Digital lead generation platforms: Rightsizing the seller base
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.
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 | 0,004 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 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 ».