Online consumers’ reactions to price decreases: Amazon’s Kindle 2 case
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to investigate how consumers respond to price changes by analyzing online product reviews (OPRs) posted on a product (Amazon’s Kindle 2), and to suggest several future research topics on online consumers’ reactions embedded in OPRs. Design/methodology/approach – An exploratory case study is conducted using OPRs added to the Kindle 2. By analyzing 6,714 OPRs, the authors examine how online consumers respond to two continual price decreases embedded in the observable (star rating and review depth) and implicit (positive and negative emotions) features of OPRs as well as how the number of OPRs per day has changed after two price drops. Findings – The authors found that all four features of OPRs (star rating, review depth, positive emotion, and negative emotion) and the number of OPRs per day had significantly changed after two price decreases for both long-term and short-term periods. In addition, online consumers’ reactions to price decreases in terms of these four features and the change in the number of OPRs per day were different between the first and the second price drops. Research limitations/implications – This study investigates online consumers’ reactions to price decreases only. Future research should investigate other cases where price changes under the dynamic pricing strategy in order to find the relationship between price increases/decreases and consumers’ reactions. Practical implications – This study implies that online merchants should consider consumer groups’ innovation adoption stages and make strategic decisions for price decreases to improve the sales of their products. Originality/value – While prior research involving the effects of price changes on consumers’ reactions has focussed on offline consumers, this is among the first attempts to address the long- and short-term reactions to price changes in terms of both the observable and implicit features of OPRs, and suggests that consumers’ reactions to price changes in OPRs are more complex.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».