He Q, Chen K, (2018), Dynamic pricing of electronic products with consumer reviews, Omega, Vol. 80, pp. 123-134

Mots clés : Tarification dynamique, Produits électroniques, Avis des consommateurs, Apprentissage bayésien, Approximation fluide

Résumé : Les avis des consommateurs sont devenus omniprésents dans le secteur du e-commerce notamment, en particulier pour l’achat de produits électroniques. Cet article, étudie les stratégies de prix optimales pour une plateforme vendant des produits électroniques lorsque les consommateurs apprennent de manière séquentielle la qualité des produits à partir des avis des consommateurs. L’étude est centrée sur l’analyse transitoire pour calibrer la façon dont les externalités de l’information à travers la dimension temporelle fausseraient les stratégies optimales de tarification du vendeur. Face au problème du « démarrage à froid », le vendeur de produits de haute qualité choisirait des prix plus bas pour accélérer le processus d’apprentissage des consommateurs. Par conséquent, les prix optimaux souffrent de distorsions à la baisse qui augmentent la qualité des produits dans ce régime de réputation.

Dans les extensions, l’auteur propose un cadre souple et flexible pour soutenir les processus décisionnels tant opérationnels que stratégiques. La valeur de la publicité persuasive et les résultats suggèrent que les avis des consommateurs et les efforts de marketing sont des substituts stratégiques. En termes de contrôle de la qualité, l’étude permet de dire qu’il serait optimal d’investir dans la qualité dès les premiers stades, mais de s’arrêter à un certain seuil de temps, ce qui se traduit par un modèle de renforcement de la réputation. Enfin, les auteurs étendent le cadre pour étudier un problème de prix duopole. Le vendeur de produits haute qualité pourrait accueillir stratégiquement le vendeur de mauvaise qualité dans les premiers stades, et déclencher une guerre des prix aux stades ultérieurs.

Conclusion : Cette étude a permis de définir un modèle de tarification dynamique intervenant lorsque les consommateurs apprennent de manière séquentielle sur la qualité des produits à partir seulement des avis de consommateurs. L’article définit également une analyse transitoire permettant de calibrer la façon dont les externalités d’une information fausseraient les stratégies de tarification optimales du vendeur.

Les auteurs définissent un cadre utilisant une approximation fluide soutenant les processus décisionnels opérationnels et stratégiques.

Sources :

[1] Bergemann D, Välimäki J. Dynamic pricing of new experience goods. J Political
Econ 2006;114(4):713–43.
[2] Bertsekas DP, Bertsekas DP, Bertsekas DP, Bertsekas DP. Dynamic programming
and optimal control, vol. 2. Belmont, MA: Athena Scientific; 1995.
[3] Bertsimas D, Mersereau AJ. A learning approach for interactive marketing to a
customer segment. Oper Res 2007;55(6):1120–35.
[4] Besbes O., Scarsini M.. On information distortions in online ratings. Available
at SSRN 22660532015.
[5] Board S, Meyer-ter Vehn M. Reputation for quality. Econometrica
2013;81(6):2381–462.
[6] Bose S, Orosel G, Ottaviani M, Vesterlund L. Monopoly pricing in the binary
herding model. Econ Theory 2008;37(2):203–41.
[7] Campbell A. Word-of-mouth communication and percolation in social networks. Am Econ Rev 2013;103(6):2466–98.
[8] Chen Y, Xie J. Online consumer review: word-of-mouth as a new element of
marketing communication mix. Manag Sci 2008;54(3):477–91.
[9] den Boer AV, Zwart B. Dynamic pricing and learning with finite inventories.
Oper Res 2015;63(4):965–78.
[10] Harrison JM, Keskin NB, Zeevi A. Bayesian dynamic pricing policies: learning
and earning under a binary prior distribution. Manag Sci 2012;58(3):570–86.
[11] Hendricks K, Sorensen A, Wiseman T. Observational learning and demand for
search goods. Am Econ J: Microecon 2012;4(1):1–31.
[12] Ifrach B. Market dynamics with many agents: applications in social learning
and competition. ProQuest Information & Learning; 2013. Ph.D. thesis.
[13] Ifrach B, Maglaras C, Scarsini M. Bayesian social learning with consumer reviews. ACM SIGMETRICS Perform Eval Rev 2014;41(4):28.
[14] Jing B. Exogenous learning, seller-induced learning, and marketing of durable
goods. Manag Sci 2011;57(10):1788–801.
[15] Lauga DO. Persuasive advertising with sophisticated but impressionable consumers. San Diego, La Jolla: University of California; 2010. Working paper.
[16] Li X, Hitt LM. Price effects in online product reviews: an analytical model andempirical analysis. MIS Q 2010;34(4):809–31.
[17] Papanastasiou Y, Bakshi N, Savva N. Social learning from early buyer reviews:
implications for new product launch. London Business School, UK; 2013. Working paper.
[18] Peizer DB, Pratt JW. A normal approximation for binomial, F, beta, and other
common, related tail probabilities, I. J Am Stat Assoc 1968;63(324):1416–56.
[19] Wu C-C, Chen Y-J, Wang C-J. Is persuasive advertising always combative in a
distribution channel. Mark Sci 2009;28(6):1157–63.
[20] Yang N, Zhang R. Dynamic pricing and inventory management under inventory-dependent demand. Oper Res 2014;62(5):1077–94.
[21] Zhao Y, Yang S, Narayan V, Zhao Y. Modeling consumer learning from online
product reviews. Mark Sci 2013;32(1):153–69.