MétaCan
Menu
Retour à la cohorte
Enregistrement W3119673027 · doi:10.1177/0022242921990351

The Control–Effort Trade-Off in Participative Pricing: How Easing Pricing Decisions Enhances Purchase Outcomes

2021· article· en· W3119673027 sur OpenAlexaff
Cindy Xin Wang, Joshua T. Beck, Hong Yuan

Notice bibliographique

RevueJournal of Marketing · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Behavior in Brand Consumption and Identification
Établissements canadiensBooth University College
Organismes subventionnairesnon disponible
Mots-clésDelegationPricing strategiesBusinessControl (management)Set (abstract data type)MarketingPurchasingMicroeconomicsEconomicsComputer science

Résumé

récupéré en direct d'OpenAlex

Participative pricing strategies may influence consumer purchase decisions; this research proposes specifically that firms’ delegation of pricing decisions to consumers can create a control–effort trade-off. Consumers favor greater pricing control but are deterred by the effort involved in deciding what to pay. Strategies such as pay what you want in turn might reduce purchase intentions due to the effort involved. In contrast, strategies that increase feelings of control but not perceived effort, such as pick your price options that let consumers choose from a limited set of prices, could enhance pricing outcomes. A field study and four laboratory experiments confirm these propositions. The findings demonstrate the mixed effects of participative pricing, identify mediating mechanisms that explain these effects, and specify common moderating conditions that shape the outcomes of participative pricing. These results have notable implications for pricing theory and practice.

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)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,539
Score d'incertitude au seuil0,738

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,288
Écart entre enseignants0,251 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of MarketingMême sujetConsumer Behavior in Brand Consumption and IdentificationTravaux en français237 207