MétaCan
Menu
Retour à la cohorte
Enregistrement W4410484228 · doi:10.1287/isre.2023.0779

Optimal Dynamic Advertising Policies in Digital and Traditional Channels: A Control-Theoretic Approach

2025· article· en· W4410484228 sur OpenAlexaff
Rui Guo, Yonghua Ji, Zhengrui Jiang

Notice bibliographique

RevueInformation Systems Research · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésComputer scienceControl (management)AdvertisingDigital advertisingOnline advertisingThe InternetBusinessWorld Wide WebArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This study applies optimal control theory to investigate a monopolistic firm’s optimal allocation of advertising efforts across digital and traditional channels. By considering the competitive relationship between advertising efforts in different channels in satisfying consumers’ informational needs, this study explicitly models their substitution effect. Furthermore, we propose an alternative approach to incorporate different decay rates of incremental goodwill in the two channels, allowing the system dynamics to be directly represented by the firm’s total goodwill without separating it into multiple channel-specific components. Technically, this approach leads to the system dynamics being governed by an integro-differential equation rather than an ordinary differential equation. Our analysis reveals that the marginal value of goodwill in the digital channel is greater than that in the traditional channel due to a lower decay rate. However, this comparative advantage of the digital channel progressively diminishes over time. As a result, the firm should always invest in digital advertising, while employing traditional advertising only when the comparative advantage of the digital channel becomes weak in later stages. When additionally considering the synergistic effect between the two channels, the optimal adoption timing of traditional advertising occurs earlier as the intensity of synergistic effect increases.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,003
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,292
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformation Systems ResearchMême sujetConsumer Market Behavior and PricingTravaux en français237 207