Einfluss der Produktbewertungen auf die Anzahl der Klicks und auf

Endpräsentation
Einfluss der Produktbewertungen auf
die Anzahl der Klicks und auf den Preis.
Daten von Geizhals.at
Silvia Schlagnitweit
Betreuer: a. Univ.-Prof. Dr. Franz Hackl
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:


Produktbewertung:


Händler_id, Produkt_id, Preis
Klicks:


Produkt_id, User_IP, Leistungsdaten/Ausstattung, Preis-/Leistung, Qualität,
Support
Angebot:


Produkt_id, Name, Kategorie, Sub-Sub-Kategorie
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
q2 = (a – bp2)/2
q2 = (a – bp2)
Profitfunktion von Firma 2:
II2(p1,p2) = 0
II2(p1,p2) = (p2 – c) * ((a – bp2)/2)
II2(p1,p2) = (p2 – c) * (a – bp2)
Nash Gleichgewicht:
p*1 = c, p*2 = c
if p2 > p1
if p2 = p1
if p2 < P1
if p2 > p1
if p2 = p1
if p2 < p1
Theorie:
Horizontale Produktdifferenzierung


Unterscheidung wie Farbe, Zuckergehalt
Präferenzen der Kunden

Räumliches Modell von Hotelling
Theorie:
Horizontale Produktdifferenzierung
 Marginaler Konsument
xm (p1,p2) = (p2-p1+t)/2t
 Nachfragefunktion von Firma 2
D2(p1,p2) = xm (p1,p2) N = ((p2-p1+t)/2t)*N
 Profitfunktion von Firma 2
Π2 (p1,p2) = (1- xm (p1,p2) N = ((p2-p1+t)/2t)*N
 Nash-Gleichgewicht
p1* = p 2* = 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


Relative Bewertung: rel-bewi = øbewi/øbewsski


Durchschnittliche Bewertung des Produktes i in Relation zur
durchschnittlichen Bewertung in dessen Sub-Sub-Kategorie.
Hedonische Preisfunktion:


Durchschnittlicher Preis des Produktes i in Relation zum
durchschnittlichen Preis der SSK des Produktes.
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=1J clicksi = ß0 + ß1rel-pi + ß2rel-bewi +ß3empfehlung + ε
(Händler: j = 1,2,…J)

OLS Schätzung

rel-pi = ß0 + ß1 ∑j=1J clicksi + ß2rel-bewi +ß3empfehlung + ε
(Händler: j = 1,2,…J)

Schätzergebnisse stellen Korrelationen dar und keine kausalen
Effekte.
Analyse: Schätzmethode
Dichteverteilung der Klicks
Analyse: Deskriptive Statistik
Variable
empfehlung
features
value
quality
support
rel-bew-features
rel-bew-value
rel-bew-quality
rel-bew-support
rel-avg-bew
rel-avg-bew3
clicks_i
clicks_ij
rel_pj
rel_pi
Obs
Mean
Std. Dev.
Min
Max
18772
0,6569359
0,4747453
0
1
17792
4,0029020
1,2048420
1
5
17692
3,9143300
1,2273740
1
5
17718
3,9785980
1,2699870
1
5
17340
3,8218990
1,2394590
1
5
17792
0,9609869
0,2955761
0,2042007
4,047619
17692
0,9602588
0,3083913
0,2058824
4,047619
17718
0,9618057
0,3167956
0,2016129
4,047619
17340
0,9605582
0,3170132
0,2056385
4,047619
17204
0,9620530
0,2829955
0,2062738
4,047619
17224
0,9627748
0,2870435
0,2064046
4,047619
200270
8,166350
67,383760
0
11064
200266
0,6724556
3,3723930
0
329
45760
1,0949950
2,1352810
0
195,4965
45760
3,6310360
5,8643040
0
245,5894
Analyse: Schätzergebnisse
Poisson und Negativ Binomial Schätzung mit „fixed Effects“ der
Sub-Sub-Kategorien
"Marginal fixed Effects" der Variablen, "fixed Effects" der SSK
clicksi
clicksi
clicksi
clicksi
VARIABLES
rel_pi
rel_avg_bew
Poisson
Negativ Binomial
Poisson
Negativ Binomial
-0.02311***
(0.001)
0.73112***
(0.012)
-0.01490***
(0.005)
0.17428***
(0.027)
-0.02689***
(0.001)
-0.01573***
(0.005)
0.68715***
(0.011)
0.05162***
(0.004)
10341
326
-871868
10126
0.16213***
(0.026)
0.03729**
(0.015)
10341
326
-51872
82.67
rel_avg_bew_nur3
empfehlung
Observations
Number of groups
ll
2
chi
0.04790***
(0.004)
10334
326
-871567
10432
0.03481**
(0.015)
10334
326
-51841
87.08
Analyse: Schätzergebnisse
"Marginal fixed Effects" der Variablen, "fixed Effects" der SSK
clicksi
clicksi
clicksi
clicksi
VARIABLES
Poisson
Negativ Binomial
Poisson
Negativ Binomial
rel_pi
rel_bew_features
rel_bew_value
rel_bew_quality
rel_bew_support
empfehlung
Observations
Number of groups
ll
chi2
-0.02677***
(0.001)
0.74146***
(0.017)
0.13188***
(0.013)
0.05472***
(0.015)
-0.14144***
(0.012)
0.05380***
(0.004)
10334
326
-870820
11765
-0.01408***
(0.005)
0.07870
(0.048)
0.08624**
(0.040)
-0.00979
(0.045)
0.02025
(0.041)
0.03663**
(0.015)
10334
326
-51841
88.73
-0.02972***
(0.001)
0.79215***
(0.016)
-0.01572***
(0.005)
0.12053***
(0.044)
0.08264***
(0.015)
-0.11436***
(0.012)
0.05610***
(0.004)
10341
326
-871022
11651
0.00601
(0.045)
0.03919
(0.040)
0.03874***
(0.015)
10341
326
-51872
83.62
Analyse: Schätzergebnisse
VARIABLES
clicksi
OLS Schätzung, "fixed Effects" der SSK
rel_pi
rel_pi
rel_pi
rel_avg_bew
-0.00004
(0.000)
-0.27454***
(0.073)
rel_avg_bew_nur3
-0.00004
(0.000)
rel_bew_value
rel_bew_quality
rel_bew_support
Constant
Observations
Number of subsubkat_nr
ll
-0.00004
(0.000)
-0.00004
(0.000)
0.80154***
(0.131)
-1.44753***
(0.110)
0.42348***
(0.126)
-0.04010
(0.110)
-0.05766
(0.040)
1.36030***
(0.067)
10372
364
-19543
0.10022
(0.121)
-0.12236*
(0.072)
rel_bew_features
empfehlung
rel_pi
-0.05190
(0.040)
1.36993***
(0.067)
10372
364
-19631
-0.08620**
(0.040)
1.24537***
(0.066)
10379
364
-19647
0.16808
(0.125)
-0.37043***
(0.108)
-0.09394**
(0.040)
1.23133***
(0.067)
10379
364
-19642
Zusammenfassung und Fazit

Probleme:



Ergebnisse:



viele nicht geklickte Produkte
Kausalen Effekt zu analysieren und herauszufiltern
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