Customers’ Multihoming Behavior in Ride-Hailing: Empirical Evidence from Uber and Lyft
Notice bibliographique
Résumé
Problem definition: Are customers loyal to a ride-hailing platform or they see this service as a commodity and multihome (i.e., check several platforms before booking a ride)? Using a large panel dataset on ride-hailing transactions, we investigate to what extent customers multihome. Our dataset offers a unique opportunity to study this question as we observe the repeated choices of riders for both Uber and Lyft. Our dataset comprises more than 1.4 million rides completed by 162 thousand riders in NYC in 2018. Methodology/results: We develop a comprehensive structural model that incorporates both operational (price and waiting time) and behavioral factors (e.g., platform stickiness) to explain riders’ choices. Our model also accounts for the dynamic interactions between customers and platforms by assuming that riders update their beliefs on price and waiting time in a Bayesian fashion. Finally, the riders’ propensity to multihome is modeled by incorporating the consideration set formation of customers into our framework. We find that riders’ choices are not fully explained by operational factors, hence indicating that customers view the platforms as differentiated service providers. While 83.4% of riders took rides with a single platform, our model shows that even the remaining 16.6%, who used both Uber and Lyft at least once, considered both platforms only 43.4% of the time. Managerial implications: It is crucial for ride-hailing platforms to capture this single (or multi)-homing behavior while designing price discounts. Specifically, personalized discounts may be ineffective if the platform is not part of the customer’s consideration set. Our results show that targeting customers earlier in their lifecycle can enhance the platform’s market share by 77.56% more than their current discounting strategy. We also find that targeting customers with low search friction results in a 24.78% increase in market share relative to targeting customers with high search friction.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».