Efecto del precio en la efectividad del contenido generado por el usuario en comunidades de marca online

EFECTO DEL PRECIO EN LA EFECTIVIDAD DEL CONTENIDO GENERADO POR EL USUARIO EN COMUNIDADES DE MARCA ONLINE 1 Estrella-Ramón, Antonia; Ellis-Chadwick, Fiona; García-López, Jesús. Universidad de Almería; Loughborough University; UNED. RESUMEN El principal objetivo de esta investigación es comprobar si el precio de los productos ejerce un efecto moderador en la relación entre el contenido generado por el usuario en comunidades de marca online y las ventas. Para ello, se extrae información relativa al contenido generado por el usuario, precio y ventas de una comunidad de marca especializada en videojuegos, Steam. Un análisis de regresión ridge jerárquico ha revelado la existencia de un efecto moderador significativo del precio en la relación entre el contenido generado por el usuario en forma de comentarios positivos y las ventas, resultado que ofrece interesantes implicaciones teóricas y prácticas. Palabras clave: Contenido generado por el usuario, precio, comunidad de marca online, ventas. ABSTRACT The main objective of this research is to check if the price of the products exerts a moderate effect on the relationship between the user-generated content in online brand communities and sales. To develop this research, we extract information about user-generated content, price and sales from a brand community associated with videogames, Steam. A hierarchical ridge regression analysis has revealed the existence of a significant moderating effect of price on the relationship between the user-generated content in the form of positive comments and sales. This result offers interesting theoretical and practical implications. Keywords: User-generated content, price, online brand community, sales. 1 Los autores del trabajo agradecen el apoyo recibido del Ministerio de Educación, Cultura y Deporte en el marco del Programa Estatal de Promoción del Talento y su Empleabilidad en I+D+i, Subprograma Estatal de Movilidad, del Plan Estatal de Investigación Científica y Técnica y de Innovación 2013-2016. XXIX CONGRESO DE MARKETING AEMARK 2017 423 de 1617 ÍNDICE TRABAJOS PONENCIAS TIC 1. Introducción Dada la continua expansión de Internet como medio de comunicación empresarial, nuevas oportunidades y retos se plantean a las marcas (Bellman et al., 2006). En los inicios, Internet únicamente se utilizaba por las empresas como medio para comunicarse con los clientes de una forma unidireccional, pero pronto la tecnología permitió que también comenzara a usarse como un medio de comunicación bidireccional, y que, dada esta característica, permitiera captar a nuevos clientes y retener a los existentes (Lamberton y Stephen, 2016). Además, la tecnología que dio paso a este tipo de comunicación controlada por la empresa también dio paso a otro tipo de comunicación no controlada por la empresa en la que son los propios consumidores y clientes los que se comunican entre sí a través de la generación del denominado contenido generado por el usuario (user-generated content, UGC). La aparición de las redes sociales y las comunidades de marca online (online brand communities, OBC) ha propiciado este tipo de nuevas interacciones entre consumidores y clientes (Goldsmith y Horowitz, 2006; Yadav y Pavlov, 2014). Las opiniones que los usuarios vierten en redes sociales y comunidades de marca (UGC) se han convertido en parte del proceso de decisión de compra. Generan electronic word-of-mouth (e-WOM) muy fiable (Hsu et al., 2013), creíble (Johson y Kane, 2009) y ayudan a otros usuarios a reducir la incertidumbre y el riesgo ante una compra de un producto desconocido. Incluso se ha demostrado que las recomendaciones sobre productos que los prescriptores hacen a través de sus redes sociales se consideran más fiables y valiosas que la información comercial que emana de la propia marca (Wu, 2011). En este sentido, la disponibilidad creciente de UGC en redes sociales y OBCs nos hace cuestionarnos si realmente este contenido tiene un impacto real en las ventas de las empresas, en especial porque la literatura previa aporta resultados contradictorios sobre la influencia de la valencia del UGC (i.e., si los comentarios de los usuarios son positivos o negativos) en las ventas (Floyd et al., 2014; You et al., 2015), e incluso en otros resultados psicológicos, como la utilidad de las revisiones o las actitudes hacia el producto revisado (Purnawirawan et al., 2015). Por otro lado, Internet también ha favorecido la transparencia en el precio de los productos (Noone y McGuire, 2013, 2014). El consumidor es cada vez más consciente y se preocupa más por conseguir el mejor producto al mejor precio posible, por lo que el papel que el precio tiene en el comportamiento de compra se ha reforzado en los últimos años gracias a la expansión de Internet. Por tanto, tanto el UGC (información no controlada por la empresa) como el precio de los productos (información controlada por la empresa) se consideran dos fuentes importantes de información con las que el consumidor cuenta a la hora de decidir sus compras. Sin embargo, el análisis del efecto del precio y del UGC en las ventas de la empresa es un tema que no ha sido ampliamente tratado en la literatura académica. En particular, investigaciones previas analizan el efecto que el precio ejerce en el UGC generado en la etapa de evaluación previa a la compra, por ejemplo en términos de calidad y valor percibido (Noone y McGuire, 2014). En posteriores etapas del proceso de compra otros autores analizan el efecto del precio y del UGC, por ejemplo, en la predisposición a realizar una compra (willingness to pay) (Wu y Gaytán, 2013). Incluso algunos autores analizan el efecto del precio y del UGC en comunidades de marca sobre medidas de rendimiento, como son las ventas (Bao y Chang, 2014; Chen et al., 2011; Cui et al., 2012; Goh et al., 2013; Gu et al., 2013; Ye et al., 2011), pero únicamente explican si existen efectos directos entre el UGC y las ventas y el precio y las ventas no llegando a XXIX CONGRESO DE MARKETING AEMARK 2017 424 de 1617 ÍNDICE TRABAJOS profundizar si existe un efecto conjunto del precio y el UGC sobre estas medidas de rendimiento. Por tanto, esta investigación pretende demostrar si el precio ejerce un efecto moderador en la relación entre el UGC y las ventas. Para ello, se utiliza una comunidad de marca especializada en videojuegos, Steam, que congrega a más de 175 millones de usuarios a nivel mundial (PCGamer, 2016). Se trata de una plataforma de distribución digital desarrollada por Valve Corporation, que ofrece tanto servicios a desarrolladores de videojuegos como a usuarios finales, y que además de comercializar el producto, se configura como una comunidad de marca con un servicio integrado en la plataforma de interacción social entre usuarios (i.e., red social). Los datos para desarrollar esta investigación se han extraído de una muestra de 205 videojuegos comercializados a través de Steam, obteniéndose medidas del UGC creado dentro de la comunidad (i.e., número de comentarios positivos y negativos), así como del precio de los productos y las ventas. Un análisis de regresión ridge jerárquico ha sido utilizado para testear las hipótesis de investigación propuestas, lo que ha revelado la existencia de un efecto moderador significativo del precio en la relación entre el UGC y las ventas, resultados que ofrecen interesantes implicaciones teóricas y para la gestión empresarial. 2. Revisión de la literatura y propuesta de hipótesis de investigación 2.1. Efecto directo del contenido generado por el usuario en las ventas El UGC incluye contenido público creado fuera de las rutinas y prácticas de las propias empresas (Kaplan y Haenlein, 2010). Este contenido puede ser desarrollado, producido, modificado, compartido y consumido individualmente o de forma colaborativa, y se considera como la suma de todas las posibles formas en las que los individuos hacen uso de las OBCs y otros medios como las redes sociales (Kaplan y Haenlein, 2010). El UGC se considera similar, pero no idéntico al e-WOM (UGC es más amplio que el e-WOM). El e- WOM se define como cualquier afirmación positiva o negativa hecha por clientes potenciales, actuales o antiguos sobre un producto o empresa, que se pone a disposición de una multitud de personas e instituciones a través de Internet (Hening-Turau et al., 2004). UGC y e-WOM son similares cuando se representan en OBCs y están relacionados con la marca o los productos que ofrece (Smith et al., 2012). Investigaciones previas aportan resultados contradictorios sobre la influencia de la valencia del UGC (i.e., si los comentarios de los usuarios son positivos o negativos) en las ventas (Floyd et al., 2014; You et al., 2015), e incluso en otros resultados psicológicos, como la utilidad de las revisiones o las actitudes hacia el producto revisado (Purnawirawan et al., 2015). A pesar de ello, algunos autores previos se decantan en un sentido concreto en la influencia de las revisiones de los clientes en las decisiones de compra, indicando que la información positiva/negativa encontrada online puede ser un factor desencadenante para modificar el comportamiento del cliente (compra/no compra respectivamente) (Adjei et al., 2010; Chevalier and Mayzlin, 2006; Liu, 2006). En particular, el e-WOM positivo implica una experiencia positiva y la recomendación de adquirir un determinado producto, mientras que el e-WOM negativo se refiere a una experiencia negativa y a la recomendación de no adquirir un determinado producto motivado por el deseo de comunicar una injusticia experimentada con la adquisición de ese producto (Luo, 2009). Como se ha señalado XXIX CONGRESO DE MARKETING AEMARK 2017 425 de 1617 ÍNDICE TRABAJOS anteriormente, el UGC es más amplio que el e-WOM, pero los dos coinciden de manera considerable cuando el UGC se muestra en una OBC y se relaciona con la marca o los productos que ofrece (Smith et al., 2012). Por tanto, podemos establecer que el e-WOM positivo (i.e., comentarios positivos en esta investigación) puede motivar compras, mientras que el e-WOM negativo (i.e., comentarios negativos) puede inhibir compras. En esta línea proponemos las siguientes hipótesis de investigación: H1a. UGC en OBCs en forma de comentarios positivos de un producto tiene un efecto directo y positivo en las ventas del producto. H1b. UGC en OBCs en forma de comentarios negativos de un producto tiene un efecto directo y negativo en las ventas del producto. 2.2. Efecto moderador del precio en la relación entre el contenido generado por el usuario y las ventas El desarrollo de Internet y el comercio electrónico, que permiten conocer y comparar fácilmente entre diferentes productos y marcas, ha favorecido la transparencia en la variable precio (Noone y McGuire, 2013, 2014). Los consumidores cada vez son más conscientes del precio de los productos y de las políticas de precio variables de las empresas, que sumado a una disponibilidad creciente de UGC en el punto de venta online, el uso del precio por parte de los consumidores en sus decisiones de compra está cambiando (Noone y McGuire, 2014). Cuando un consumidor se enfrenta a una decisión de compra, no necesariamente restringe su evaluación de alternativas a la variable precio (Noone y McGuire, 2013). La disponibilidad de otro tipo de información, distinta al precio, como son los comentarios de otros consumidores en forma de UGC, provee información que facilita la evaluación del precio de los productos a la vista de la experiencia de uso esperada (a partir de los testimonios de otros usuarios) (Noone y McGuire, 2013). Por tanto, una estrategia de precio puede ser poco o nada efectiva si este no se ajusta al valor que los consumidores perciben del producto, lo que lleva a enfatizar la necesidad de integrar la información sobre el precio de los productos con otras fuentes de información distintas al precio que están disponibles en el lugar de la compra. En este sentido, investigaciones previas analizan el efecto que el precio ejerce en el UGC generado en la etapa de evaluación previa a la compra, por ejemplo en términos de calidad y valor percibido (Noone y McGuire, 2013, 2014). En posteriores etapas del proceso de compra otros autores analizan el efecto del precio y del UGC, por ejemplo, en la predisposición a realizar una compra (willingness to pay) (Wu y Gaytán, 2013). Incluso algunos autores analizan el efecto del precio y del UGC en comunidades de marca sobre medidas de rendimiento, como son las ventas (Goh et al., 2013; Ye et al., 2011), pero únicamente explican si existen efectos directos entre el UGC y las ventas y el precio y las ventas no llegando a profundizar si existe un efecto conjunto del precio y el UGC sobre estas medidas de rendimiento. Por tanto, este trabajo propone la siguiente hipótesis de investigación. H2a. El precio ejerce un efecto moderador en la relación existente entre el número de comentarios positivos de un producto y las ventas. H2b. El precio ejerce un efecto moderador en la relación existente entre el número de comentarios negativos de un producto y las ventas. XXIX CONGRESO DE MARKETING AEMARK 2017 426 de 1617 ÍNDICE TRABAJOS A continuación se detalla la Figura 1 que ilustra el modelo propuesto en esta investigación. FIGURA 1: Modelo conceptual. Fuente: Elaboración propia. 3. Estudio empírico 3.1. Contexto de estudio Steam (http://store.steampowered.com/) es una plataforma de distribución digital de videojuegos desarrollada por Valve Corporation, que ofrece tanto servicios a desarrolladores como a usuarios finales, y que además de comercializar el producto, se configura como una comunidad de marca con un servicio integrado en la plataforma de interacción social entre usuarios (i.e., red social). Además, Steam ofrece la posibilidad de utilizar varias APIs (Application Programming Interface o interfaz de programación de aplicaciones), disponibles en su página web, entre la que destaca ISteamUserStats. Se trata de una API especialmente diseñada para recoger información estadística por videojuego comercializado a través de Steam. Steamspy (http://steamspy.com/), una plataforma independiente de Steam, utiliza esta API para recoger datos de los perfiles de usuarios de Steam, y los presenta de una forma sencilla y precisa para todas las partes interesadas en los videojuegos para PC. Por tanto, los datos utilizados en esta investigación combinan las fuentes Steam y Steamspy. 3.2. Descripción de la muestra y recogida de información La unidad muestral para esta investigación consiste en cada videojuego comercializado a través de Steam. Debido a la gran cantidad de videojuegos que existen en la plataforma, para conseguir un tamaño muestral representativo pero fácil de manejar (ya que la recogida de información se ha realizado de forma manual), se ha establecido un periodo temporal que abarca aquellos videojuegos lanzados durante el mes de Junio de 2015 (Smith et al., 2012), obteniendo un tamaño muestral total de 205 videojuegos. Dos codificadores o jueces (uno independiente y un miembro del equipo de investigación) han recogido y codificado manualmente el UGC (i.e., comentarios positivos y negativos), el precio y las ventas de la muestra de videojuegos seleccionada considerando la información encontrada en Steam y Steamspy entre Junio de 2015 y Junio de 2016. Destacar que no sólo los propietarios de un # Comentarios + # Comentarios - Precio UGC formato textual # Usuarios (proxy de las ventas) H1a H2a H1b H2b XXIX CONGRESO DE MARKETING AEMARK 2017 427 de 1617 ÍNDICE TRABAJOS videojuego pueden crear contenido sobre el mismo (UGC). Todos los usuarios de Steam pueden navegar por toda la comunidad, pudiendo crear UGC de aquellos videojuegos que no posean. Una vez que se llevó a cabo la codificación, se ha comprobado la fiabilidad de la misma utilizando la fórmula de Holsti (Holsti, 1969) con resultados por encima del 0,80, lo que indica un alto nivel de fiabilidad de la codificación (Neuendorf, 2002). 3.3. Medidas de las variables 3.3.1. Variable independiente La variable independiente incluida en el modelo propuesto es el número de usuarios de cada videojuego (# Usuarios), considerada como un proxy de las ventas (Thompson y Sinha, 2008). Esta variable se ha extraído de Steamspy y es un contador del número de usuarios de cada videojuego vendido a través de Steam. 3.3.2. Variables dependientes  Número de comentarios positivos (# Comentarios +): mide el número de comentarios positivos que ha recibido cada videojuego por parte de los usuarios de Steam a través de una variable continua (Hyesun et al., 2016).  Número de comentarios negativos (# Comentarios -): mide el número de comentarios negativos que ha recibido cada videojuego por parte de los usuarios de Steam a través de una variable continua (Hyesun et al., 2016).  Precio (Precio): el precio del videojuego se ha medido utilizando una variable continua (Chevalier y Mayzlin, 2006). 3.4. Metodología aplicada y resultados Para comprobar la ausencia de multicolinealidad en los datos utilizados se comprobaron los valores de las correlaciones bivariadas y del factor de inflación de la varianza (FIV). Valores de las correlaciones por encima de 0,8 son indicativo de presencia de multicolinealidad, así como valores del FIV por encima de 10 (Neter et al., 1989). Como puede observarse en la Tabla 1, los valores de las correlaciones indican presencia de multicolinealidad en los datos, lo que nos lleva a optar por el uso de la regresión ridge en lugar de la regresión de mínimos cuadrados ordinarios (ordinary least squares regression, OLS). La regresión ridge es una metodología que combate el principal síntoma de la multicolinealidad (i.e., la obtención de un alto estimador de la varianza) a través de una manipulación sistemática de los datos. El procedimiento seguido por la regresión ridge implica la adición de términos altos y constantes de forma sucesiva a la matriz de correlaciones de las variables explicativas o independientes utilizadas en el cálculo de los coeficientes estimados. A cada adición le sigue la derivación de un conjunto de estimaciones (Willis y Perlack, 1978). En resumen, la ventaja de la regresión ridge implica que establece una penalización en el tamaño de los coeficientes y es insensible a las altas correlaciones entre las variables independientes utilizadas en el modelo (Malthouse, 1999). XXIX CONGRESO DE MARKETING AEMARK 2017 428 de 1617 ÍNDICE TRABAJOS TABLA 1: Estadísticos descriptivos, correlaciones y FIV. Media Desviación típica 1 2 FIV 1. # Comentarios + 739,06 4.360,90 - - 1,03 2. # Comentarios - 294,07 1.806,87 0,91 - 5,80 3. Precio 9,08 9,40 0,17 0,18 5,82 Fuente: Elaboración propia. A continuación se detallan los resultados obtenidos tras aplicar la metodología de regresión ridge jerárquica (véase Tabla 2). Siguiendo la recomendaciones de Baron y Kenny (1986), las variables se introducen en el modelo en una serie de pasos, comenzando con el Modelo 1 que incluye a las variables que representan efectos directos (# Comentarios +, # Comentarios - y Precio) y finalizando con el Modelo 2 que incluye a las variables que representan efectos de interacción ([# Comentarios +]*[Precio] y [# Comentarios - ]*[Precio]). Para comprobar si las interacciones incluidas en la regresión contribuyen a explicar la varianza del modelo, se procedió a comparar las varianzas explicadas (valores de la R2), concluyendo que se produce un incremento en el poder explicativo de la estimación en el caso del Modelo 2 (R2 del Modelo 1 = 0,65; R2 del Modelo 2 = 0,93). Los resultados obtenidos en el Modelo 1 permiten comprobar las hipótesis H1a y H1b. En particular, se observa una relación directa y positiva entre el número de comentarios positivos y las ventas (β = 96,80, p < 0.01), confirmando la H1a. De igual forma se confirma la H1b ya que se observa una relación directa y negativa entre el número de comentarios negativos y las ventas (β = -55,43, p < 0.05). Por otra parte, los resultados obtenidos en el Modelo 2 permiten comprobar las hipótesis H2a y H2b. En particular, se observa la existencia de un efecto moderador del precio sobre la relación entre el número de comentarios positivos y las ventas (β = -5,52, p < 0.01), demostrando que el precio reduce el efecto positivo que los comentarios positivos ejercen sobre las ventas y corroborando la H2a. Finalmente, no se demuestra que el precio reduzca o aumente de forma significativa el efecto directo existente entre los comentarios negativos y las ventas, no corroborando la H2b. TABLA 2: Resultados del análisis de regresión jerárquica ridge. Modelo 1 Modelo 2 # Comentarios + 96,80* 235,68* # Comentarios - -55,43** -76,75* Precio -3.775,26** 187,54 [# Comentarios +]*[Precio] - -5,52* [# Comentarios -]*[Precio] - 1,16 R2 0,65 0,93 Cambio en R2 - 0,28 F 121,81* 535,53* * p < 0,01; ** p < 0,05 Fuente: Elaboración propia. XXIX CONGRESO DE MARKETING AEMARK 2017 429 de 1617 ÍNDICE TRABAJOS 4. Conclusiones Esta investigación utiliza una comunidad de marca especializada en videojuegos, Steam, para comprobar si el precio de los productos ejerce un efecto moderador en la relación entre el UGC textual y las ventas. Para ello, se ha extraído una muestra de 205 videojuegos de los que se han obtenido medidas del UGC creado dentro de la comunidad (i.e., número de comentarios positivos y negativos), así como del precio de los productos y de las ventas. Un análisis de regresión ridge jerárquico ha sido utilizado para comprobar las hipótesis de investigación propuestas, lo que ha revelado la existencia de un efecto moderador significativo del precio en la relación entre el UGC y las ventas. Dicho resultado ofrece interesantes implicaciones teóricas de este trabajo, derivadas de la existencia del mencionado efecto moderador del precio en la relación entre el UGC y las ventas, en especial en el caso de los comentarios positivos. Por otro lado, respecto a las implicaciones para la gestión empresarial, la comprensión de si, y cómo, los consumidores integran las diferentes fuentes de información que están a su alcance para decidir sus compras, como son el UGC y el precio, es clave para desarrollar estrategias de posicionamiento competitivo y precio apropiadas. Finalmente, comentar como limitaciones del estudio que el modelo se ha comprobado en una única comunidad de marca especializada en videojuegos, por lo que para la generalización de los resultados a otros sectores sería necesario comprobarlo empíricamente con datos extraídos de otras comunidades de marca, de diferentes temáticas. También resulta de interés el utilizar otros tipos de UGC (e.g., videos, imágenes) para comprobar si el precio tiene un efecto moderador en la relación entre otros tipos de UGC y las ventas. Otras variables de tipo cualitativo (e.g., sentimental analysis del UGC) también se proponen para ser introducidas en el modelo propuesto en futuras líneas de investigación. 5. Referencias bibliográficas Adjei, M.T., Noble, S.M. y Noble, C.H. (2010). The influence of C2C communications in online brand communities on customer purchase behavior. Journal of the Academy of Marketing Science, 38(5), 634-653. Baron, R. M. y Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182. Bellman, S., Johnson, E., Lohse, G. y Mandel, N. (2006). Designing marketplaces of the artificial with consumers in mind: four approaches to understanding consumer behavior in electronic environments. Journal of Interactive Marketing, 20(1), 21-33. Bao, T. y Chang, T.L.S. (2014). Why Amazon uses both the New York Times Best Seller List and customer reviews: An empirical study of multiplier effects on product sales from multiple earned media. Decision Support Systems, 67, 1-8. Chen, Y., Fay, S. y Wang, Q. (2011). The role of marketing in social media: How online consumer reviews evolve. Journal of Interactive Marketing, 25(2), 85-94. Chevalier, J.A. y Mayzlin, D. (2006). The effect of word of mouth on sales: Online book reviews. Journal of Marketing Research, 43(3), 345-354. XXIX CONGRESO DE MARKETING AEMARK 2017 430 de 1617 ÍNDICE TRABAJOS Cui, G., Lui, H.K. y Guo, X. (2012). The effect of online consumer reviews on new product sales. International Journal of Electronic Commerce, 17(1), 39-58. Floyd, K., Freling, R., Alhoqail, S., Cho, H.Y. y Freling, T. (2014). How Online Product Reviews Affect Retail Sales: A Metaanalysis. Journal of Retailing, 90(2), 217-232. Goh, K. Y., Heng, C. S. y Lin, Z. (2013). Social media brand community and consumer behavior: Quantifying the relative impact of user-and marketer-generated content. Information Systems Research, 24(1), 88-107. Goldsmith, R.E. y Horowitz, D. (2006). Measuring motivations for online opinion seeking. Journal of Interactive Advertising, 6(2), 2-14. Gu, B., Tang, Q. y Whinston, A. B. (2013). The influence of online word-of-mouth on long tail formation. Decision Support Systems, 56, 474-481. Hennig-Thurau, T., Gwinner, K.P., Walsh, G. y Gremler, D.D. (2004). Electronic word-of- mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the Internet? Journal of Interactive Marketing, 18(1), 38-52. Holsti, O.R. (1969). Content Analysis for the Social Sciences and Humanities. MA: Addison-Wesley. Hsu, C.L., Chuan-Chuan Lin, J. y Chiang, H.S. (2013). The effects of blogger recommendations on customers’ online shopping intentions. Internet Research, 23(1), 69-88. Hyesun, J., Hyung, J.A. y Yu, G. J. (2016). What makes people react to the posts on the brand pages of mobile social network games? Online Information Review, 40(3), 435- 448. Johnson, T.J. y Kaye, B.K. (2009). In blog we trust? Deciphering credibility of components of the internet among politically interested internet users. Computers in Behavior, 25(1), 175-82. Kaplan, A.M. y Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of social media. Business Horizons, 53(1), 59-68. Lamberton, C. y Stephen, A.T. (2016). A Thematic Exploration of Digital, Social Media, and Mobile Marketing: Research Evolution from 2000 to 2015 and an Agenda for Future Inquiry. Journal of Marketing, 80(6), 146-172. Liu, Y. (2006). Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue. Journal of Marketing, 70(3), 74-89. Luo, X. (2009). Quantifying the long-term impact of negative word of mouth on cash flows and stock prices. Marketing Science, 28(1), 148-165. Malthouse, E.C. (1999). Ridge regression and direct marketing scoring models. Journal of Interactive Marketing, 13(4), 10-23. Neter, J., Wasserman, W. y Kutner, M.H. (1989). Applied Regression Models. Homewood, IL: Irwin. XXIX CONGRESO DE MARKETING AEMARK 2017 431 de 1617 ÍNDICE TRABAJOS