Managing returns by selling and pricing strategies with online product reviews
Notice bibliographique
Résumé
A full-refund return policy is intended to enhance customer satisfaction but can lead to financial losses when products fail to match customer preferences. Online reviews can help mitigate these mismatches by providing critical product information and enabling more informed purchase decisions. This paper develops a game-theoretic pricing model for an online retailer managing returns in the presence of reviews, integrating pre-purchase risk (review informativeness) with post-purchase risk (return hassle cost). Our analysis yields several key findings. First, the seller can enhance profitability and reduce unnecessary returns by strategically setting selling strategies and prices when the hassle costs of returns are moderate. Second, online reviews play a significant role in shaping these strategies by creating distinct market segments based on product fit signals. The seller lowers the price to attract all customer segments but raises it for those who perceive the product as a good fit. Third, a seller with high product-market fit can maximize profit by managing both pre- and post-purchase risks, whereas a seller with low product-market fit can attract a broader customer base by simplifying returns and leveraging informational ambiguity. A “beneficial zone” for the seller emerges when reviews are highly informative, return hassle costs are moderate, and product-market fit is strong. Finally, the study shows that online reviews generally enhance consumer surplus and, under certain conditions, improve social welfare, particularly when mismatched products have low social value and return hassle costs are moderate. These insights help guide the seller in balancing profitability, customer satisfaction, and consumer surplus.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».