşsaydı katılım patlar ya da çöker: ağ etkisi fazla güçlüdür (devrilme).

Platform Fiyatlandırması

Oyundaki Model: İki Taraflı Platform Fiyatlandırması

Aynı model, iki parametre daha

Oyun: n_A = taban_A − s_A·p_A + e_A·n_B, n_B = taban_B − s_B·p_B + e_B·n_A.

s: fiyat duyarlılığı (pazar yerinde s_A = 11, s_B = 5); sayısal modelde s = 1.
Katılım 0–100 kullanıcıyla sınırlı; ücretler −5 … 10 arasında tam sayı.
Kâr Π = p_A·n_A + p_B·n_B, katılım yine karşılıklı tepkinin sabit noktası.

Düzey	e_A / e_B	En kârlı (p_A, p_B)	n_A / n_B	Π
1	0,10 / 0,30	(2, 4)	25,3 / 22,6	140,8
2	0,15 / 0,60	(0, 6)	50,3 / 35,2	211,0
3	0,20 / 0,85	(−2, 9)	78,3 / 56,6	352,5

Pazar yeri senaryosu (taban 45 / 35). Düzey 3'te (3, 3) ücretleri yalnız 167,0 kâr getirir: A'yı sübvanse edip B'den yüksek ücret almak kârı iki katından fazlasına çıkarır.

B tarafı A'ya ne kadar çok değer verirse (e_B büyüdükçe) A'nın ücreti o kadar düşer, sonunda negatif olur: p_A = kâr payı − A'nın B tarafına kattığı değer kuralının oyundaki karşılığı.

Sponsorlu Arama

Sponsorlu Arama Açık Artırması (Sponsored Search)

Her arama sorgusunda anahtar kelimeye teklif veren reklamverenler için bir açık artırma çalışır.
m yuva, yukarıdan aşağı tıklanma sayısı α₁ > α₂ > … (burada 1000 gösterimde 300, 200, 100).
Reklamveren i'nin tık başına değeri v_i; tık başına b_i teklif verir, tık başına p öder.
Yuva j'deki reklamverenin faydası: α_j·(v_i − p).

Örnek: A 10, B 8, C 5, D 2 TL/tık değer (ve teklif). Üç yuva, dört reklamveren.

Sponsorlu Arama

İki Ödeme Kuralı: GSP ve VCG

GSP (genelleştirilmiş ikinci fiyat)

Teklife göre sırala. Yuva j'deki reklamveren tık başına bir alttakinin teklifini öder:

p_j = b_(j+1)

Tek yuvada Vickrey ile aynıdır; birden çok yuvada dürüstlük kaybolur.

VCG

Aynı sıralama. Reklamveren, varlığıyla diğerlerine verdiği kaybı öder:

P_j = Σ_k≥j (α_k − α_k+1)·b_(k+1)

Dürüst teklif baskın stratejidir.

b_(k): k. en yüksek teklif; α_m+1 = 0. P_j toplam ödemedir, tık başı ödeme P_j/α_j.

Sponsorlu Arama

Adım Adım: Aynı Tekliflerle GSP ve VCG Ödemeleri

Yuva	Tık	Reklamveren
1	300	A (b = 10)
2	200	B (b = 8)
3	100	C (b = 5)
—	0	D (b = 2)
		Gelir

Sıralama teklife göre: A → yuva 1, B → yuva 2, C → yuva 3; D açıkta kalır.

Aynı teklifler (= değerler) iki kurala da verilir; yalnız ödemeler farklıdır.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam
1	300	A (b = 10)	8	2400
2	200	B (b = 8)
3	100	C (b = 5)
—	0	D (b = 2)	—	0
		Gelir

GSP: A, altındaki B'nin teklifini öder: 8 TL/tık × 300 = 2400.

GSP'de her yuva bir alttaki teklifi, tık başına öder.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam
1	300	A (b = 10)	8	2400
2	200	B (b = 8)	5	1000
3	100	C (b = 5)
—	0	D (b = 2)	—	0
		Gelir

GSP: B, C'nin teklifini öder: 5 × 200 = 1000.

İkinci yuva.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam
1	300	A (b = 10)	8	2400
2	200	B (b = 8)	5	1000
3	100	C (b = 5)	2	200
—	0	D (b = 2)	—	0
		Gelir		3600

GSP: C, D'nin teklifini öder: 2 × 100 = 200. GSP geliri 3600.

GSP tamam.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam	VCG toplam	VCG /tık
1	300	A (b = 10)	8	2400
2	200	B (b = 8)	5	1000
3	100	C (b = 5)	2	200	200	2
—	0	D (b = 2)	—	0	0	—
		Gelir		3600

VCG, C: C olmasaydı D yuva 3'e çıkar: alttakilerin refahı 200; C varken 0 → C öder 200.

VCG ödemesi = “o olmasaydı” diğerlerinin refahı − o varken diğerlerinin refahı. Üsttekiler etkilenmez; yalnız alttakiler sayılır.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam	VCG toplam	VCG /tık
1	300	A (b = 10)	8	2400
2	200	B (b = 8)	5	1000	700	3,5
3	100	C (b = 5)	2	200	200	2
—	0	D (b = 2)	—	0	0	—
		Gelir		3600

VCG, B: B olmasaydı C yuva 2 (200·5), D yuva 3 (100·2) → 1200; B varken C: 100·5 = 500 → 700.

B'nin çıkması C'yi bir yuva, D'yi yuvaya yükseltirdi.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam	VCG toplam	VCG /tık
1	300	A (b = 10)	8	2400	1500	5
2	200	B (b = 8)	5	1000	700	3,5
3	100	C (b = 5)	2	200	200	2
—	0	D (b = 2)	—	0	0	—
		Gelir		3600	2400

VCG, A: A olmasaydı 300·8 + 200·5 + 100·2 = 3600; A varken 200·8 + 100·5 = 2100 → 1500.

Aynı sonuç formülden: (300−200)·8 + (200−100)·5 + 100·2 = 1500.

Yuva	Tık	Reklamveren	GSP /tık	GSP toplam	VCG toplam	VCG /tık
1	300	A (b = 10)	8	2400	1500	5
2	200	B (b = 8)	5	1000	700	3,5
3	100	C (b = 5)	2	200	200	2
—	0	D (b = 2)	—	0	0	—
		Gelir		3600	2400

Aynı tekliflerde GSP her yuvada VCG'den fazla ya da eşit alır: 8 ≥ 5, 5 ≥ 3,5, 2 ≥ 2 TL/tık.

Gelir: GSP 3600, VCG 2400. Ama bu karşılaştırma adil değil: GSP'de teklifler değişir.

Sponsorlu Arama

Kod İzleme: `gsp_vcg(bids, ctr)`

m = 3 yuva.

Teklifler büyükten küçüğe sıralanır; sona m sıfır eklenir ki “alttaki teklif” her zaman var olsun.

a'ya 0 tıklı sanal (m+1). yuva eklenir: α_m+1 = 0.

Sonuç dizileri sıfırlanır; vcg'nin fazladan son elemanı özyinelemenin tabanıdır.

gsp[0] = a[0]·b[1] = 300·8 = 2400: yuva 1, altındakinin teklifini tık başına öder.

gsp[1] = a[1]·b[2] = 200·5 = 1000: yuva 2, altındakinin teklifini tık başına öder.

gsp[2] = a[2]·b[3] = 100·2 = 200: yuva 3, altındakinin teklifini tık başına öder.

ek = (100 − 0)·2 = 200: alttaki reklamveren yuva 3 yerine 4'te kaldığı için kaybettiği tık değeri.

vcg[2] = 0 + 200 = 200: alttakilere verilen kayıp da üste taşınır.

ek = (200 − 100)·5 = 500: alttaki reklamveren yuva 2 yerine 3'te kaldığı için kaybettiği tık değeri.

vcg[1] = 200 + 500 = 700: alttakilere verilen kayıp da üste taşınır.

ek = (300 − 200)·8 = 800: alttaki reklamveren yuva 1 yerine 2'de kaldığı için kaybettiği tık değeri.

vcg[0] = 700 + 800 = 1500: alttakilere verilen kayıp da üste taşınır.

Sonuç: GSP [2400, 1000, 200] (toplam 3600), VCG [1500, 700, 200] (toplam 2400).

def gsp_vcg(bids, ctr):
  m = len(ctr)
  b = sorted(bids, reverse=True) + [0]*m
  a = ctr + [0]     # sanal yuva: 0 tık
  gsp, vcg = [0]*m, [0]*(m + 1)
  for j in range(m):
    gsp[j] = a[j] * b[j+1]   # alttaki
  for j in range(m-1, -1, -1):  # alttan
    ek = (a[j] - a[j+1]) * b[j+1]
    vcg[j] = vcg[j+1] + ek
  return gsp, vcg[:m]

Sponsorlu Arama

Adım Adım: GSP'de Dürüst Teklif Denge Değildir

Rek.	v	teklif	yuva	öder/tık	fayda
A	10	10	1	8	600
B	8	8	2	5	600
C	5	5	3	2	300
D	2	2	—	—	0
Platform geliri					3600

Herkes değerini teklif ediyor. A yuva 1'de, B'nin teklifini (8) öder: fayda 300·(10 − 8) = 600.

Rek.	v	teklif	yuva	öder/tık	fayda
A	10	10	1	8	600
B	8	8	2	5	600
C	5	5	3	2	300
D	2	2	—	—	0
Platform geliri					3600

A'nın faydası teklifine göre basamaklı: 2–5 arası yuva 3 (800), 5–8 arası yuva 2 (1000), 8 üstü yuva 1 (600).

Rek.	v	teklif	yuva	öder/tık	fayda
B	8	8	1	6	600
A	10	6	2	5	1000
C	5	5	3	2	300
D	2	2	—	—	0
Platform geliri					3000

A 6 teklif ederse yuva 2'ye iner, C'nin 5'ini öder: 200·(10 − 5) = 1000 > 600. Dürüst teklif en iyi tepki değil → denge değil.

Rek.	v	teklif	yuva	öder/tık	fayda
A	10	10	1	5	1500
B	8	5	2	3,5	900
C	5	3,5	3	2	300
D	2	2	—	—	0
Platform geliri					2400

Bir denge: B 5, C 3,5, D 2 teklif eder. A için en iyisi yine yuva 1 (1500); betik tüm sapmaları denedi, kimse kazanamıyor.

Rek.	v	teklif	yuva	öder/tık	fayda
A	10	10	1	5	1500
B	8	5	2	3,5	900
C	5	3,5	3	2	300
D	2	2	—	—	0
Platform geliri					2400

Bu dengede tık başı ödemeler 5 / 3,5 / 2 = VCG ödemeleri, gelir 2400. GSP'nin kıskançsız (envy-free) dengeleri içinde en düşük gelirli olan budur.

Sponsorlu Arama

Kod İzleme: `karli_sapma(i, b, v, ctr, adaylar)`

Dürüst teklifler b = v = [10, 8, 5, 2]. A (i = 0) sapmalı mı? Aday teklifler 9, 6, 4, 3, 1.

Mevcut durumda A yuva 1'de, bir alttaki teklifi (8) öder: eski = 300·(10 − 8) = 600.

x = 9: yuva 1, u = 600 ≤ 600.

x = 6: A yuva 2'ye iner, daha ucuz öder: u = 1.000 > 600 → kârlı sapma bulundu, (x, u) döner.

Şimdi önerilen denge: B 5, C 3,5, D 2 teklif ediyor. A için aynı aday listesi.

Mevcut durumda A yuva 1'de, bir alttaki teklifi (5) öder: eski = 300·(10 − 5) = 1.500.

x = 9: yuva 1, u = 1.500 ≤ 1.500.

x = 6: yuva 1, u = 1.500 ≤ 1.500.

x = 4: yuva 2, u = 1.300 ≤ 1.500.

x = 3: yuva 3, u = 800 ≤ 1.500.

x = 1: reklam dışarıda kalır, u = 0 ≤ 1.500.

Hiçbir aday kârlı değil → None. Betik aynı testi dört reklamverenin hepsi için 0,25 adımlı teklif ızgarasında yaptı: kimse kazanamıyor, bu profil bir Nash dengesi.

def karli_sapma(i, b, v, ctr, adaylar):
  eski = gsp_fayda(i, b, v, ctr)
  for x in adaylar:
    b2 = b[:]; b2[i] = x   # yalnız i değişir
    u = gsp_fayda(i, b2, v, ctr)
    if u > eski:
      return x, u   # kârlı sapma
  return None     # sapma yok

gsp_fayda(i, b, v, ctr): teklifleri sırala; i, j. yuvadaysa ctr[j]·(v[i] − bir alttaki teklif), yuva dışındaysa 0. Teklifler farklı varsayılır.

Sponsorlu Arama

GSP ve VCG: Karşılaştırma

	GSP	VCG
Dürüst teklif baskın mı?	Hayır (A 10 yerine 6 verir)	Evet
Aynı tekliflerle gelir	3600 (her yuvada ≥ VCG)	2400
Dengede gelir	Kıskançsız dengelerde ≥ 2400; en düşüğü VCG ile aynı	2400 (dürüst teklifle)
Açıklaması	Kolay: “bir alttakinin teklifi”	Dışsallık toplamı, daha zor
Uygulama	Arama reklamlarında uzun süre yaygın (kalite puanıyla)	Facebook reklam açık artırmasında kullanıldı (Varian ve Harris, 2014)

Kalite puanı

Pratikte sıralama b_i·q_i ile yapılır (q: tıklanma kalitesi); ödeme b_j+1q_j+1/q_j.

Ders

“İkinci fiyat” adı dürüstlüğü garanti etmez: tek nesnede geçerli olan, çok yuvada bozulabilir.

Sponsorlu Arama

Bütçeler ve Çevrimiçi Tahsis

Reklamverenlerin günlük bütçesi vardır; aramalar tek tek gelir ve platform her birini geleceği bilmeden hemen bir reklamverene verir (çevrimiçi karar).
Örnek: A ve B'nin bütçesi 100 TL. “koşu ayakkabısı” için ikisi de 1 TL, “spor çanta” için yalnız A 1 TL teklif verir. Önce 100 ayakkabı, sonra 100 çanta araması gelir.

Kural	Ayakkabı aramaları	Çanta aramaları	Gelir
Açgözlü (en yüksek teklif, eşitlikte A)	100'ü A'ya; A'nın bütçesi biter	A'nın parası yok: 0	100
Denge (Balance): kalan bütçesi büyük olana	A 50, B 50	A'nın kalan 50'si	150
Geleceği bilen optimum	100'ü B'ye	100'ü A'ya	200

Sık hata

“Her aramada en yüksek teklifi seçmek en iyisidir.” Bütçe varken açgözlü kural, esnek reklamvereni erkenden tüketir; en kötü durumda optimumun yalnız 1/2'sini garanti eder.

Garanti

Kalan bütçeyi gözeten kurallar her giriş sırasında optimumun en az 1 − 1/e ≈ %63'ünü elde eder (Mehta, Saberi, Vazirani ve Vazirani, 2007).

Sponsorlu Arama

Adım Adım: Kalite Puanıyla GSP

Aynı dört reklamveren. Tık sayısı yuva ve reklam kalitesinin çarpımı: yuva j'de i'nin tık sayısı α_j·q_i (α = 300, 200, 100).

Kalite q: reklamın tıklanma eğilimi (ör. A 0,4, B 0,8). Platform b·q puanına göre sıralar: bir gösterimin beklenen tık başı geliri.

Puana göre sıra B (6,4) > A (4) > C (3) > D (2). En yüksek teklif veren A artık birinci değil.

Ödeme: yerini korumak için gereken en düşük teklif. b_iq_i ≥ alttakinin puanı ⟺ b_i ≥ puan_j+1/q_i.

Her ödeme teklifi aşmaz (5 ≤ 8, 7,5 ≤ 10, 3,33 ≤ 5). Kaliteli reklam aynı yuvaya daha ucuza çıkar: kalite ödüllendirilir.

Sıralama	yuva 1–3	toplam tık (1000 gösterimde)	gelir (TL)
Yalnız teklife göre	A, B, C	340	1.880
Kalite puanıyla (b·q)	B, A, C	380	2.000

Bu örnekte kalite puanı hem tıkları (340 → 380) hem geliri (1.880 → 2.000) artırdı: kullanıcı ilgili reklamı görür, platform daha çok tık satar.

Sponsorlu Arama

Oyuna Dönüş: Sponsorlu Arama Açık Artırması

Kuramın cevabı: hayır

“Search Ads” oranlarıyla (%12, %7, %3,5) 1000 gösterimde 120, 70, 35 tık. Tık değeriniz 8, rakip teklifleri 6, 4, 2, kaliteler 1; GSP (Seviye 2):

Teklif	Yuva	Ödeme/tık	Fayda
8 (dürüst)	1	6	120 × 2 = 240
5	2	4	70 × 4 = 280
3	3	2	35 × 6 = 210

Alt yuvaya inmek daha kârlı; oyunun “Find best response” düğmesi bu sapmayı arar.

Gerçekte

Overture'ın birinci fiyatlı arama reklamı artırmasında (Seviye 1'in kuralı) teklifler sürekli yükselip çöken “testere dişi” döngüler oluşturdu (Edelman ve Ostrovsky, 2007). Google 2002'de GSP'ye dayalı sistemini kullanmaya başladı; GSP'de de dürüst teklif baskın strateji değildir (Edelman, Ostrovsky ve Schwarz, 2007). Yahoo!'daki bir saha deneyinde rezerv fiyatları yükseltmek geliri artırdı (Ostrovsky ve Schwarz, 2011); görüntülü reklam borsaları ise 2019 dolayında birinci fiyatlı artırmaya geçti.

“İkinci fiyat” adı tek yuvada dürüstlüğü getirir; çok yuvada getirmez. Dürüstlüğü garanti eden kural VCG'dir.

İtibar ve Rekabet

İtibar Sistemleri ve Bilgi Asimetrisi

Alıcı, satıcının kalitesini önceden bilmez: bilgi asimetrisi. Güven yoksa iyi satıcılar da piyasadan çekilebilir (Akerlof'un “limonlar piyasası”).
İtibar sistemi iki iş görür: seçim (iyi satıcıyı bul) ve disiplin (kötü davranışı gelecekte cezalandır, tekrarlanan oyun).

Sahte değerlendirme

Satın alınmış olumlu yorum veya rakibe olumsuz yorum.

Misilleme korkusu

Karşılıklı puanlamada kötü deneyim bildirilmez.

Not enflasyonu

Herkes 4,8+ ise puan ayırt edici olmaz.

Seçici katılım

Memnun olmayan sessiz kalır; yeni satıcı hiç yorum alamaz (soğuk başlangıç).

Tasarım önlemleri: doğrulanmış satın alma şartı, eski yorumlara daha az ağırlık, az yorumlu puanın belirsizliğini hesaba katmak (Bayesçi ortalama), karşılıklı puanlamada iki tarafın puanını aynı anda açıklamak.

İtibar ve Rekabet

Adım Adım: Az Yorumlu 5,0 mı, Çok Yorumlu 4,7 mi?

Ürün	yorum	ortalama	sıra
X	2	5	1
Y	200	4,7	2
Z	20	4,2	3

Ham ortalamaya göre sıra: X (5,0) > Y (4,7) > Z (4,2). Ama X'in yalnız 2 yorumu var!

Az yorumlu ürünün ortalaması çok gürültülüdür; iki sahte yorum onu zirveye taşır.

Ürün	yorum	ortalama	sıra	Bayesçi puan	sıra
X	2	5	1	3,75	3
Y	200	4,7	2	4,64	1
Z	20	4,2	3	3,97	2

Bayesçi ortalama: (C·m + Σ puan)/(C + n), m = 3,5 (platform ortalaması), C = 10. X: (35 + 10)/12 = 3,75; Y: (35 + 940)/210 ≈ 4,64.

Her ürüne 10 tane “ortalama” sanal yorum eklenmiş gibi: az yorumlu ürün ortalamaya çekilir. Yeni sıra: Y > Z > X.

Ürün	yorum	ortalama	sıra	Bayesçi puan	sıra
X + 3 sahte	5	5	1	4	3
Y	200	4,7	2	4,64	1
Z	20	4,2	3	3,97	2

X'e 3 sahte 5★ eklense ham ortalama yine 5,0 (zirvede kalır); Bayesçi puan (35 + 25)/15 = 4,0 → hâlâ Y'nin altında.

Bayesçi ortalama sahte yorumların etkisini azaltır: aynı etkiyi yaratmak için çok daha fazla sahte yorum gerekir.

İtibar ve Rekabet

Adım Adım: Sahte Değerlendirme Ne Zaman Kârlı?

Satıcı: 20 yorum, ortalama 3,6. Puanı ≥ 4,0 olanlar üst sırada → aylık ek kâr G = 600 TL.

Ham ortalama: (72 + 5k)/(20 + k) ≥ 4 ⟺ k ≥ 8. Maliyet 8 × 15 = 120 TL.

Tespit olasılığı ρ, yakalanınca kayıp L = 3000 TL. Kârlı ⟺ 600 − 120 > ρ·3000 ⟺ ρ < 0,16.

Bayesçi puanla (m = 3,5, C = 10): (107 + 5k)/(30 + k) ≥ 4 ⟺ k ≥ 13; maliyet 195 TL → ρ < 0,135.

Tasarım kolları: ρ'yu artır (doğrulanmış alım, anormallik tespiti), L'yi artır (hesap kapatma), G'yi azalt (sağlam puanlama).

Sahte yorumu bir yatırım kararı olarak modelle: getiri, maliyet ve beklenen ceza.

Satıcı: 20 yorum, ortalama 3,6. Puanı ≥ 4,0 olanlar üst sırada → aylık ek kâr G = 600 TL.

Ham ortalama: (72 + 5k)/(20 + k) ≥ 4 ⟺ k ≥ 8. Maliyet 8 × 15 = 120 TL.

Tespit olasılığı ρ, yakalanınca kayıp L = 3000 TL. Kârlı ⟺ 600 − 120 > ρ·3000 ⟺ ρ < 0,16.

Bayesçi puanla (m = 3,5, C = 10): (107 + 5k)/(30 + k) ≥ 4 ⟺ k ≥ 13; maliyet 195 TL → ρ < 0,135.

Tasarım kolları: ρ'yu artır (doğrulanmış alım, anormallik tespiti), L'yi artır (hesap kapatma), G'yi azalt (sağlam puanlama).

8 sahte 5★ yorum ham ortalamayı tam 4,0'a çıkarır.

Satıcı: 20 yorum, ortalama 3,6. Puanı ≥ 4,0 olanlar üst sırada → aylık ek kâr G = 600 TL.

Ham ortalama: (72 + 5k)/(20 + k) ≥ 4 ⟺ k ≥ 8. Maliyet 8 × 15 = 120 TL.

Tespit olasılığı ρ, yakalanınca kayıp L = 3000 TL. Kârlı ⟺ 600 − 120 > ρ·3000 ⟺ ρ < 0,16.

Bayesçi puanla (m = 3,5, C = 10): (107 + 5k)/(30 + k) ≥ 4 ⟺ k ≥ 13; maliyet 195 TL → ρ < 0,135.

Tasarım kolları: ρ'yu artır (doğrulanmış alım, anormallik tespiti), L'yi artır (hesap kapatma), G'yi azalt (sağlam puanlama).

Beklenen kazanç 600 − 120 − ρ·3000. Platformun tespit olasılığı %16'nın altındaysa hile kârlı.

Satıcı: 20 yorum, ortalama 3,6. Puanı ≥ 4,0 olanlar üst sırada → aylık ek kâr G = 600 TL.

Ham ortalama: (72 + 5k)/(20 + k) ≥ 4 ⟺ k ≥ 8. Maliyet 8 × 15 = 120 TL.

Tespit olasılığı ρ, yakalanınca kayıp L = 3000 TL. Kârlı ⟺ 600 − 120 > ρ·3000 ⟺ ρ < 0,16.

Bayesçi puanla (m = 3,5, C = 10): (107 + 5k)/(30 + k) ≥ 4 ⟺ k ≥ 13; maliyet 195 TL → ρ < 0,135.

Tasarım kolları: ρ'yu artır (doğrulanmış alım, anormallik tespiti), L'yi artır (hesap kapatma), G'yi azalt (sağlam puanlama).

Aynı eşik Bayesçi puanda 13 sahte yorum ister: hile pahalanır, kârlılık sınırı ρ < 0,135'e iner.

Satıcı: 20 yorum, ortalama 3,6. Puanı ≥ 4,0 olanlar üst sırada → aylık ek kâr G = 600 TL.

Ham ortalama: (72 + 5k)/(20 + k) ≥ 4 ⟺ k ≥ 8. Maliyet 8 × 15 = 120 TL.

Tespit olasılığı ρ, yakalanınca kayıp L = 3000 TL. Kârlı ⟺ 600 − 120 > ρ·3000 ⟺ ρ < 0,16.

Bayesçi puanla (m = 3,5, C = 10): (107 + 5k)/(30 + k) ≥ 4 ⟺ k ≥ 13; maliyet 195 TL → ρ < 0,135.

Tasarım kolları: ρ'yu artır (doğrulanmış alım, anormallik tespiti), L'yi artır (hesap kapatma), G'yi azalt (sağlam puanlama).

Mekanizma tasarımı bakışı: platform hileyi yasaklamakla yetinmez, hilenin beklenen getirisini negatife çeker.

İtibar ve Rekabet

Platform Rekabeti ve Düzenleme

Rekabet

Kazanan her şeyi alır (winner-takes-all): devrilme nedeniyle tek platform pazarın çoğunu alabilir.
Geçiş maliyeti: arkadaşlar, geçmiş puanlar, veriler → kullanıcıyı elde tutar.
Çoklu kullanım (multi-homing): aynı anda birden çok platform (sürücü hem Uber hem rakip) tekelleşmeyi zayıflatır.
Örnekler: Hepsiburada – Trendyol, Uber – Lyft, Instagram – TikTok.

Etik ve düzenleme

Veri mahremiyeti ve güvenlik sorunları.
Tekelleşme riski ve kendi ürününü kayırma (self-preferencing).
Sıralama ve öneri algoritmalarının şeffaflığı.
Örnek: Avrupa Birliği Dijital Piyasalar Yasası (Digital Markets Act, DMA) büyük “geçit bekçisi” platformlara yükümlülükler getirir.

İtibar ve Rekabet

Öneri Sistemleri, Bağlılık ve Mahremiyet

Öneri ve sıralama algoritması görünürlüğü tahsis eder (kim öne çıkacak?): bir tahsis kuralıdır, katılımcılar stratejilerini ona göre seçer.

Platformun hedefi

Kısa vadeli etkileşim ya da gelir en büyüklenirse kullanıcının uzun vadeli yararıyla çatışabilir (tıklama tuzağı, sonsuz akış).

Üreticiler de oyuncu

Üreticiler ve satıcılar görünürlük için yarışır, algoritmanın ödüllendirdiği biçime (başlık, etiket) yönelir: içerik tekdüzeleşebilir.

Bağlılık programları

Sadakat puanı, ücretli üyelik (ör. hızlı kargo), oyunlaştırma (rozet, seri): geçiş maliyetini bilerek artırır, çoklu kullanımı azaltır.

Veri ve mahremiyet

“Ücretsiz” hizmetin bedeli veridir: daha çok veri daha iyi öneri ama sızıntı ve kötüye kullanım riski. Kullanıcı ne kadar paylaşacağını da stratejik seçer.

Mekanizma tasarımı sorusu yine aynı: platformun amacı ile kullanıcıların ve üreticilerin çıkarı uyumlu mu?

İtibar ve Rekabet

Tartışma: Büyüme, Davranış ve Adalet

Neden bazıları hızla büyür, bazıları çöker?

Kritik kitle ve devrilme: beklenti eşiğin üstündeyse geri besleme büyütür, altındaysa çökertir. Kolay kullanım, güven ve erken teşvikler eşiği aşmayı kolaylaştırır.

Platformlar davranışı nasıl şekillendirir?

Bonus ve indirimler belirli davranışları artırır (yoğun bölgede sürücü bonusu); öneri algoritmaları tercihleri yönlendirir; spam ve sahte yorum denetimi manipülasyonu sınırlar.

Tasarım herkese adil olabilir mi?

Tam adalet zordur: farklı tercihler, ağ etkisinin büyük grupları kayırması, stratejik manipülasyon. Teşvik, kural ve düzenleme ile iyileştirilebilir.

Değerlendirme

Özet

Kavram	Ana fikir	Örnek
Ağ etkisi, devrilme	F(x) = 1 − p/x; iki kararlı denge ve aradaki eşik	p = 0,16: 0 ve 0,8 kararlı, eşik 0,2
İki taraflı fiyat	p_A = n_A − e_Bn_B: diğer tarafa çok değer katan ucuzlar	p_A = −5, p_B = 50, Π = 2800
GSP	Yuva j, bir alttakinin teklifini öder; dürüst teklif baskın değil	aynı tekliflerle gelir 3600; A 10 yerine 6 verir
VCG	Diğerlerine verilen kaybı öder; dürüst teklif baskın	1500 / 700 / 200, gelir 2400
GSP dengesi	Kıskançsız dengelerin en düşüğü VCG sonucunu verir	teklifler 10, 5, 3,5, 2 → 5 / 3,5 / 2 TL/tık
İtibar	Bayesçi ortalama, sahte yorumu pahalılaştırır	gereken sahte yorum 8 → 13

Değerlendirme

Örnek Problemler

Benimseme modelinde p = 0,21 olsun. Dengeler ve kritik kitle nedir?
Pazar yeri modelinde e_A = e_B = 0,5 (diğer her şey aynı). Optimum fiyatlar nedir? Sübvansiyon var mı?
İki yuva (100 ve 60 tık), teklifler 6, 4, 1. GSP ve VCG toplam ödemelerini bulun.
3. sorudaki GSP'de değeri 6 olan reklamveren, diğerleri dürüstken dürüst teklif vermeli mi?
10 yorum, ortalama 4,0. Ham ortalamayı 4,5'e çıkarmak için kaç sahte 5★ gerekir?
İki yuva; A 6 (q = 0,5), B 4 (q = 1), C 1 (q = 1) teklif ediyor. Kalite puanlı GSP'de sıra ve tık başı ödemeler nedir?

Cevapları göster

x² − x + 0,21 = 0 → x = 0,3 ve 0,7 (ve 0). Kritik kitle 0,3; kararlı dengeler 0 ve 0,7.
n_A = 40, n_B = 60; p_A = 40 − 0,5·60 = 10, p_B = 60 − 0,5·40 = 40. Sübvansiyon yok.
GSP: 100·4 + 60·1 = 460. VCG: yuva 2 → 60·1 = 60; yuva 1 → (100 − 60)·4 + 60 = 220; toplam 280.
Hayır: dürüst → yuva 1, 100·(6 − 4) = 200; 1 ile 4 arası teklif → yuva 2, 60·(6 − 1) = 300.
(40 + 5k)/(10 + k) ≥ 4,5 ⟺ k ≥ 10.
Puanlar A 3, B 4, C 1 → sıra B, A. B: 3/1 = 3 TL; A: 1/0,5 = 2 TL (ikisi de teklifin altında).

Değerlendirme

Etkileşimli Oyunlar

Sponsorlu Arama Açık Artırması

Kalite puanı, çok yuvalı tıklanma oranları, birinci fiyat ve GSP ödemeleri; en iyi tepki arayışı.

İki Taraflı Platform Fiyatlandırması

İki tarafın ücretine göre katılım, çapraz ağ etkisi ve kâr. Hangi taraf sübvanse edilmeli?

Değerlendirme

Kaynaklar

J.-C. Rochet, J. Tirole, “Platform Competition in Two-Sided Markets”, Journal of the European Economic Association, 2003.
M. Armstrong, “Competition in Two-Sided Markets”, RAND Journal of Economics, 2006.
B. Edelman, M. Ostrovsky, M. Schwarz, “Internet Advertising and the Generalized Second-Price Auction”, American Economic Review, 2007.
H. Varian, “Position Auctions”, International Journal of Industrial Organization, 2007.
D. Easley, J. Kleinberg, Networks, Crowds, and Markets, Cambridge University Press, 2010 (Bölüm 15 ve 17).
N. Nisan, T. Roughgarden, É. Tardos, V. Vazirani (ed.), Algorithmic Game Theory, Cambridge University Press, 2007 (Bölüm 27–28).
T. Roughgarden, Stanford CS364A: Algorithmic Game Theory ders notları, 2013 (2.–3. dersler: sponsorlu arama açık artırmaları).
G. Akerlof, “The Market for ‘Lemons’”, Quarterly Journal of Economics, 1970.
M. Luca, G. Zervas, “Fake It Till You Make It: Reputation, Competition, and Yelp Review Fraud”, Management Science, 2016.

Değerlendirme

Kaynaklar: Reklam Açık Artırmaları

H. Varian, C. Harris, “The VCG Auction in Theory and Practice”, American Economic Review: Papers & Proceedings 104(5), 2014.
B. Edelman, M. Ostrovsky, “Strategic Bidder Behavior in Sponsored Search Auctions”, Decision Support Systems 43(1), 2007. · M. Ostrovsky, M. Schwarz, “Reserve Prices in Internet Advertising Auctions: A Field Experiment”, ACM EC, 2011.
A. Mehta, A. Saberi, U. Vazirani, V. Vazirani, “AdWords and Generalized Online Matching”, Journal of the ACM 54(5), 2007.

Son

Bölüm 6: Çevrimiçi Platformlar

Sonraki bölüm: Bölüm 7: Oylama
Çalışma soruları · Terim sözlüğü

Bölüm 6: Çevrimiçi Platformlar

Oyunla Başlangıç: Sponsorlu Arama Açık Artırması

Öğrenme Çıktıları

Çevrimiçi Platform Nedir?

İki Taraflı Pazarlar ve Çapraz Ağ Etkisi

Platform Bir Mekanizma, Kullanıcılar Oyuncu

Platformun teşvikleri

Kullanıcıların stratejik tepkileri

Ağ Etkisi Türleri

Basit Bir Benimseme (Adoption) Modeli

Adım Adım: Kritik Kitle ve Devrilme

Kritik Kitleye Ulaşmak: Tasarım Dersleri

İki Taraflı Fiyatlandırma İlkeleri

Sayısal Örnek: Pazar Yeri Modeli

Adım Adım: Hangi Taraf Sübvanse Edilir?

Kod İzleme: katilim(pA, pB)

Oyundaki Model: İki Taraflı Platform Fiyatlandırması

Sponsorlu Arama Açık Artırması (Sponsored Search)

İki Ödeme Kuralı: GSP ve VCG

Adım Adım: Aynı Tekliflerle GSP ve VCG Ödemeleri

Kod İzleme: gsp_vcg(bids, ctr)

Adım Adım: GSP'de Dürüst Teklif Denge Değildir

Kod İzleme: karli_sapma(i, b, v, ctr, adaylar)

GSP ve VCG: Karşılaştırma

Bütçeler ve Çevrimiçi Tahsis

Adım Adım: Kalite Puanıyla GSP

Oyuna Dönüş: Sponsorlu Arama Açık Artırması

İtibar Sistemleri ve Bilgi Asimetrisi

Adım Adım: Az Yorumlu 5,0 mı, Çok Yorumlu 4,7 mi?

Adım Adım: Sahte Değerlendirme Ne Zaman Kârlı?

Platform Rekabeti ve Düzenleme

Öneri Sistemleri, Bağlılık ve Mahremiyet

Tartışma: Büyüme, Davranış ve Adalet

Özet

Örnek Problemler

Etkileşimli Oyunlar

Kaynaklar

Kaynaklar: Reklam Açık Artırmaları

Son

Kod İzleme: `katilim(pA, pB)`

Kod İzleme: `gsp_vcg(bids, ctr)`

Kod İzleme: `karli_sapma(i, b, v, ctr, adaylar)`