How Digital Word-of-Mouth Affects Consumer Decision Making: Evidence from Doctor Appointment Booking
Notice bibliographique
Résumé
We use detailed clickstream data on online word-of-mouth (WOM) to uncover mechanisms underlying its influence on consumer decision making. A feature launch on a major doctor appointment booking platform allows us to examine the effects of online WOM on three dimensions of a consumer’s choice process: the consideration set size, the time taken to consider alternatives (web session duration), and the geographic dispersion of the choices considered. Results indicate that the effects of WOM on decision-making processes are not monotonic but rather are contingent on the abundance of WOM (number of rated doctors) in a market. When the abundance of WOM is high, the introduction of WOM makes patients consider fewer doctors, browse for a shorter duration, and focus on doctors that are geographically more proximate. In contrast, when the abundance of WOM is low, the introduction of WOM makes patients consider more doctors, browse for longer duration, and consider doctors that are geographically more dispersed. We also find that WOM can lead to a cannibalization effect: when ratings are published, the highly rated doctors reap the benefits (in the form of increased demand) at the expense of unrated doctors. Our study contributes to the extant literature on online WOM by providing new insights into how WOM influences consumer decision making and by examining this question at a more granular level than prior work. This paper was accepted by Anandhi Bharadwaj, information systems.
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 | 0,004 | 0,041 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».