product information. In other words

product information. In other words, a consumer is
typically exposed to reviews posted by other consumers. It is plausible that the credibility of the
reviews evolves over time as the consumer gains more
direct experience and has more opportunities to evaluate how well reviews predict her own preference.
We propose a very generalized specification of modeling review credibility such that the credibility of product reviews is allowed to vary over time for the same
consumer (as she gains more direct experience) and
across different consumers. Another feature of experiential goods purchases is limited repeated purchase
of the same product item but significant experience
with other products of the same type. Accordingly, we
model consumer learning from their own experience
with other products of the same type.
Our analysis leads to several unique findings. Consumers learn more from reviews of a given product
than they do from their own past experience of similar products. Consumers update their beliefs of the
credibility of reviews based on their own experiences
and ratings from reviews on the same books, so that
learning from reviews varies across consumers and
also over time. We demonstrate how our model can be
used for decisions pertaining to word-of-mouth marketing. Specifically, we compute the profit impact of
increasing the number of reviews when firms need
to spend marketing resources in incentivizing consumers to post reviews. We find strong evidence of
diminishing effects of product reviews on profits;
a firm could even incur losses when investing in a
sufficiently large number of product reviews for lowmargin products. In another policy simulation, we
examine the issue of fake reviews. We consider two
types of online retailing platforms, one of which has
only authentic product reviews (termed authentic),
and the other has a possibility of getting fake reviews
(termed fake). We find that fake reviews increase
consumer uncertainty. The effects of more positive
reviews and more numerous reviews on consumer
choice are lower on online retailing platforms that
have fake product reviews.
This research marks the first attempt to incorporate
a novel source of product information into structural
models of consumer learning. As such, our findings
are neither without limitations nor comprehensive.
There are several limitations in this study, suggesting future research opportunities. First, we study
a single-attribute learning context (based on genre).
However, our model is sufficiently general and can
be readily extended to capture learning on multiple
attributes (based on genre, author, etc.). Second, we
model the difference between the consumer experience signal and the average review rating to be 0.
This assumption can be relaxed to specifically model
consumer-perceived review bias. Third, our data are

Results (Indonesian) 1:

informasi produk. Dengan kata lain, konsumen adalahbiasanya terkena ulasan diposting oleh konsumen lainnya. Hal ini masuk akal bahwa kredibilitasUlasan berkembang dari waktu ke waktu sebagai konsumen keuntungan lebihlangsung pengalaman dan memiliki lebih banyak kesempatan untuk mengevaluasi seberapa baik ulasan memprediksi preferensi sendiri.Kami mengusulkan spesifikasi yang sangat umum pemodelan Tinjauan kredibilitas sedemikian rupa sehingga kredibilitas ulasan produk diperbolehkan untuk bervariasi dari waktu ke waktu yang samakonsumen (seperti yang ia memperoleh pengalaman lebih langsung) dandi seluruh konsumen yang berbeda. Fitur lain dari pembelian barang pengalaman adalah pembelian berulang terbatasitem produk yang sama tetapi pengalaman yang signifikandengan produk lain dari jenis yang sama. Dengan demikian, kamimodel konsumen belajar dari pengalaman mereka sendiridengan produk lain dari jenis yang sama.Analisis kami mengarah ke beberapa temuan yang unik. Konsumen belajar lebih banyak dari ulasan produk tertentudaripada mereka dari masa lalu mereka sendiri mengalami produk serupa. Konsumen memperbarui kepercayaan merekakredibilitas Tinjauan didasarkan pada pengalaman mereka sendiridan peringkat dari tinjauan pada buku-buku yang sama, sehinggabelajar dari ulasan bervariasi di seluruh konsumen danjuga dari waktu ke waktu. Kami menunjukkan bagaimana model kami dapatdigunakan untuk keputusan yang berkaitan dengan kata-of-mulut pemasaran. Secara khusus, kita menghitung dampak keuntunganmeningkatkan jumlah ulasan ketika perusahaan membutuhkanuntuk menghabiskan sumber daya pemasaran incentivizing konsumen untuk posting ulasan. Kita menemukan bukti kuatmengurangi efek dari produk ulasan pada keuntungan;sebuah perusahaan bisa bahkan merugi ketika berinvestasi dicukup besar jumlah produk ulasan untuk produk-produk lowmargin. Dalam simulasi kebijakan lain, kamimemeriksa masalah ulasan palsu. Kami menganggap duajenis platform online bisnis ritel, salah satu yang memilikihanya otentik Ulasan Produk (disebut otentik),dan yang lain memiliki kemungkinan untuk mendapatkan ulasan palsu(disebut palsu). Kami menemukan bahwa palsu ulasan peningkatanketidakpastian konsumen. Efek yang lebih positifulasan dan lebih banyak ulasan pada konsumenpilihan lebih rendah pada platform online bisnis ritel yangmemiliki review produk palsu.Penelitian ini menandai usaha pertama untuk memasukkannovel sumber informasi produk ke strukturalmodel konsumen belajar. Dengan demikian, temuan kamiyang baik tanpa keterbatasan dan tidak komprehensif.Ada beberapa keterbatasan dalam studi ini, menunjukkan peluang penelitian di masa datang. Pertama, kita belajarsingle-atribut belajar konteks (berdasarkan genre).Namun, model kami cukup umum dan dapatmudah diperluas untuk menangkap belajar pada beberapaatribut (berdasarkan genre, penulis, dll.). Kedua, kitamodel perbedaan sinyal pengalaman konsumen dan meninjau rata-rata rating menjadi 0.Asumsi ini dapat santai untuk model khususbias Tinjauan konsumen yang dirasakan. Ketiga, data kami adalah

Results (Indonesian) 2:

informasi produk. Dengan kata lain, konsumen yang
biasanya terkena ulasan diposting oleh konsumen lain. Adalah masuk akal bahwa kredibilitas
ulasan berkembang dari waktu ke waktu sebagai keuntungan konsumen lebih
pengalaman langsung dan memiliki lebih banyak kesempatan untuk mengevaluasi seberapa baik ulasan memprediksi preferensi sendiri.
Kami mengusulkan spesifikasi yang sangat umum dari ulasan pemodelan kredibilitas sehingga kredibilitas ulasan produk diperbolehkan bervariasi dari waktu ke waktu untuk hal yang sama
konsumen (karena dia memperoleh pengalaman langsung lebih) dan
di seluruh konsumen yang berbeda. Fitur lain pembelian barang pengalaman yang terbatas diulang pembelian
item produk yang sama tetapi pengalaman yang signifikan
dengan produk lain dari jenis yang sama. Dengan demikian, kita
memodelkan pembelajaran konsumen dari pengalaman mereka sendiri
dengan produk lain dari jenis yang sama.
Analisis kami mengarah ke beberapa temuan yang unik. Konsumen belajar lebih banyak dari ulasan tentang produk tertentu
daripada yang mereka lakukan dari pengalaman masa lalu mereka sendiri produk serupa. Konsumen memperbarui keyakinan mereka tentang
kredibilitas ulasan berdasarkan pengalaman mereka sendiri
dan penilaian dari ulasan di buku yang sama, sehingga
belajar dari ulasan bervariasi di konsumen dan
juga dari waktu ke waktu. Kami menunjukkan bagaimana model kami dapat
digunakan untuk keputusan yang berkaitan dengan kata-dari mulut ke mulut pemasaran. Secara khusus, kita menghitung dampak keuntungan dari
peningkatan jumlah tinjauan ketika perusahaan perlu
untuk menghabiskan sumber daya pemasaran di incentivizing konsumen untuk mengirim ulasan. Kami menemukan bukti kuat
efek ulasan produk pada keuntungan berkurang,
sebuah perusahaan bahkan bisa menimbulkan kerugian ketika berinvestasi dalam
jumlah yang cukup besar ulasan produk untuk produk MarginRendah. Dalam simulasi kebijakan lain, kita
memeriksa masalah ulasan palsu. Kami mempertimbangkan dua
jenis platform ritel online, salah satu yang memiliki
hanya review produk otentik (disebut otentik),
dan yang lainnya memiliki kemungkinan mendapatkan ulasan palsu
(disebut palsu). Kami menemukan bahwa ulasan palsu meningkatkan
ketidakpastian konsumen. Efek lebih positif
ulasan dan lebih banyak review konsumen
pilihan yang lebih rendah pada platform ritel online yang
memiliki review produk palsu.
Penelitian ini menandai upaya pertama untuk menggabungkan
sumber novel informasi produk ke dalam struktur
model pembelajaran konsumen. Dengan demikian, temuan kami
adalah tidak tanpa batasan atau komprehensif.
Ada beberapa keterbatasan dalam penelitian ini, menunjukkan peluang penelitian masa depan. Pertama, kita mempelajari
konteks belajar single-atribut (berdasarkan genre).
Namun, model kami cukup umum dan dapat
dengan mudah diperluas untuk menangkap belajar pada beberapa
atribut (berdasarkan genre, penulis, dll). Kedua, kita
memodelkan perbedaan antara sinyal pengalaman konsumen dan nilai rata-rata ulasan untuk menjadi 0.
Asumsi ini bisa santai untuk secara khusus memodelkan
dirasakan konsumen Ulasan Bias. Ketiga, data kami