Pricing in the Presence of Strategic Consumers and Social Learning Under Contingent Pricing and Price Guarantee
Notice bibliographique
Résumé
Purchasing new experience products or services often involves significant quality uncertainty for both consumers and firms. Social learning through online reviews helps reduce this uncertainty but exacerbates strategic waiting, as consumers delay purchases to gain more information. This paper examines the impact of social learning on firms’ pricing policies in the presence of strategic consumers under two widely adopted schemes: Contingent pricing and price guarantee. We find that while social learning always benefits the firm, it enables the price guarantee scheme to outperform contingent pricing in terms of profitability for highly patient consumers, which would not be possible without social learning. Notably, social learning drives a range of pricing patterns, even making price skimming optimal under price guarantee for highly patient consumers, as high initial prices combined with markdowns effectively alleviate strategic waiting, enhancing review outcomes and the firm’s profitability. Additionally, social learning always enables the firm to extract greater consumer surplus for impatient consumers under price guarantee. In contrast, social learning under contingent pricing consistently benefits consumers and can achieve win-win outcomes when consumers are moderately patient. Our extensions validate the robustness of these findings under different assumptions, including fully rational consumers and partially forward-looking firms. In particular, a partially forward-looking firm can achieve win-win outcomes with social learning under price guarantee, expanding its practical applicability. This study provides novel insights into the role of social learning in shaping pricing strategies, highlighting its implications for firm profitability and consumer welfare in markets influenced by review dynamics and strategic consumers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».