英语原文共 33 页，剩余内容已隐藏，支付完成后下载完整资料
互联网购物机器人的消费者决策
迈克尔·史密斯 和 埃里克·布林约尔夫森
本版本: 2001年7月23日
鸣谢:我们感谢大卫·杰纳索夫、奥斯坦·古尔斯比、伊尔霍恩·汉恩、约翰·利特尔，
托马斯·马龙、艾伦·蒙哥马利、南希·罗斯、凯瑟琳·沃尔夫拉姆、理查德·泽克豪斯、罗伯特蔡赛默，波士顿大学、卡内基梅隆大学的两位评论家和研讨会参与者，芝加哥大学、印第安纳大学、马里兰大学、麻省理工学院、加州大学、密歇根大学、奥斯汀德克萨斯大学、斯坦福大学、沃顿商学院、美国国家广播公司
商业项目，布鲁金斯“衡量电子商务”会议(布鲁金斯学会，1999年9月24日)，以及信息系统和经济学研讨会( 1999年12月11日)，以获得对这项研究的宝贵意见。我们感谢Even Better.com的克里斯托弗·扬茨和克里斯托弗·穆恩霍夫慷慨地收集了进行这项研究所需的数据，并提供了对商店机器人市场的宝贵见解。托马斯·程( Thomas Cheng )和弗雷德里克·马宏( Frederic Mahoue )提供了出色的研究协助。麻省理工学院电子商务中心在舰队银行的资助下提供了慷慨的财政支持。
*卡耐基梅隆大学 h.·约翰·海因茨三世公共政策和管理学院；电子邮件: mds@cmu.edu；网站: http://www.heinz.cmu.edu/~mds
* *麻省理工学院 Sloan管理学院；电子邮件: erikb@mit.edu；web :http://ebusiness.mit.edu/erik
互联网购物机器人的消费者决策
摘要
互联网购物机器人比较竞争零售商的价格和服务水平，创建了一个分析消费者选择的实验室。我们分析了20，268名购物机器人消费者，他们在69天内从33家零售商那里选择了各种书籍，总共获得了1，512，856份观察到的报价。尽管每个零售商都提供同类产品，但我们发现品牌是消费者选择的重要决定因素。消费者在产品和服务捆绑包的不可压缩方面，如运输可靠性方面，使用品牌作为零售商信誉的代理。我们的结果还表明，消费者对商品价格、运输价格和税收之间的总价格分配很敏感。
1. Introduction
商店机器人是基于互联网的服务，提供从众多竞争零售商那里“一键式”获取价格和产品信息。这样做，与基于电话的购物相比，他们将购买者对产品和价格信息的搜索成本降低了至少30倍，甚至比亲自拜访零售商更低(布林约尔夫森和史密斯·[ 2000 a ) )。商店机器人收集和显示各种产品特性的信息，列出知名和不知名零售商的摘要信息，通常根据购物者感兴趣的特性(如价格或运输时间)对零售商进行排名。由此产生的对照表揭示了零售商之间在相对价格水平、交货时间和产品可用性方面的巨大差异。
这些购物机器人为研究人员提供了一个观察消费者选择行为的机会，因为消费者会评估列出的替代产品并点击特定的产品。消费者的选择行为可以通过计量经济模型来分析，以揭示消费者如何对产品包的不同方面做出反应，如价格、品牌和运输时间。例如，零售商品牌在决定客户选择方面有多重要？品牌对某些类型的消费者和某些类型的决策是否比其他人更重要？消费者对将总价格分配给不同的组成部分(如税收或运输成本)有何反应？
我们通过从图书市场的网络购物机器人收集的面板数据来解决这些问题。我们使用这些数据来研究消费者对品牌的总体反应，然后分析消费者对产品包的可收缩方面和不可收缩方面(如承诺交付时间)的不同反应。我们分析电子市场的方法补充了最近从效率角度研究互联网定价行为的实证研究(贝利·[ 1998 )；
布林约尔夫森和史密斯·[ 2000 a ]；埃里森和埃里森，[，2001 ] )，零售商差异化(克雷，克里希南，沃尔夫[，2001 ] )和价格歧视(克莱蒙斯，汉恩和希特[，1998 ] )。虽然这些研究能够分析零售商和市场的竞争策略，但它们仅仅提供了电子市场中消费者行为的二阶证据。相比之下，当前的论文和一篇配套论文(布林约尔夫森和史密斯[2000b] )通过将商店机器人用作消费者对各种零售商的不同报价做出反应的实验室，直接分析了消费者的行为。
我们的数据显示，商店机器人消费者可能被认为是互联网上价格最敏感的消费者，他们对知名的、品牌众多的零售商反应非常强烈。虽然有人预测互联网将“商品化”许多行业，并降低差异化的作用，但我们的结果表明，品牌化甚至对书籍等同质商品也很重要。然而，并非所有消费者都同等重视品牌。我们发现，对于关心产品捆绑包中不可约束方面的消费者来说，品牌尤为重要。特别是，关心运输时间的消费者尤其可能更喜欢知名品牌，这可能是因为承诺的运输时间难以执行。我们还发现，客户对价格对照表中报价的顺序排列(相对于绝对价格)反应强烈，而且客户似乎对销售税和运输成本的变化比对项目价格的变化更敏感，即使他们必须支付的总价格不受影响。
本文的其余部分分为三个部分。第二节总结了我们收集的数据和我们用来分析数据的经验模型。第三节介绍了我们的主要结果。我们在第四节总结了我们的发现。
二.数据和方法
我们的分析使用了从著名的网络购物机器人EvenBetter的图书消费者那里收集的面板数据。我们设置的一个重要优势是，使用该服务的消费者首先识别他们感兴趣购买的特定图书，这将他们的选择范围缩小到一个独特且物理同质的产品。亚马逊书籍的物理特征与A1书籍发送的书籍没有什么区别，尽管整个产品包的其他方面，如运输时间，可能也确实不同。
一旦选择了这本书，消费者就可以提供他们的国家和州，以便正确计算当地货币和地方税。消费者发起搜索后，EvenBetter会从33家不同的图书零售商那里实时查询这一选择的价格，这些零售商总共占了网上销售图书的绝大部分。因为这些信息是直接从零售商处实时查询的，所以EvenBetter的对照表显示的信息与直接访问零售商网站获得的信息相同。
基于返回的信息，EvenBetter向消费者提供了产品报价列表。每个报价包括总价、项目价格、运输成本、销售税、交货时间、运输时间和运输服务的单独字段(例如，图1 )。默认情况下，该表按总价的升序排序，但是消费者可以根据其他八列中的任意一列对表进行排序。消费者查看这些表格，并通过点击报价做出可观察到的选择。通过点击报价，消费者被直接带到零售商的网站，在那里他们可以完成购买。当消费者在搜索中点击多个报价时( 16 %的时间)，我们使用他们最后点击的报价作为他们最终选择的指示。
图1 :来自EvenBetter.com的样本屏幕，请在此处插入图1
我们的数据包括在报价对照表中显示给消费者的信息、消费者的cookie号和消费者的行为(他们是否按除总价和最后一次点击以外的栏排序)。此外，我们还导出了消费者感兴趣的另外两个变量。首先，我们推导出零售商从分销商处获取图书所需时间的变量，我们称之为获取时间。获取时间是交付时间和运输时间之间的差值，如图1所示。其次，我们推导出一个我们称之为加权销售税的变量，它除了考虑州销售税之外，还考虑了地方税。虽然EvenBetter.com的客户只被显示为州销售税，但许多客户也必须为通过互联网进行的一些购买支付地方税。为了控制客户在购买时考虑这些地方税的可能性，我们将向客户显示的州销售税乘以1999年由互联网人口加权的相关地方税。2我们收集的数据见表一，汇总统计数据见表二。
表一:商店机器人收集的数据在此插入表一
我们获得了1999年8月25日至11月1日期间的数据。在本文中，我们关注样本的子集，即1 )包括美国消费者( 75.4 %的会话)，2 )导致消费者至少点击一次(剩余会话的26.3 % )和3 )返回一个以上的零售商(剩余会话的99.9 % )。结果数据集反映了20，268个不同消费者的搜索，其中包括7，498名回头客。这些消费者总共进行了39，635次搜索，返回了1，512，856个不同的零售商产品，包括来自一些零售商的多个产品。
表二:汇总数据统计在此插入表二
这些数据的两个重要属性很容易观察到。首先，报价集中同类图书的价格差异很大:平均而言，最低报价比给定书名的报价集中的平均价格低33 % ( 16.54美元)。从某种意义上说，这个统计数据高估了离差，因为它既包括运输价格，也包括项目价格。然而，单独考虑，项目价格也表现出很大的差异。最低商品价格和平均商品价格之间的差额平均为28 % ( 11.03美元)。尽管同质商品之间如此巨大的价格差异似乎令人惊讶，但这种分散程度可与布林约尔夫森和史密斯( [，2000年a )相媲美，他们在1998 - 1999年间直接从互联网和传统图书零售商那里收集价格。
其次，我们样本中的大多数消费者没有选择最低价格的报价。在没有选择最低报价的消费者中，平均选择的报价是比该时段的最低报价高出6.79美元( 20.4 % )。当然，这种差异的一部分与运输时间的不同有关。与此相一致，我们发现样本中有15 %的消费者在他们的零售商选择中选择了升级的运输方法。3但是，我们还发现样本中有27 %的消费者选择了在给定标题的价格和交货时间方面都受到严格控制的报价。此外，45 %选择严格控制报价的客户选择亚马逊、巴诺书店或边境书店的报价。相比之下，在整个数据样本中，有27 %的消费者选择了这些零售商。高水平的价格差异和消费者绕过最低成本零售商的意愿都表明，消费者感受到零售商品牌或服务质量之间的一些差异，这使得他们中至少有一些人愿意为同质产品支付溢价我们使用多项式逻辑和嵌套逻辑模型来系统地分析这种可能性。这些模型在各种选择设置中得到了广泛的应用(例如，McFadden[ 1974年，瓜达尼和小[ 1983年，本-阿基瓦和勒曼·[ 1985年，巴克林和古普塔[ ( 1992年)、贝里·[ ( 1994年)、推子和哈迪·[ ( 1996年)、瓜达格尼和小[ ( 1998年)、费尔斯特曼和甘达尔·[ ( 1998年) )，并在给定商店机器人数据向消费者显示方式的情况下，为我们的分析提供了有用的参考模型。这两种模型都让消费者从一组可供选择的报价中选择潜在效用指数最大的报价。潜在效用指数由系统( xrsquo;it b )和随机( eit )组成:
( 1 ) uit = xrsquo;ITB EIT
系统组件是产品属性( xrsquo;it )和消费者在每个会话中对这些属性( b )的偏好( I )的线性组合。在我们的设置中，随机组件反映了消费者之间未观察到的口味变化和评估报价时的测量误差，这在文献中很常见。
多项式logit模型假设这些误差在选择集中的报价之间是独立的。嵌套logit模型放宽了这一假设，并允许对相似的报价组进行规范，从而在这些嵌套中保持错误独立性，但不一定跨不同的嵌套。在我们的数据中，将知名零售商(如亚马逊、巴诺书店和博德书店)与不知名的零售商进行比较时，独立性假设可能会被违反。当比较不同零售商的运输选项时，这也可能被违反。因此，我们使用嵌套logit模型，如图2所示，其中顶级嵌套是知名零售商和一般零售商之间的选择，中级嵌套是零售商之间的选择，低级嵌套是每个零售商的运输选项(例如快递、优先和预订运费)之间的选择。
图2 :嵌套逻辑决策模型在此插入图2
在解释我们从这些模型中得到的结果时，重要的是要注意我们观察的是点击率，而不是数据中的购买量。因此，我们的模型反映了那些驱动网站流量的因素，而不一定是那些驱动销售的因素。然而，在相关的研究中(布林约尔夫森和史密斯·[，2000年)，我们发现驱动流量的因素也是零售商销售的相对无偏的预测因素。这一发现增加了这方面推论的有效性。尽管如此，保守的解释是我们的方法是点击率的模型，而不是销售本身。
此外，我们的分析必然限于选择使用这种特殊商店机器人的消费者。因此，我们的逻辑模型预测是以消费者选择使用Even Better.com为条件的。虽然以这种方式进行调节不会偏向逻辑结果，但它们应该被解释为适用于自我选择的一组消费者，这些消费者可能与其他网络购物者有系统的不同。特别是，我们样本中的消费者似乎比更广泛的互联网消费者(或一般消费者)对价格更敏感，对品牌更不敏感。
三.经验结果
三(一)顾客对零售商品牌的反应
我们首先分析顾客对这个网络购物机器人品牌的反应。表三显示了我们使用多项式逻辑模型的结果，其中客户选择来自价格要素、交货时间要素、报价在价格对照表中的位置以及零售商固定效应。我们以两种方式包含零售商固定效果。在规范三中，我们包括一个单一的虚拟变量(“知名零售商”)，用于描述零售商是亚马逊、巴恩斯诺博还是博德。在规范四中，我们为这三个零售商中的每一个都包含了独立的虚拟变量。规范五为报价在表格中的位置添加了变量。规范六为样本中最后点击率超过3 %的所有零售商添加了虚拟变量。
表三:零售商品牌选择模型在此插入表三
这些结果说明了关于这个网络购物机器人顾客行为的几个重要事实。首先，顾客对价格非常敏感。这反映在回归中价格系数的大小和意义上。
其次，同样，我们注意到客户对报价在表格中的位置反应非常强烈。这可以在规格5和6中看到。具有第一个列出价格的报价以及出现在报价第一个屏幕上的报价，强烈优先于对照表下方的其他报价。这与埃里森和埃里森·[ 2001年在调查通过价格搜索引擎销售的商品存储模块市场时发现的零售商对价格等级的高度敏感性是一致的。
第三，我们的结果显示，即使在控制了价格和交付时间等可观察到的产品差异之后，客
全文共17861字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2711]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
