Modeling Consumers' Information Search with Learning in the Pre-purchase Stage

Abstract

최근 인터넷을 통한 정보탐색의 비중이 증가하면서, 소비자들은 제품에 대해 느끼는 불확실성이 충분히 줄어들 때까지 온라인 리뷰 정보를 반복적으로 탐색하고 효용을 업데이트하는 경향을 보인다. 그러나 소비자의 의사결정 행위에 대해 다룬 기존 연구들은 전체 의사결정 과정이 아닌 일부 단계만을 포함하고 있을 뿐 아니라, 실증분석을 통해 의사결정 구조를 명확히 추정하는 대신 이론적 모형 제시에만 그치고 있다는 한계점을 가지고 있다. 따라서 본 연구는 소비자의 순차적 정보탐색 행위 및 학습과정을 설명할 수 있는 구조적 모형을 제안하고 실증분석을 수행함으로써 기존 문헌이 가지는 한계를 극복하고자 하였다. 본 연구는 소비자의 정보탐색 행위를 설명하기 위한 동적 이산선택모형을 구성하고 베이지안 학습 매커니즘을 도입해 소비자의 효용 학습 과정을 모형에 반영하였다. 이와 더불어 본 연구는 소비자의 정보탐색 행위에 대한 관측치를 바탕으로 제품에 대한 소비자의 선호를 추정할 수 있는 연구 프레임워크를 제안하였다. 본 연구는 제안모형의 추정을 위해 베이지안 추정 방법론을 활용하였다. 기존 동적 이산선택모형 추정방식인 동적 계획법의 계산상 부담을 피하기 위해, 본 연구는 변형 메트로폴리스-헤이스팅스 알고리즘의 일종인 IJC 알고리즘을 적용하여 예측치를 추출하였다. 마지막으로 본 연구는 선택실험을 통해 수집한 데이터를 활용하여 실증분석을 수행함으로써, 제안모형의 실증적 타당성을 확인하였다. 실증분석 결과, 제안모형은 소비자가 최초에 가지는 인식 편향 및 불확실성 정도 등과 같이 불확실성에 대한 정보를 제공해줌으로써, 기존 이산선택 모형에 비해 더욱 실질적인 함의를 제공할 수 있을 것으로 기대된다.

With the growing dependence on the Internet to search for information, consumers search for online reviews of products and update their utility repeatedly until their product uncertainties are sufficiently reduced. However, previous literature considers consumers behavioral process within a limited context and fails to describe it explicitly through structural estimation. This study aims to fill this gap by proposing a structural model that could explain consumers sequential information search behavior including learning from the acquired information. A dynamic discrete choice model is proposed to describe consumers information search behavior. In addition, the Bayesian learning mechanism is applied to consumers process of updating their utility functions. The research framework proposed by this study enables the prediction of consumers product preferences using data related to their information search behavior. The structural estimation is conducted based on the Bayesian inference scheme. To reduce the computational burden of solving the dynamic programming, this study applies one of the modified Metropolis-Hastings algorithms for Markov Chain Monte Carlo (MCMC) sampling, called the IJC algorithm (Imai, Jain, & Ching, 2009). Lastly, using the data obtained from choice experiments, the empirical validity of the proposed model is examined. The empirical results of the proposed model provide more practical implications than the standard discrete choice model by providing the information of the initial impression of uncertainty in utility perceived by consumers, such as perception bias or scale of uncertainty.