Traffic channeling under uncertain conversion rates on e‐commerce platforms
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
Abstract Traffic is the lifeblood of every e‐commerce platform. The question of how to channel traffic to merchants operating on a platform lies at the heart of platform management. We consider a platform on which two independent merchants sell their products. Merchants compete on inventory in the sense that some of the unmet demand at one merchant will spill over to the other. The platform channels traffic based on products' conversion rates to maximize the total sale on the platform. We show that traffic channeling plays three roles. First, it allows more efficient allocation of traffic; that is, the merchant with a high conversion rate is given a higher priority in receiving traffic. Second, it allows the platform to control demand spillover between the merchants to maximize total sales. The platform either facilitates or prevents demand spillover, depending on product substitutability. Third, traffic channeling intensifies competition between the merchants and hence increases the total inventory. More efficient allocation of traffic and the increase in inventory increase sales inequality between the merchants. In contrast, demand spillover decreases sales inequality. While the platform always benefits from traffic channeling, the merchants do not benefit when their products are moderately substitutable. Interestingly, when the two products are owned and sold by the same merchant, the opposite happens–traffic channeling always benefits the merchant but may hurt the platform. Our study provides a basis for informed discussions on how platforms should channel traffic in response to conversion rates, and how traffic channeling affects the welfare of merchants and platforms.
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 | 0,003 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle