MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931828
■00520240214100124
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379755775
■035    ▼a(MiAaPQ)AAI30424851
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005
■1001  ▼aTian,  Zijun.
■24510▼aTheoretical  and  Empirical  Explorations  of  Influencer  Marketing▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(147  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Dew,  Ryan;Iyengar,  Raghuram.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIn  my  dissertation,  I  explore  different  aspects  of  influencer  marketing  and  provide  managerial  implications  on  how  influencer  marketing  can  become  more  effective.  In  particular,  which  influencers  should  firms  sponsor  and  what  influencer-generated  content  can  better  leverage  the  viral  dynamics  on  social  media?  In  the  first  chapter,  I  strategically  model  the  firm's  cooperation  with  honest  influencers,  analyze  when  the  firm  benefits  from  such  cooperation  and  its  optimal  "design"  of  the  influencer's  credible  message  through  quality  revelation  and  product  selection.  I  show  that  the  firm  can  asymmetrically  gain  from  the  uncertainties  introduced  through  the  influencer's  message  that  shift  the  consumers'  beliefs  in  its  preferred  way.  Noisier  message  increases  the  firm's  profit  when  sponsoring  mediocre  products.  In  the  second  chapter,  I  study  the  recently  hot  debate  between  sponsoring  mega  vs.  micro  influencers,  and  in  particular,  offer  firms  an  important  metric  to  consider  for  optimizing  their  influencer  selection  strategies:  the  follower  elasticity  of  impressions  (FEI).  Computing  FEI  involves  estimating  the  causal  effect  of  an  influencer's  popularity  on  the  view  counts  of  their  videos,  which  I  achieve  through  a  combination  of  a  unique  dataset  collected  from  TikTok,  a  representation  learning  model  for  quantifying  video  content,  and  a  machine  learning-based  causal  inference  method.  I  find  that  on  average,  FEI  is  always  positive,  but  often  nonlinear  with  respect  to  the  number  of  followers.  Then,  I  examine  the  factors  that  predict  variation  in  these  FEI  curves,  and  show  how  firms  can  use  these  heterogeneous  FEIs  to  better  determine  influencer  partnerships.  In  general,  one  the  one  hand,  my  results  challenge  common  firm  strategies  of  sponsoring  very  popular  influencers,  and  offer  them  alternative,  data-driven  strategies  for  optimizing  their  influencer  selection  based  on  the  advertised  content.  On  the  other  hand,  I  also  highlight  the  similarities  as  well  as  the  differences  between  influencer  marketing  and  traditional  advertising  (mostly  TV).
■590    ▼aSchool  code:  0175.
■650  4▼aWeb  studies.
■650  4▼aMultimedia  communications.
■653    ▼aBayesian  persuasion
■653    ▼aCausal  inference
■653    ▼aDeep  learning
■653    ▼aInfluencer  marketing
■653    ▼aInformation  design
■653    ▼aVideo  data
■690    ▼a0338
■690    ▼a0558
■690    ▼a0646
■690    ▼a0800
■71020▼aUniversity  of  Pennsylvania▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931828▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books