Notice bibliographique
Résumé
In the mobile video games industry, a common in-app purchase is for additional “moves” or “time” in single-player puzzle games. We call these in-app purchases bonus actions. In some games, bonus actions can only be purchased in advance of attempting a level of the game (pure advance sales (PAS)), yet in other games, bonus actions can only be purchased in a “spot” market that appears when an initial attempt to pass the level fails (pure spot sales). Some games offer both advance and spot purchases (hybrid advance sales). This paper studies these selling strategies for bonus actions in video games. Such a question is novel to in-app tools selling in video games, and it cannot be answered by previous advance selling studies focusing on end goods. We model the selling of bonus actions as a stochastic extensive form game. We show how the distribution of skill among players (i.e., their inherent ability to pass the level) and the inherent randomness of the game influence selling strategies. For casual games, where low-skill players have a sufficiently high probability of success in each attempt, if the proportion of high-skill players is either sufficiently large or sufficiently small, firms should adopt PAS and shut down the “spot” market. Furthermore, the player welfare-maximizing selling strategy is to sell only in the spot market. Hence, no “win-win” strategy exists for casual games. However, PAS can be a win-win for hardcore games, where low-skill players have a sufficiently low success probability for each attempt. This paper was accepted by Hemant Bhargava, information systems. Funding: C. T. Ryan received funding from NSERC Discovery [Grant RGPIN-2020-06488]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/mnsc.2022.02348 .
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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 tête enseignante, 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 ».