MARC

 008260126s2025        us                              c    eng  d
■001000017356807
■00520260202103038
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314897065
■035    ▼a(MiAaPQ)AAI31847368
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a640
■1001  ▼aXu,  Ella  Jiaming.
■24510▼aEssays  on  Consumer  Search  and  Decision-Making  Process
■260    ▼a[Sl]▼bNew  York  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a103  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Erdem,  Tulin;Fu,  Runshan.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2025.
■520    ▼aThis  dissertation  contains  two  chapters  that  study  consumer  search  and  decision-making  process.  In  the  first  essay,  joint  with  Runshan  Fu,  Tulin  Erdem,  Raluca  Ursu,  and  Bryan  Bollinger,  we  develop  an  explainable  deep  learning  model  (Recurrent  Neural  Networks)  based  on  theories  of  consumer  search  to  capture  the  complexity  of  search  behavior  at  the  consideration  stage.  One  feature  of  our  model  is  that  it  flexibly  allows  learning  about  both  product  attributes  and  preference  weights  through  search,  rather  than  learning  about  only  one  of  these  primitives  as  assumed  in  prior  work.  We  apply  this  model  to  a  dataset  of  consumers  searching  for  smartphones,  which  includes  attribute-level  eye-tracking  data  and  search  refinement  tool  usage.  We  find  that  our  model  improves  the  predictions  of  more  flexible  but  atheoretical  deep  learning  models  and  maintains  high  accuracy  even  for  small  data  samples.  In  addition,  we  show  that  consumers  mainly  search  to  learn  their  preference  weights  early  on  and  switch  to  learning  product  attributes  about  40%  into  their  search  process.  Finally,  we  derive  a  number  of  other  managerially  valuable  insights  into  the  formation  of  consideration  sets.  In  the  second  essay,  joint  with  Bryan  Bollinger,  Raluca  Ursu,  and  Gavan  Fitzsimons,  we  examine  how  changing  product  locations  (as  part  of  an  exogenously-timed  aisle  reset)  can  disrupt  habitual  buying.  Retailers  have  substantial  ability  to  influence  consumer  purchase  decisions  through  the  placement  of  products  in  shopping  aisles.  Such  influence  can  be  amplified  as  a  result  of  habitual  buying  behavior  that  leads  to  state  dependence  in  choice  (Thomadsen  and  Seetharaman,  2018).  We  pair  household  sales  data  with  individual  in-store  eye-tracking  measures,  to  show  that  1)  consumers  search  longer,  are  more  likely  to  buy  previously  unpurchased  products,  and  spend  less  time  on  each  searched  product  in  response  to  product  location  changes;  2)  changing  the  locations  of  consumers'  previously  purchased  products  has  spillover  effects:  consumers  are  more  likely  to  search  and  buy  products  that  are  close  to  the  old  and  the  new  location  of  their  previously  purchased  products;  3)  other  in-store  marketing  strategies,  e.g.,  price  promotions,  can  moderate  the  effect  of  product  location  changes.
■590    ▼aSchool  code:  0146.
■650  4▼aHome  economics
■653    ▼aConsumer  decision-making  process
■653    ▼aConsumer  search
■653    ▼aDeep  learning
■653    ▼aMachine  learning
■690    ▼a0338
■690    ▼a0501
■690    ▼a0386
■71020▼aNew  York  University▼bMarketing.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356807▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books