To Each Their Own: Personalized Product Offerings in Competition
Notice bibliographique
Résumé
We study competition between two firms that personalize product offerings to consumers. Firms have private, imperfect signals of each consumer’s ideal location and offer each consumer a different product without observing the competitor’s product offering. We characterize the equilibrium personalization strategy and examine how the accuracies of firms’ signals affect equilibrium strategy, profits, and consumer welfare. A firm generally charges a higher price for a more niche product and profits more from niche consumers unless its prediction accuracy is sufficiently lower than its competitor’s. When both firms have the same industry-level prediction accuracy, an increase in accuracy initially relaxes but later intensifies price competition for niche consumers, having the opposite effect on mainstream consumers. Interestingly, equilibrium profits also have an inverse-U shape in the prediction accuracy. A higher accuracy can also decrease welfare for mainstream consumers. When firms can endogenously invest in prediction accuracy, firms have incentives to overinvest in equilibrium, resulting in a prisoner’s dilemma. Privacy regulations that reduce predictive accuracy, including industry self-regulation, could improve profits and hurt consumer welfare by relaxing price competition. Our results remain robust under consumer search. The paper also discusses what happens if firms charge uniform pricing, if consumers’ ideal locations are distributed on the Salop circle, or if firms receive common signals, highlighting price discrimination between mainstream and niche consumers as the key driver of results. This paper was accepted by Dmitri Kuksov, marketing. Funding: J. Du is grateful for financial support from the Research Grants Council of Hong Kong [Grant GRF/17501823]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/mnsc.2023.02540 .
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».