Einfluss der Produktbewertungen auf die Anzahl der Klicks und auf den Preis. Silvia Schlagnitweit...
-
Upload
kathrin-eckelkamp -
Category
Documents
-
view
104 -
download
2
Transcript of Einfluss der Produktbewertungen auf die Anzahl der Klicks und auf den Preis. Silvia Schlagnitweit...
Einfluss der Produktbewertungen auf die Anzahl der Klicks und auf
den Preis.
Silvia Schlagnitweit
Betreuer: a. Univ.-Prof. Dr. Franz Hackl
Endpräsentation
Daten von Geizhals.at
Übersicht:
Daten von Geizhals.at und Produktbewertungen Datenstruktur Zentrale Fragestellung der Diplomarbeit Theoretische Ansatz:
Bertrand Modell Horizontale Produktdifferenzierung Vertikale Produktdifferenzierung
Modell Schätzmethode Deskriptive Statistik Schätzergebnisse Zusammenfassung und Fazit
Daten: Geizhals.at
seit 1999 Kostenlos für die Konsumenten durchschnittlich 400.000 Produkte ca. 1700 Händler (780 Händler in meiner Studie)
Aufbau der Preisvergleichsseite Kategorien Sub-Kategorien Sub-Sub-Kategorien
Sub-Sub-Kategorie
Produktbewertungen
Datenstruktur für meine Arbeit Produkt:
Produkt_id, Name, Kategorie, Sub-Sub-Kategorie
Produktbewertung: Produkt_id, User_IP, Leistungsdaten/Ausstattung, Preis-/Leistung,
Qualität, Support
Angebot: Händler_id, Produkt_id, Preis
Klicks: Produkt_id, User_IP, Anzahl der Klicks
Vereinfachte Darstellung der für meine Arbeit wichtigen Relationen.
Zentrale Fragestellung
Beeinflussen die Produktbewertungen die Anzahl der Klicks?
Beeinflussen die Produktbewertungen den Preis?
Theorie: Bertrand Modell
Ansatz des Buches „Industrial Organization: Contemporary Theory and Empirical Applications“ von Pepall, Richard und Norman (2005)
Duopol Modell mit zwei Firmen 1 und 2, diese produzieren ein homogenes Produkt bei konstanten marginalen Kosten c.
Preis ist die Strategische Variable.
Marktnachfrage:Q = a – bP
(Q = Menge, P = Preis)
Theorie: Bertrand Modell
Nachfragekurve für Firma 2:q2 = 0 if p2 > p1
q2 = (a – bp2)/2 if p2 = p1
q2 = (a – bp2) if p2 < P1
Profitfunktion von Firma 2:II2(p1,p2) = 0 if p2 > p1
II2(p1,p2) = (p2 – c) * ((a – bp2)/2) if p2 = p1
II2(p1,p2) = (p2 – c) * (a – bp2) if p2 < p1
Nash Gleichgewicht:p*1 = c, p*2 = c
Theorie: Horizontale Produktdifferenzierung
Unterscheidung wie Farbe, Zuckergehalt Präferenzen der Kunden
Räumliches Modell von Hotelling
Theorie: Horizontale Produktdifferenzierung
Marginaler Konsumentxm (p1,p2) = (p2-p1+t)/2t
Nachfragefunktion von Firma 2D2(p1,p2) = xm (p1,p2) N = ((p2-p1+t)/2t)*N
Profitfunktion von Firma 2Π2 (p1,p2) = (1- xm (p1,p2) N =
((p2-p1+t)/2t)*N
Nash-Gleichgewichtp1* = p2* = c + t
Theorie: Horizontale Produktdifferenzierung
Theorie:Vertikale Produktdifferenzierung
Natürliche Reihung der Produktvarianten: Gute Qualität ist besser als schlechte Qualität
Cremer und Thisse:n Firmen (i = 1,2,…,n)c(qi) marginalen Kosten der Produktion bei Qualität qi
Profitfunktion: πi(p,q) ≡ [pi – c(qi)] Di (p,q) Nutzen eines Konsumenten Θ der Firma i bevorzugt:
u (Θ, qi) – pi
Theorie:Vertikale Produktdifferenzierung
Analyse: Schätzmodell
Relative Preis: rel-pi = øpi/ øpsski Durchschnittlicher Preis des Produktes i in Relation zum
durchschnittlichen Preis der SSK des Produktes.
Relative Bewertung: rel-bewi = øbewi/øbewsski Durchschnittliche Bewertung des Produktes i in Relation zur
durchschnittlichen Bewertung in dessen Sub-Sub-Kategorie.
Hedonische Preisfunktion: Rel-pi = f(clicksi, rel-bewi, empfehlung)
Indirekte hedonische Preisfunktion Clicksi = f(rel-pi, rel-bewi, empfehlung)
Analyse: Schätzmethode
Poisson Schätzung (Negativ Binomial Schätzung) ∑
j=1
J clicksi = ß0 + ß1rel-pi + ß2rel-bewi +ß3empfehlung + ε
(Händler: j = 1,2,…J)
OLS Schätzung rel-pi = ß0 + ß1 ∑j=1
J clicksi + ß2rel-bewi +ß3empfehlung + ε
(Händler: j = 1,2,…J)
Schätzergebnisse stellen Korrelationen dar und keine kausalen Effekte.
Analyse: SchätzmethodeDichteverteilung der Klicks
Analyse: Deskriptive StatistikVariable Obs Mean Std. Dev. Min Max
empfehlung 18772 0,6569359 0,4747453 0 1
features 17792 4,0029020 1,2048420 1 5
value 17692 3,9143300 1,2273740 1 5
quality 17718 3,9785980 1,2699870 1 5
support 17340 3,8218990 1,2394590 1 5
rel-bew-features 17792 0,9609869 0,2955761 0,2042007 4,047619
rel-bew-value 17692 0,9602588 0,3083913 0,2058824 4,047619
rel-bew-quality 17718 0,9618057 0,3167956 0,2016129 4,047619
rel-bew-support 17340 0,9605582 0,3170132 0,2056385 4,047619
rel-avg-bew 17204 0,9620530 0,2829955 0,2062738 4,047619
rel-avg-bew3 17224 0,9627748 0,2870435 0,2064046 4,047619
clicks_i 200270 8,166350 67,383760 0 11064
clicks_ij 200266 0,6724556 3,3723930 0 329
rel_pj 45760 1,0949950 2,1352810 0 195,4965
rel_pi 45760 3,6310360 5,8643040 0 245,5894
Analyse: SchätzergebnissePoisson und Negativ Binomial Schätzung mit „fixed Effects“ der Sub-Sub-Kategorien
VARIABLES clicksi clicksi clicksi clicksi
Poisson Negativ Binomial Poisson Negativ Binomial
rel_pi -0.02311*** -0.01490*** -0.02689*** -0.01573***(0.001) (0.005) (0.001) (0.005)
rel_avg_bew 0.73112*** 0.17428***(0.012) (0.027)
rel_avg_bew_nur3 0.68715*** 0.16213***(0.011) (0.026)
empfehlung 0.04790*** 0.03481** 0.05162*** 0.03729**(0.004) (0.015) (0.004) (0.015)
Observations 10334 10334 10341 10341Number of groups 326 326 326 326ll -871567 -51841 -871868 -51872chi2 10432 87.08 10126 82.67
"Marginal fixed Effects" der Variablen, "fixed Effects" der SSK
Analyse: Schätzergebnisse
VARIABLES clicksi clicksi clicksi clicksi
Poisson Negativ Binomial Poisson Negativ Binomial
rel_pi -0.02677*** -0.01408*** -0.02972*** -0.01572***(0.001) (0.005) (0.001) (0.005)
rel_bew_features 0.74146*** 0.07870 0.79215*** 0.12053***(0.017) (0.048) (0.016) (0.044)
rel_bew_value 0.13188*** 0.08624**(0.013) (0.040)
rel_bew_quality 0.05472*** -0.00979 0.08264*** 0.00601(0.015) (0.045) (0.015) (0.045)
rel_bew_support -0.14144*** 0.02025 -0.11436*** 0.03919(0.012) (0.041) (0.012) (0.040)
empfehlung 0.05380*** 0.03663** 0.05610*** 0.03874***(0.004) (0.015) (0.004) (0.015)
Observations 10334 10334 10341 10341Number of groups 326 326 326 326ll -870820 -51841 -871022 -51872chi2 11765 88.73 11651 83.62
"Marginal fixed Effects" der Variablen, "fixed Effects" der SSK
Analyse: Schätzergebnisse
VARIABLES rel_pi rel_pi rel_pi rel_pi
clicksi -0.00004 -0.00004 -0.00004 -0.00004(0.000) (0.000) (0.000) (0.000)
rel_avg_bew -0.27454***(0.073)
rel_avg_bew_nur3 -0.12236*(0.072)
rel_bew_features 0.80154*** 0.10022(0.131) (0.121)
rel_bew_value -1.44753***(0.110)
rel_bew_quality 0.42348*** 0.16808(0.126) (0.125)
rel_bew_support -0.04010 -0.37043***(0.110) (0.108)
empfehlung -0.05190 -0.08620** -0.05766 -0.09394**(0.040) (0.040) (0.040) (0.040)
Constant 1.36993*** 1.24537*** 1.36030*** 1.23133***(0.067) (0.066) (0.067) (0.067)
Observations 10372 10379 10372 10379Number of subsubkat_nr 364 364 364 364ll -19631 -19647 -19543 -19642
OLS Schätzung, "fixed Effects" der SSK
Zusammenfassung und Fazit
Probleme: viele nicht geklickte Produkte Kausalen Effekt zu analysieren und herauszufiltern
Ergebnisse: Evidenz, dass die Bewertungen die Klicks beeinflussen Evidenz, dass die Bewertungen die Preise beeinflussen
Fazit: Die Ergebnisse sind teilweise erwartet und es würde
durchaus Sinn machen, weiter Überlegungen über die Analyse des Kausalen Effektes zu machen.
Vielen Dank für Ihre Aufmerksamkeit