MétaCan
Menu
Retour à la cohorte
Enregistrement W2309382983 · doi:10.1287/mnsc.2015.2384

Signaling Low Margin Through Assortment

2016· article· en· W2309382983 sur OpenAlexaff
Dmitri Kuksov, Yuanfang Lin

Notice bibliographique

RevueManagement Science · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensConestoga College
Organismes subventionnairesnon disponible
Mots-clésCompetitor analysisIntuitionEconomicsMicroeconomicsProduct (mathematics)Margin (machine learning)Product differentiationProduct lineBusinessMarketingComputer science

Résumé

récupéré en direct d'OpenAlex

Oftentimes, close competitors carry partially overlapping assortments in seeming contradiction to the principle of maximum differentiation. One of the justifications of such practice is that an overlapping assortment with competitive prices on the common products may prevent further consumer search and therefore could be useful even when profits from the overlapping products do not justify the costs of carrying them. In this paper, we examine the validity of this intuition and show that such strategy may indeed be optimal when consumers are uncertain about prices they might find elsewhere and face shopping costs for discovery of all prices. Specifically, we show that the (larger) assortment with product overlap may signal a “competitive” price of the relatively unique product and prevent further consumer search for a lower price on it. An implication of this finding is that a consumer may rationally behave as if she likes a larger assortment even if the assortment is enlarged by adding products the consumer has no interest in. Furthermore, we show that the optimal pricing strategy may include pricing of common products or products with known costs at a loss, which provides a novel explanation of loss-leader pricing. Data, as supplemental material, are available at http://dx.doi.org/10.1287/mnsc.2015.2384 . This paper was accepted by Pradeep Chintagunta, marketing.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,570
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,244
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetConsumer Market Behavior and PricingTravaux en français237 207