Revenue-Sharing Allocation Strategies for Two-Sided Media Platforms: Pro-Rata vs. User-Centric
Notice bibliographique
Résumé
We consider a two-sided streaming service platform that generates revenues by charging users a subscription fee for unlimited access to the content and compensates content providers (artists) through a revenue-sharing allocation rule. Platform users are heterogeneous in both their overall consumption and the distribution of their consumption over different artists. We study two primary revenue allocation rules used by market-leading music streaming platforms—pro-rata and user-centric. With pro-rata, artists are paid proportionally to their share of the overall streaming volume, whereas with user-centric, each user’s subscription fee is divided proportionally among artists based on the consumption of that user. We characterize when these two allocation rules can sustain a set of artists on the platform and compare them from both the platform’s and the artists’ perspectives. In particular, we show that, despite the cross-subsidization between low- and high-streaming-volume users, the pro-rata rule can be preferred by both the platform and the artists. Furthermore, the platform’s problem of selecting an optimal portfolio of artists is NP-complete. However, by establishing connections to the knapsack problem, we develop a polynomial time approximation scheme (PTAS) for the optimal platform’s profit. In addition to determining the platform’s optimal revenue allocation rule in the class of pro-rata and user-centric rules, we consider the optimal revenue allocation rule in the class of arbitrary rules. Building on duality theory, we develop a polynomial time algorithm that outputs a set of artists so that the platform’s profit is within a single artist’s revenue from the optimal profit. This paper was accepted by Gabriel Weintraub, revenue management and market analytics. Supplemental Material: The online appendices are available at https://doi.org/10.1287/mnsc.2022.4307 .
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».