MARC

 008260126s2025        us                              c    eng  d
■001000017357151
■00520260202103140
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288861741
■035    ▼a(MiAaPQ)AAI31993893
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005
■1001  ▼aHuang,  Yunhao.
■24510▼aEssays  on  Information  and  Incentives  in  Digital  Markets
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a147  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  A.
■500    ▼aAdvisor:  Tadelis,  Steven;Villas-Boas,  J.  Miguel.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThis  dissertation  studies  how  information  and  incentives  in  digital  markets  affect  the  strategic  interactions  among  market  participants,  with  implications  for  three  different  digital  environments.  The  first  chapter  studies  how  the  attribution  algorithms  used  in  online  ad  auctions  affect  the  strategic  interactions  between  advertisers  and  publishers,  and  it  investigates  optimal  attribution  strategies  for  advertisers.  Because  online  advertisers  typically  advertise  with  several  publishers  to  increase  their  reach,  users  may  be  exposed  to  ads  from  multiple  publishers  before  converting.  The  attribution  challenge  for  an  advertiser  is  to  measure  the  contributions  of  each  publisher's  advertising  on  conversions.  These  attributed  conversion  measures  are  crucial  because  they  serve  as  inputs  into  the  algorithms  that  advertisers  use  to  determine  bids  in  future  ad  auctions.  The  attribution  challenge  is  aggravated  by  the  fact  that  publishers  typically  have  access  to  more  information  than  advertisers,  such  as  user  behavior  on  their  sites.  This  information  asymmetry  can  lead  to  a  moral  hazard  problem:  publishers  can  exploit  their  information  advantage  to  target  ads  to  users  who  are  likely  to  result  in  attributed  conversions,  rather  than  to  users  with  large  incremental  ad  effects.  To  investigate  this  misalignment  of  interests  between  advertisers  and  publishers,  I  cast  the  attribution  problem  as  an  incentive  design  problem.  Using  a  structural  model,  I  first  characterize  the  dynamic  incentives  created  by  standard  attribution  algorithms  and  derive  the  advertiser's  optimal  strategy.  I  find  that  the  advertiser's  optimal  strategy  takes  the  form  of  team  incentives,  where  each  publisher  is  compensated  only  when  a  conversion  is  preceded  by  an  ad  impression  by  only  that  publisher.  Counterfactual  analysis  shows  that  the  optimal  strategy  increases  the  advertiser's  ROI  on  the  order  of  20-40%  compared  with  standard  attribution  algorithms.  The  findings  highlight  the  importance  of  considering  the  dynamic  incentives  that  measurement  tools  generate.The  second  chapter  is  based  on  joint  work  with  J.  Miguel  Villas-Boas  and  Mingduo  Zhao.  In  online  marketplaces,  consumers  rely  on  reviews  to  make  informed  purchase  decisions,  making  the  presence  of  fake  reviews  detrimental.  Previous  literature  implies  that  products  with  fake  reviews  can  display  some  patterns  in  review  distribution,  such  as  a  higher  discrepancy  in  ratings.  Consumers  might  take  this  pattern  into  account  when  making  their  purchase  decisions.  In  this  chapter,  we  explore  the  interplay  between  fake  reviews  and  ratings  discrepancy,  and  their  impact  on  consumer  demand,  while  controlling  for  average  product  ratings.  First,  using  a  data  set  with  fake  review  labels,  we  find  that  product  ratings  discrepancy  is  positively  correlated  with  the  probability  that  the  product  has  fake  reviews.  Second,  through  an  identification  strategy  exploiting  ratings  discrepancy  changes  due  to  rating  distribution  rounding,  we  find  evidence  consistent  with  a  negative  causal  impact  of  ratings  discrepancy  on  consumer  demand.  Then,  we  conduct  two  experiments  to  establish  and  quantify  the  mechanism  of  the  impact  of  ratings  discrepancy  on  consumer  demand  through  consumer  suspicion  of  fake  reviews.  The  first  experiment  shows  that  higher  ratings  discrepancy  increases  consumer  suspicion  of  fake  reviews,  and  the  second  experiment  shows  that  heightened  suspicion  reduces  consumer  willingness  to  pay.  Together,  these  findings  reveal  that  consumers  use  ratings  discrepancies  as  a  signal  of  fake  reviews,  and  this  suspicion  significantly  impacts  their  purchase  decisions.  The  findings  highlight  the  importance  of  understanding  the  relationship  between  fake  reviews,  ratings  discrepancies,  and  consumer  demand  in  online  marketplaces.The  third  chapter  is  based  on  joint  work  with  Xin  Chen  and  Matthew  Osborne.  In  the  contemporary  marketing  environment,  targeted  and  personalized  marketing  has  become  central  to  firm  strategy.  While  existing  literature  has  predominantly  examined  the  personalization  of  individual  marketing  instruments  in  isolation,  this  research  demonstrates  the  limitations  of  such  approaches.  We  develop  a  structural  model  using  data  from  a  large-scale  field  experiment  from  a  leading  Chinese  grocery  e-tailer.  The  counterfactual  analysis  shows  that  third-degree  price  discrimination  alone  increases  profits  by  only  2.4%.  However,  when  the  firm  integrates  price  personalization  with  personalized  broadcasting  requirements,  the  profit  gains  rise  to  40.3%.  The  findings  underscore  the  importance  of  cross-functional  coordination  in  personalization  strategy  and  provide  a  methodological  framework  for  future  research  on  multi-dimensional  personalization.
■590    ▼aSchool  code:  0028.
■650  4▼aWeb  studies
■653    ▼aConsumer  suspicion
■653    ▼aMoral  hazard  problem
■653    ▼aOptimal  strategy
■690    ▼a0338
■690    ▼a0511
■690    ▼a0646
■71020▼aUniversity  of  California,  Berkeley▼bBusiness  Administration,  Ph.D.  Program.
■7730  ▼tDissertations  Abstracts  International▼g87-01A.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357151▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서