MARC

 008260126s2025        us                              c    eng  d
■001000017356903
■00520260202103058
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280756755
■035    ▼a(MiAaPQ)AAI31933602
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aZhao,  Hangcheng.
■24510▼aEssays  on  Pricing  and  Algorithmic  Decision-Making
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a182  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Berman,  Ron.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2025.
■520    ▼aThis  dissertation  investigates  three  different  aspects  of  pricing,  employing  different  methodologies  (algorithmic  decision-making  using  reinforcement  learning  and  recommendation  systems  using  information  design)  and  in  various  substantive  areas  (an  e-commerce  digital  platform  setting,  online  advertising,  or  the  healthcare  market).Chapter  1  empirically  investigates  the  impact  of  firms  using  learning  algorithms  for  pricing  and  advertising  decisions  in  an  e-commerce  digital  platform  setting.  Previous  research  suggests  that  when  competing  firms  use  algorithms  for  pricing  decisions,  the  competition  often  results  in  tacit  collusion-the  algorithms  learn  to  settle  on  higher  than  competitive  prices,  which  increase  firm  profits  but  hurt  consumers.  However,  in  real  business  scenarios,  firms  need  to  make  their  pricing  and  advertising  decisions  together,  and  the  outcomes  of  such  two-dimensional  decision-making  in  a  competitive  environment  are  unclear  ex-ante  without  simulating  the  outcomes  experimentally.  Therefore,  we  conduct  extensive  multi-agent  reinforcement  learning  simulation  experiments,  calibrated  to  estimates  from  large-scale  keyword  search  data  from  Amazon.com.  The  results  show  that  algorithms  can  facilitate  "beneficial  collusion,"  resulting  in  "win-win-win"  outcomes  for  consumers,  sellers,  and  the  platform.  We  collected  and  analyzed  a  large-scale  high-frequency  product  keyword  search  dataset  fromAmazon.com,  which  includes  more  than  two  thousand  highly  searched  keywords.  The  dataset  contains  more  than  two  million  products  and  is  representative  of  search  results  containing  both  sponsored  and  organic  products  from  all  IP  addresses  in  the  US.  We  estimate  consumer  consideration  size,  generate  an  algorithm  usage  index  based  on  the  correlation  patterns  in  prices  and  find  a  negative  interaction  between  the  estimated  consumer  search  costs  and  the  algorithm  usage  index,  providing  empirical  evidence  of  beneficial  collusion.Chapter  2  examines  pricing  in  the  US  healthcare  market  by  empirically  analyzing  a  large-scale  nationwide  proprietary  healthcare  insurance  claims  dataset.  We  ask  how  increased  price  transparency  influences  consumer  shopping  behavior  and,  ultimately,  market  prices.  We  find  that  potential  savings  from  price  shopping  are  expected  to  be  limited  after  taking  into  consideration  a  few  realistic  factors  in  the  market.  This  study  presents  an  important  setting  where  reducing  information  frictions  will  not  necessarily  increase  consumer  price  shopping  behavior  and  will  not  create  downward  pressure  on  high  prices  in  the  market.Chapter  3  shifts  the  focus  to  recommendation  algorithms  that  firms  can  design  to  strategically  provide  information  to  consumers  about  products  with  uncertain  matches  to  their  tastes.  We  investigate  scenarios  where  firms  can  also  adjust  their  pricing  strategies  and  examine  whether  algorithms  that  always  recommend  matching  products  are  beneficial  for  the  firm.  We  surprisingly  find  that  firms  are  sometimes  better  off  demarketing  (i.e.,  not  recommending  a  matching  product)  their  products,  and  this  is  the  case  also  for  platforms.
■590    ▼aSchool  code:  0175.
■650  4▼aInformation  technology
■650  4▼aFinance
■653    ▼aReinforcement  learning
■653    ▼aAlgorithm  usage  index
■653    ▼aConsumer  shopping
■653    ▼aDecision-making
■690    ▼a0338
■690    ▼a0489
■690    ▼a0511
■690    ▼a0800
■690    ▼a0508
■71020▼aUniversity  of  Pennsylvania▼bMarketing.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356903▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books