Is Personalized Pricing Profitable When Firms Can Differentiate?
Notice bibliographique
Résumé
We consider the role of personalized pricing (PP) on product differentiation when PP is costly to implement. Using a stylized yet commonly used formulation, we find that when firms decide on positioning before deciding on PP implementation, PP implementation cost affects not only the amount of differentiation firms choose in their positioning, firm profits, consumer surplus, and social welfare, but also whether firms implement PP. When PP implementation cost is low, firms cannot help but to implement PP and engage in direct price competition. Moreover, firms implementing PP reduce their differentiation, further intensifying price competition, and are worse off. When PP implementation cost is moderate, firms position to reduce their differentiation to commit to not implementing PP, again aggravating price competition. In contrast, when PP implementation cost is higher, firms increase their differentiation due to the threat of PP but do not implement PP. As a result, the availability of PP improves firm profits, even though firms do not implement PP. However, if differentiation is restricted, then PP availability cannot improve firm profits. If an information seller sets the PP implementation cost, then it sets the cost low. Consequently, firms implement PP and are worse off. We also find that when firms decide whether to implement PP before deciding on positioning, they never implement PP. This is the case when PP implementation is complex, and differentiation can be affected by short-run advertising and promotion. Finally, we show that banning PP can benefit consumers when accounting for changes in firm positioning. This paper was accepted by D. J. Wu, information systems. Funding: This work was supported by the Social Sciences and Humanities Research Council of Canada and the Hong Kong Research Grants Council [Grant 21500920]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/mnsc.2021.02740 .
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».