Monetizing Freemium Communities: Does Paying For Premium Increase Social Engagement?1
Notice bibliographique
Résumé
Making sustainable profits from a baseline zero price and motivating free consumers to convert to premium subscribers is a continuing challenge for all freemium communities. Prior research has causally established that social engagement (Oestreicher-Singer and Zalmanson 2013) and peer influence (Bapna and Umyarov 2015) are two important drivers of users converting to premium subscribers in such communities. In this paper, we flip the perspective of prior research and ask whether the decision to pay for a premium subscription causes users to become more socially engaged. In the context of the Last.fm music listening freemium social community, we establish, using a novel 41-month-long panel dataset, a look-ahead propensity score matching (LA-PSM) procedure coupled with a difference-in-difference estimator of the treatment effect, that payment for premium leads to more social engagement. Specifically, we find that paying for premium leads to an increase in both content-related and community-related social engagement. Free users who convert to premium listen to 287.2% more songs, create 1.92% more playlists, exhibit a 2.01% increase in the number of forum posts made, and gain 15.77% more friends. Thus, premium subscribers create value not only for themselves by consuming more content, but also for the community and site by organizing more content and adding more friends, who are subsequently engaged by the social diffusion emerging from the focal user’s activities.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».