Quality Disclosure Strategy under Customer Learning Opportunities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For experience goods (products or services), given the uncertainty about their actual quality and the growing popularity of social media, potential customers nowadays depend on experiences of peers who have used the goods previously to learn about their quality. In this paper, we study how such customer learning affects a firm's (credible) quality disclosure strategy as well as other relevant decisions. To model such learning, we adopt the anecdotal reasoning framework, which we show to be rational and a special case of the Bayesian framework. There are two main insights that we glean from this study. First, we find that the incorporation of the learning behavior significantly alters the optimal disclosure strategy from its single threshold structure in the extant literature to a multi‐threshold policy. Specifically, firms with high‐ or low‐quality goods prefer not disclosing quality information in order to utilize the pricing flexibility that such a strategy affords; on the other hand, a medium‐quality firm might disclose its quality level, even though this hinders its pricing flexibility, so that customers are confident about it when purchasing the product. Second, we show that the change in the disclosure strategy impacts the optimal pricing decision, which can be non‐monotone in the quality level. Our results suggest that when disclosure is expensive, high‐quality firms are better off educating potential customers through advertising or social media, rather than disclosing their quality levels. They also suggest to policymakers that mandatory quality disclosure may not be socially optimal as more customers obtain quality information through peer learning. Our findings are robust and hold true under quite general customer valuation distributions, in capacitated settings and even when price can be used as a signal of quality level by firms.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle