Estimating Genre-Specific Demand Elasticities in the Amazon Book Market: A Double/Debiased Machine Learning Approach

Abstract

In this thesis, I examine how demand elasticities with respect to price, star ratings, and newspaper reviews vary across book genres in the Amazon book marketplace. Using daily panel data from Amazon domains in the United States, the United Kingdom, and Canada in 2018, I estimate a benchmark linear fixed- effects model and contrast it with a double/debiased machine learning specification that flexibly accounts for the nonlinear effects of control variables. I find substantial heterogeneity in consumer demand across genres and suggest how marketers can exploit this heterogeneity when designing genre-based segmentation strategies. Beyond its marketing implications, the thesis offers a methodological insight by showing that double/debiased machine learning yields genre-specific elasticity estimates that are robust to nonlinear confounding, unlike linear fixed-effects models.

V této práci zkoumám, jak cena, hodnocení zákazníků a recenze v tisku ovlivňují elasticitu poptávky napříč knižními žánry na Amazonu. S využitím denních panelových dat z platforem Amazonu ve Spojených státech, Spojeném království a Kanadě z roku 2018 odhaduji benchmarkový lineární model s fixními efekty a porovnávám jej s metodou double/debiased machine learningu, která flexibilně modeluje nelineární efekty kontrolních proměnných. Výsledky ukazují značnou heterogenitu v poptávce spotřebitelů napříč žánry a navrhuji, jak mohou marketéři tuto heterogenitu využít při segmentaci trhu podle žánrů. Kromě přínosů pro marketing má práce i metodologický rozměr a ukazuje, že double/debiased machine learning dokáže odhadnout žánrově specifické elasticity bez skreslení i v přítomnosti nelineárních vztahů mezi proměnnými, na rozdíl od lineárních modelů s fixními efekty.