Digital lead generation platforms: Rightsizing the seller base
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article introduces Digital Lead Generation Platforms (DLGPs), an increasingly popular way to allow users to explore products from multiple retailers. Despite their growing influence, little is known about how DLGPs can manage their effectiveness or profitability. Here, we discuss their distinctive and salient aspects relative to other types of digital retailing, and explore data-centric methods to better manage the size of their seller base. Specifically, using a rich proprietary dataset, we examine drivers of user click propensity (UCP), focusing on a key issue for platform managers: is consumer response better when there are “endless aisles,” or should the number of sellers active at a given time (the “base of sellers”) be somehow limited in a category-specific manner? Based on a flexible nonparametric model, our results suggest that base of sellers has an inverted-U relationship with UCP, with potentially severe consequences for seller underpopulation, one that is masked when endogeneity is not corrected for. Intriguingly, we do not find such an effect for the number of offers, which might be expected based on “overchoice”. Although this general shape for base of sellers is apparent in all 10 product categories studied, there is substantial variation in how often each is suitably populated, with Cars over 60 % of the time and Mobile Accessories only 5 %. These findings have important implications for both DLGP managers and sellers: platform operators can enhance their revenue potential by “rightsizing” their seller base, while sellers may be able to improve clickthrough rates by timing their involvement based on contemporaneous competition in their particular categories.
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.
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 | 0,000 | 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 | 0,002 | 0,007 |
| 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 découle