SUMMARY ( MASALAH KHUSUS : STRATEGI BISNIS DIGITAL )

                                      
MASALAH KHUSUS: STRATEGI BISNIS DIGITAL

KONTEN ATAU KOMUNITAS? BISNIS DIGITAL

STRATEGI UNTUK PENYEDIA KONTEN

DI AJARAN SOSIAL1

Gal Oestreicher-Singer dan Lior Zalmanson

Recanati Graduate School of Business, Universitas Tel Aviv, Tel Aviv 69978 ISRAEL

{galos@post.tau.ac.il} {zalmanso@post.tau.ac.il}

Industri konten telah mengalami transformasi dalam dua dekade terakhir. Perubahan terbaru dalam bentuk komputasi sosial menjadi fokus makalah ini, meskipun industri konten telah melaksanakan komputasi sosial dari pendekatan tekno-sentris sebagai pelengkap konten. Pendekatan ini tidak memanfaatkan sosial pengguna di situs web dan tidak untuk mendapatkan pembayaran dari konsumen. Pengalaman sosial lah sebagai pusat strategi bisnis digital situs web.

Berdasarkan data dari Last.fm, situs konsumsi musik dan komunitas online, pengguna disediakan layanan gratis dan premium berbayar . Kami menemukan bahwa kesediaan membayar layanan terkait dengan "tangga partisipasi" disitus web, artinya kesediaan membayar lebih kuat daripada konten gratis. Menggunakan seleksi mandiri kecocokan skor kecenderungan  kami lakukan untuk mengontrol aktivitas komunitas pada waktu bergabung dan keputusan berlangganan. Kami menemukan bukti baru tentang pentingnya komputasi sosial dengan konten untuk jalur strategis industri konten digital.

Pengantar 

Perubahan teknologi yang cepat selama dua dekade terakhir menyajikan industri konten dengan sejumlah besar peluang serta tantangan baru. Relatif mudah ditambah dengan teknologi telah mendorong penyedia konten untuk bergantung pada elektronik, sehingga mengurangi biaya produksi dan operasional. Sebagian besar konsumen beralih ke konten online. Namun perubahan ini juga menyebabkan biaya menurun, pembajakan, dan dibuat massa konten baru gratis yang menyebabkan penyedia konten mengadopsi pemikiran strategis baru untuk mempertahankan keunggulan.

Literatur yang berkembang tentang strategis bisnis digital menekankan peran yang dimainkan TI dalam proses bisnis. Awalnya komputasi sosial dianggap sebagai ancaman dan sumber pembajakan dan disintermediasi, namun manfaat dan fitur komputasi masih dalam perdebatan dan industri masih sering mempertanyakan potensi mereka, ini adalah dugaan bahwa perusahaan gagal meraup manfaat dari komputasi sosial karena sebagian besar menerapkan fitur pendekatan tekno-sentris daripada strategis.

Menambah literatur bisnis digital strategis dengan berfokus pada paradigma "tangga partisipasi" berdasarkan sifat perilaku partisipatif dalam komunitas online.

Fusi Social Computing

dan Konten

Di masa lalu, sebagian besar teknologi informasi dianggap sebagai alat untuk meningkatkan produktivitas atau menurunkan biaya operasional. Akibatnya, strategi TI harus selaras dengan strategi bisnis perusahaan. Namun, selama dua dekade terakhir, digital infrastruktur bisnis dan masyarakat telah bergeser secara radikal, para peneliti dan manajer mengakui hal itu peran TI telah mengalami transformasi. IT telah menjadi tenggelam di ruang kerja dan di rumah, berkembang menjadi bagian tak terhindarkan dari rutinitas harian dan proses bisnis.

Teknologi komputasi sosial adalah contoh teknologi terkini yang sangat tertanam dalam kehidupan sehari-hari rutinitas dan interaksi pribadi untuk "mewujudkan kreativitas mereka, terlibat dalam interaksi sosial, berkontribusi keahlian mereka, berbagi konten, secara kolektif membangun alat baru dan menyebarkan informasi. Industri konten telah diubah oleh teknologi komputasi sosial menjadi tiga fase strategi TI: koneksi, imersi, dan fusi.

Tabel 1. Tiga Fase TI dalam Konteks Komputasi Sosial dalam Industri Konten
Tahap	Pandangan Industri yang Lebih Luas tentang TI (Berdasarkan El Sawy 2003)	Isi Industri Lihat di Komputasi Sosial
Koneksi	itu digunakan sebagai alat untuk membantu orang pekerjaan mereka. Ini adalah artefak yang dapat dipisahkan dapat dihubungkan ke pekerjaan orang lain tindakan dan perilaku.	Komputasi Sosial adalah alat belaka dan penggunaannya pilihan. Banyak yang mengabaikan komputasi sosial sama sekali, dan beberapa lainnya mengartikannya sebagai ancaman dan mempromosikannya.
Pencelupan	itu direndam sebagai bagian dari bisnis lingkungan dan tidak dapat dipisahkan dari kerja dan sifat sistemik dari hubungan antarorganisasi.	Komputasi Sosial adalah penawaran pelengkap yang berharga. Platform Komputasi Sosial sedang banyak digunakan menarik pengguna dan membedakan situs web dari pesaing mereka. Secara praktis, fitur sosial adalah pengaya di samping konten tradisional, yang masih menjadi fokus utama dari tawaran itu.
Fusi	itu tidak hanya dibenamkan tetapi digabungkan dengan lingkungan bisnis sedemikian rupa sehingga mereka tidak bisa dibedakan dengan persepsi kita dan membentuk kain terpadu.	Komputasi Sosial tidak dapat dibedakan dari pengalaman konten. Konten pada dasarnya adalah pengalaman sosial. Konten penyedia menciptakan pengalaman sosial di mana pengguna menciptakan identitas online pribadi dan berinteraksi dengan yang lain. Pengalaman sosial ini menjadi pusat perhatian situs web, mengganti konten.

Dalam beberapa tahun terakhir munculnya banyak situs yang ada dideskripsikan sebagai platform media sosial, seperti Facebook, Digg, dan LiveJournal, antara lain. Platform ini memungkinkan pengguna untuk menciptakan identitas di tempat, membuat teman online, mengatur konten agar orang lain dapat menikmati, menghadiri acara sosial virtual, berpartisipasi dalam permainan sosial, buat konten buatan pengguna kolaboratif dan membangun reputasi yang sedang berlangsung. Platform media sosial miliki mengerti bahwa mengkonsumsi konten, dan membentuk hubungan mengitarinya dengan mendiskusikan, berbagi, dan bereaksi terhadapnya, adalah bagian dari pengalaman yang sama.

Tabel 2. Perbandingan Pendekatan Situs Web Konten
	Konten Tradisional Situs web (Fase Koneksi)	Konten Situs Web dengan Sosial Komputasi (Tahap Perendaman)	Situs Web Konten Sosial (Fase Fusion)
Proposisi Nilai	Pengguna mendapatkan nilai dari mengkonsumsi perusahaan yang dikirim konten.	Pengguna mendapatkan nilai dari mengkonsumsi konten yang dikirim oleh perusahaan dan dari interaksi dengan yang lain pengguna di situs web melalui sosial fitur komputasi.	Pengguna mendapatkan nilai dari konten berbasis sosial yang sedang berlangsung pengalaman di mana mereka bisa memenuhi peran berbeda di situs dan membentuk hubungan yang berarti.
Penciptaan Nilai	Dibuat oleh perusahaan oleh memproduksi / mengirim konten.	Dibuat terutama oleh perusahaan oleh memproduksi / mengirim konten dan juga oleh interaksi sosial.	Dibuat oleh perusahaan dan pengguna melalui tangga partisipasi
Pengambilan Nilai	Iklan, membayar untuk akses ke konten.	Iklan, membayar untuk akses ke konten.	Iklan, freemium.
Skema segmentasi	Konsumsi konten levels.	Tingkat konsumsi konten, rasa dan penilaian konten (via komputasi sosial) .	Konten dan konsumsi sosial berdasarkan tangga partisipasi.
Pola Interaksi antara perusahaan dan pengguna	Umpan balik dalam bentuk pesan yang ditargetkan atau buku tamu terkontrol / forum umpan balik.	Interaksi di berbagai macam variasi komputasi sosial add-on — talkback, forum / blog posting.	Interaksi sepanjang satu kesatuan platform sosial.
Pola Interaksi antar pengguna	Tidak tersedia di situs.	Interaksi melalui percakapan menggunakan fitur-fitur komputasi sosial, blog.	Bersosialisasi seputar konten, kurasi sosial konten melalui halaman pengguna.

Tangga Partisipasi: The

Dinamika Konten Sosial

Penelitian sebelumnya telah menyelidiki pola partisipasi dalam pengaturan komunal, baik offline maupun online. Di seminal mereka bekerja pada proses pembelajaran di komunitas praktik, mengusulkan karakterisasi komunitas perilaku dari waktu ke waktu. Mereka mencatat bahwa pendatang baru “menjadi lebih kompeten karena mereka menjadi lebih terlibat di utama proses komunitas tertentu. Mereka pindah dari partisipasi periferal yang sah untuk ‘partisipasi penuh’. Baru-baru ini, ada berbagai upaya membuat kerangka kerja yang lebih menyeluruh yang memodelkan pengguna perilaku khusus dalam konteks komunitas online.  Preece dan Schneiderman mengusulkan pembaca untuk kerangka pemimpin dengan penekanan pada yang berbeda kebutuhan dan nilai-nilai pada tingkat partisipasi yang berbeda.

Tabel 3. Tingkat Partisipasi
	Komunitas dari Praktek (Wegner 1998)	Tingkat Partisipasi (Kim 2000)	Technolographics Alat (Li dan Bernoff 2008)	Sosial Pembaca-ke-Pemimpin Kerangka (Preece dan Schneiderman 2009)
Konten Konsumsi.	Periferal Tidak berpartisipasi	Pengunjung Luar, tidak terstruktur partisipasi.	Penggabung dan Penonton Membaca konten dan membuat halaman pengguna.	Pembaca Hanya mengkonsumsi artikel / konten Konten.
Organisasi Masuk.	Partisipasi awal aktivitas dalam perjalanan ke partisipasi penuh.	Novice Pendatang baru adalah menjadi diinvestasikan Komunitas.	Kolektor Memberi tag konten, voting, dan peringkat sederhana.	Penyumbang Berkontribusi beberapa konten ke komunitas situs web.
Masyarakat Keterlibatan	Orang dalam Partisipasi penuh dalam masyarakat	Reguler Berkomitmen penuh peserta komunitas	Kritik Memposting komentar, kritik, berpartisipasi dalam diskusi	Kolaborator Berpartisipasi dalam kelompok proyek dan kerja sama
Masyarakat Kepemimpinan	Batas Batas-batas dan menghubungkan komunitas praktek	Pemimpin Mempertahankan keanggotaan partisipasi dan interaksi broker	Kreator Menerbitkan asli yang diremukkan konten, menerbitkan blog	Pemimpin Memimpin komunitas, diskusi moderat

Partisipasi masyarakat ditemukan terkait dengan Komitmen afektif, yang merupakan ikatan emosional positif atau "perasaan memiliki" kepada komunitas. Dalam konteks komitmen organisasi tradisional (offline), Komitmen afektif ditunjukkan untuk berkembang melalui sosial pertukaran dan hubungan yang mempromosikan kepercayaan (Cook dan Wall 1980) dan perasaan diperlakukan secara adil oleh komunitas (Eisenberger et al. 1990). Joyce dan Kraut (2006) menunjukkan bagaimana seorang pengguna kemungkinan posting terkait dengan properti dari balasan dia menerima sebagai tanggapan atas posting pertamanya. Lampe dan Johnston (2005) menemukan bahwa probabilitas pendatang baru kembali ke situs dipengaruhi oleh peringkat yang diberikan kepadanya terlebih dahulu pos. Huberman dkk. (2009) menunjukkan, dalam konteks Klip YouTube, bahwa pengguna yang videonya menarik lebih banyak perhatian selanjutnya berkontribusi lebih banyak konten. Menutup perkara et al. (2009) secara kuantitatif memeriksa kontribusi foto pada Facebook dan menemukan bahwa umpan balik langsung pada konten adalah salah satunya faktor-faktor yang terkait dengan volume konten yang dimiliki seorang pengguna kemudian diunggah.

Kepemimpinan masyarakat, tingkat partisipasi pengguna teratas di Indonesia komunitas online, terbukti berhubungan dengan normatif komitmen (Bateman et al. 2011). Normatif Komitmen dapat dipengaruhi oleh pertukaran sosial yang berulang di mana seseorang belajar tentang peserta komunitas lain nilai-nilai seperti kesetiaan (Wiener 1982), atau dapat berkembang kapan seseorang merasa berhutang budi kepada masyarakat karena manfaatnya ia menerima melebihi kontribusinya sendiri (Bateman et al. 2011). Sebuah studi tentang kepemimpinan dalam komunitas Wikipedia menunjukkan bahwa para pemimpin menggunakannya beberapa saluran wacana, memanfaatkan banyak fitur situs, untuk menyiarkan pesan mereka. Memang, tidak semua pengguna akan menjadi komunitas pemimpin, dan tidak semua orang akan terlibat dalam masyarakat. Proposisi nilai tergantung pada memiliki massa kritis pengguna melakukan tindakan kontribusi yang berbeda.

Menghubungkan Partisipasi ke Capture Nilai

dan Kesediaan untuk Membayar

Penangkapan nilai telah menjadi tantangan bagi pengusaha konten tradisional. Ketika penyedia konten pertama kali mengadopsi komputasi sosial fitur, mereka menggunakan iklan sebagai pendapatan dasar mereka. Model bisnis yang muncul memungkinkan untuk segmentasi tersebut adalah model freemium. Artinya model freemium harus ditunjukkan untuk pengguna dengan tingkat partisipasi yang lebih tinggi.

Pungguna yang menaiki tangga partisipasi bereksperimen dengan konten baru dan kegiatan sosial dimana mereka berinvestasi meningkatkan waktu dan upaya. Untuk mengharapkan partisipasi itu pengguna akan menjadi berkomitmen lebih cepat, berarti mereka membuat keputusan untuk berlangganan layanan premium lebih cepat.

Pengumpulan Data dan Persiapan

Sementara bisnis inti berpusat pada penyediaan kemampuan mendengarkan musik, last.fm juga memungkinkan pengguna untuk membuat halaman profil pribadi. Last.fm mengimplementasikan model bisnis freemium dengan menawarkan penggunanya dua tingkat keanggotaan. Yang pertama adalah pendaftaran reguler. Yang kedua adalah langganan berbayar.

Kami mengumpulkan data ini menggunakan dua web yang diprogram khusus penyerap. Satu penyerap web mengumpulkan informasi tentang acak sampel 150.000 pengguna last.fm. Sementara web crawler mengumpulkan informasi tentang pengguna berbayar baru pada saat mereka membeli langganan mereka.

Berbagai opsi komputasi sosial last.fm dapat diurutkan tangga partisipasi. Dalam konteks mendengarkan musik. Last.fm konsumsi konten diukur dengan jumlah total permainan atau dengan jumlah lagu harian rata-rata memainkan.

Tabel 4. Deskripsi Data
Jenis Data	Deskripsi
Informasi demografis	Umur, jenis kelamin, waktu sejak pendaftaran ke situs web
Informasi Konsumsi Musik	Jumlah lagu yang diputar, waktu sejak pemutaran terakhir.
Aktivitas Organisasi Konten	Jumlah lagu yang diberi tag, jumlah lagu yang ditandai sebagai nomor “Senang,”
	daftar putar dibuat
Kegiatan Partisipasi Masyarakat	Jumlah keanggotaan kelompok, jumlah kelompok yang dipimpin, jumlah pos ke grup dan forum resmi last.fm, jumlah entri blog
Teman	Jumlah teman nonsubscriber, jumlah pelanggan subscriber

			Pengguna Tidak Membayar				Subscriber
Jenis Keanggotaan		Mean		Median	variansi	Mean	Median	variansi
Konsumsi Konten	Lagu Dimainkan	17616		11,265	477,622.677	21,688	11,039	998,060.194
Organisasi Konten	Daftar putar dibuat	0.77		1	0.47	1.29	1	7.15
	Trek "Loved" diberi tag	65.97		11	41,872	210.34	83	314,062
	Tag dibuat	9		1	1,400.19	21.27	2	5,298.45
Teman-teman	Jumlah teman	14.56		9	640.923	21.19	10	1,196.87
Partisipasi	Pos yang dipublikasikan ke forum	9.12		0	7,596.37	27.31	0	75,401.53
Komunitas
	Grup bergabung	5.27		2	168.69	8.98	3	463.08
	Entri blog diterbitkan	0.42		0	2.24	0.89	0	5.62
Masyarakat	Kelompok yang dipimpin	0.07		0	0.165	0.17	0	0.452
Kepemimpinan
Demografi	Usia	23.08		21	39.15	29.43	27	88.41
	Usia	0.34		0	0.22	0.29	0	0.20
	Jenis Kelamin (0 = Pria, 1 =
	Penggunaan (Hari)	720.53		662.33	98,666.55	652.08	600	335,075.6

		Subscriber	Pengguna		U-test P	t-Test P
	Nama Variabel	Mean	Mean	Rasio	Value	Value
Konsumsi Konten	Jumlah memainkan lagu	21,689	17,617	1.23	0.427	0.00***
Organisasi Konten	Jumlah daftar putar	1.29	0.77	1.67	0.00***	0.00***
	Jumlah lagu yang disukai	210.34	65.97	3.18	0.00***	0.00***
	Jumlah tag yang dibuat	21.27	9	2.40	0.00***	0.00***
Teman-teman	Jumlah teman	21.19	14.56	1.45	0.00***	0.00***
Teman Pelanggan	Jumlah pelanggan subscriber	2.82	.42	6.71	0.00***	0.00***
Masyarakat	Jumlah keanggotaan grup	8.98	5.27	1.70	0.00***	0.00***
Partisipasi	Jumlah posting ke forum	27.31	9.12	2.99	0.00***	0.00***
	Jumlah entri blog	0.89	0.42	2.11	0.00***	0.00***
Kepemimpinan Komunitas	Jumlah grup yang dipimpin	0.17	0.07	2.42	0.00***	0.00***
Demografi	Usia pengguna	29.43	23.08	1.27	0.00***	0.00***
	Hari sejak bergabung dengan situs web	652.08	720.53	1.10	0.00***	0.00***

Metodologi dan Hasil

U _i ( Subscribe )  α₀  α₁ContentConsumption_i

J

+  β_ij ContentOrganization_i   α₂ FriendsCount_i

j1

K

+ α ₃ SubscriberFriendsCount _i   γ _ik CommunityParticipation_i

k 1

L

 α ₄ CommunityLeadership_i   δ _il Demographics_i  ε _i   V_iε_i

l1

Tabel 7. Matriks Korelasi

Jenis kelamin

Usia

Hari

num dari teman-teman

jumlah sub teman-teman

Lagu dimainkan

Lagu dibuat

Mencintai tracks diberi tag

Kiriman forum diterbitkan

Grup bergabung

Grup yang dipimpin

Entri blog ditulis

Tag dibuat

pelanggan

Jenis kelamin

1.000

Usia

-.186**

1.000

Hari

-.063**

-.022*

1.000

Num. dari

.062**

-.063**

.172**

1.000

Teman-teman

Jumlah Sub.

.021*

.149**

.097**

.717**

1.000

Teman-teman

Lagu Dimainkan

-.080***

-.059**

.367**

.343**

.245**

1.000

Lagu

.003*

.139**

-.034**

.146**

.238**

.079**

1.000

Dibuat

Mencintai Tracks

-.008

.115**

.047**

.208**

.284**

.179**

.350**

1.000

Diberi tag

Kiriman Forum

-.009

.019*

.063**

.134**

.155**

.161**

.009**

.091**

1.000

Diterbitkan

Grup Bergabung

-.028**

-.043**

.126**

.373**

.312**

.242**

.065**

.165**

.148**

1.000

Grup yang Dipimpin

-.044**

-.014

.127**

.236**

.185**

.189**

.021**

.067**

.122**

.376**

1.000

Entri Blog

-.002**

.028**

.173**

.293**

.263**

.251**

.063**

.130**

.144**

.267**

.251**

1.000

Tertulis

Tag Dibuat

-.035**

.066**

.078**

.172**

.178**

.159**

.110**

.216**

.101**

.221**

.161**

.204**

1.000

Pelanggan

-.051**

.363**

-.074**

.121**

.327**

.068**

.144**

.186**

.055**

.112**

.088**

.124**

.122**

1.000

Konsumsi konten diperkirakan menggunakan jumlah total pemutaran lagu yang didengarkan pengguna. FriendsCount adalah jumlah teman yang terdaftar di halaman pribadi pengguna, dan subscriberFriendsCount adalah jumlah teman yang terdaftar di halaman pribadi pengguna yang menjadi pelanggan sebelum keputusan pengguna fokus.

_{Pri  }  ^exp(Vi ⁾

1  exp(V_i )

Memperkirakan model ini memberi kami dua tantangan ekonometr: pertama, kami membutuhkan kontrol untuk peningkatan pengguna situs karena keputusan berlangganan yang sebenarnya. Kedua, ketika kami melihat bahwa pelanggan hanya membuat 0,89% dari populasi situs.

Untuk tujuan ini kami menggunakan kumpulan dari 3,437 pelanggan baru dan 9,537 pengguna yang tidak membayar. Namun menggunakan samp-ling berbasis pilihan mengarah ke estimasi intercept tidak konsisten ketika metode memungkinkan maksimum tradisional yang digunakan. Dua solusi alternatif telah disarankan dalam literatur manski dan lerman. Dari perkiraan maksimum eksogen intercept, dimana Si adalah presentase pengamatan untuk alternatif i dalam sampel, dan Pi adalah presentase pengamatan untuk alternatif i dalam populasi.

Hasil Estimasi

Jumlah aktivitas komunitas yang berbeda, jumlah aktivitas organisasi konten, dan tingkat konsumsi konten sangat terkait erat dengan kemungkinan berlangganan, mendukung H1.

·         Partisipasi Komunitas = Bergabung dengan grup, memimpin grup, dan memposting entri blog masing-masing terkait dengan peningkatan peluang yang signifikan dalam berlangganan layanan premium.

·         Kepemimpinan Komunitas = Kepemimpinan grup memiliki hubungan yang lebih kuat dengan keputusan berlangganan daripada keanggotaan grup.

·         Organisasi Konten = Kami juga menemukan bahwa aktivitas konten-organisasi, termasuk menandai trek sebagai daftar putar yang dicintai dan dibuat, berkorelasi positif dengan perilaku berlangganan

·         Konsumsi Konten = Seperti yang diharapkan, konsumsi konten memiliki hubungan positif dengan keputusan berlangganan, mendukung H1. Menariknya, konsumsi konten terkait dengan efek yang relatif rendah pada keputusan berlangganan dan tidak signifikan di semua model.

·         Pengaruh Sosial = Seperti yang diharapkan, kami juga menemukan bahwa jumlah pelanggan subscriber yang terdaftar di halaman pengguna dikaitkan dengan pengaruh positif yang kuat pada kecenderungan pengguna untuk membayar layanan premium (Bapna dan Umyarov 2012).

·         Demografi = Usia pengguna terkait secara positif dengan kemungkinan berlangganan, tetapi jenis kelamin tidak memiliki efek yang signifikan.

Tabel 8. Model Regresi Logistik Biner untuk Keputusan Berlangganan

	Konten Konsumsi	+ Konten Organisasi	+ Teman	+ Pelanggan Teman-teman	+ Komunitas Partisipasi & Kepemimpinan	+ Penggunaan & Demografi
	A	B	C	D	E	F
	B (S.E)	B (S.E)	B (S.E)	B (S.E)	B (S.E)	B (S.E)
	EXP(B)	EXP(B)	EXP(B)	EXP(B)	EXP(B)	EXP(B)
Jumlah lagu yang diputar (dalam ribuan)	.005*** (.001)	.002*** (.001)	.000 (.001)	.000 (.001)	.000 (.001)	.007*** (.001)
	1.005	1.002	1.000	1.000	.999	1.007
Jumlah daftar putar	--	.323*** (.024)	.320** (.025)	.250*** (.026)	.249*** (.026)	.169*** (.026)
	--	1.381	1.377	1.284	1.282	1.184
Jumlah yang dicintai trek	--	.002*** (.000)	.002*** (.000)	.001*** (.000)	.001*** (.000)	.001*** (.000)
	--	1.002	1.002	1.001	1.001	1.001
Jumlah tag	--	.003*** (.001)	.002*** (.001)	.002*** (.001)	.002*** (.001)	.001*** (.001)
	--	1.003	1.002	1.002	1.002	1.001
Jumlah teman	--	--	.006*** (.001)	-.062*** (.002)	-.064*** (.003)	-.047*** (.003)
	--	--	1.006	.940	.938	.954
Jumlah pelanggan teman-teman	--	--	--	.908*** (.026)	.905*** (.026)	.784*** (.027)
	--	--	--	2.480	2.472	2.375
Jumlah grup keanggotaan	--	--	--	--	.004** (.002)	.007** (.002)
	--	--	--	--	1.004	1.007
Jumlah kelompok yang dipimpin	--	--	--	--	.184*** (.058)	.204*** (.059)
	--	--	--	--	1.201	1.226
Jumlah entri blog	--	--	--	--	.038** (0.15)	.049*** (.015)
	--	--	--	--	1.039	1.051
Jumlah posting ke Forum	--	--	--	--	.000 (.000)	.000 (.000)
	--	--	--	--	1.000	1.000
Usia	--	--	--	--	--	.082*** (.003)
	--	--	--	--	--	1.086
Jenis kelamin Hari	--	--	--	--	--	-.079 (.055)
	--	--	--	--	--	924
	--	--	--	--	--	-.001*** (.000)
	--	--	--	--	--	.999
Konstan	-1.122 *** (0.25)	-.1.600*** (.035)	-1.651*** (.036)	-1.411*** (.039)	-1.410*** (.039)	-2.956*** (.109)
Revisi Konstan						-6.355
Log Likelihood	15,025.902	14,096.893	14,053.363	11,755.238	11,728.094	10,812.496
Cox & Snell R-Square	.004	.073	.076	.226	.227	.280
Nagelkerke R-Square	.006	.103	.111	.339	.332	.408

·         Pengamatan: 13,004. ** Signifikan pada tingkat 0,05. *** Signifikan pada level 0,01.

Pengaruh Partisipasi Masyarakat pada

Waktu hingga Berlangganan

Kami menemukan bahwa pelanggan membuat keputusan berlangganan mereka setelah menggunakan situs ini selama 652 hari rata-rata. Ini menunjukkan bahwa keputusan berlangganan yang khas dibuat oleh pengguna yang sangat mengenal situs web dan fitur-fiturnya.

Berikut ini, kami menyelidiki efek dari konsumsi konten, organisasi konten, dan aktivitas komunitas pada kemungkinan konsumen untuk membeli langganan berbayar. Oleh karena itu kami memperkirakan model bahaya (survival), menggunakan persamaan berikut:

Gambar 2. Tingkat konsumsi konten dan penggunaan fitur komputasi social dari waktu kewaktu.

		J	
	 α 0  α 1 ContentConsumptioni    βij ContentOrganizationi		
		j1	
		 α 2 FriendsCount i   α3 SubscriberFriendsCounti	
H i ( t) 			
	exp	K	
	   γ ik CommunityParticipation  α4 CommunityLeadershipi 
		k 1	
		L	
	   δil Demographicsi		
		l 1	

Model ini memungkinkan kita untuk mempelajari bagaimana berbagai kovariat terkait dengan "bahaya" (dalam hal ini, bahaya positif dalam bentuk keputusan berlangganan).

Hasil penelitian menunjukkan bahwa aktivitas komunitas dan variabel aktivitas organi-zation konten masing-masing berhubungan positif dengan tingkat bahaya. Artinya, pengguna yang lebih aktif di komunitas atau yang aktif mengatur konten akan membuat keputusan berlangganan lebih cepat daripada pengguna yang kurang aktif atau tidak aktif sama sekali (mendukung H3).

Hasil ini memberikan dimensi lain pada hasil kami yang dilaporkan sebelumnya: tidak hanya aktivitas komunitas yang terkait dengan keinginan yang lebih besar untuk membayar langganan premium, ini juga terkait dengan jangka waktu yang lebih pendek antara bergabung dengan situs web dan berlangganan.

Hasilnya sangat mirip, baik dalam tanda dan besarnya. Perhatikan bahwa ketika model freemium menjadi lebih umum di industri konten, konsumen dapat menjadi lebih mudah menerima pembayaran, dan jangka waktu berlangganan menjadi lebih pendek.

Pencocokan Skor Propensitas

Meskipun analisis ekonometrik sebelumnya memberikan dukungan untuk hubungan positif dan signifikan secara statistik antara aktivitas komunitas online dan kecenderungan untuk membeli langganan layanan premium, sifat data observasi menimbulkan kekhawatiran tentang interpretasi kausal temuan kami.

Sangat mudah untuk memikirkan variabel yang dapat memengaruhi tingkat aktivitas komunitas pengguna dan sekaligus meningkatkan kecenderungan mereka untuk membayar layanan premium, sehingga menciptakan bias seleksi mandiri.

Tabel 9. Cox Regression Model untuk Berlangganan Keputusan

						Hazard
		B	S.E.	Wald	df	Exp(B)
Konsumsi Konten	Jumlah memainkan lagu (Dalam ribuan)	-.007***	.001	106.492	1	.993
Organisasi Konten	Jumlah daftar putar	.027***	.005	38.712	1	1.027
	Jumlah lagu yang Dicintai	.000***	.000	21.396	1	1.000
	Jumlah tag yang dibuat	.000	.000	.412	1	1.000
Teman-teman	Jumlah teman	-.013***	.001	143.943	1	.987
Teman Pelanggan	Jumlah sub. teman-teman	.116***	.005	466.304	1	1.123
Partisipasi komunitas	Grup bergabung	.002***	.001	7.134	1	1.002
	Kelompok yang dipimpin	.051**	.023	5.605	1	1.053
	Entri blog diterbitkan	.017	.008	2.311	1	1.018
	Postingan diterbitkan	.000	.000	.002	1	1.000
Demografi	Usia	.060***	.002	1211.184	1	1.062
	Jenis kelamin	.169	.039	18.852	1	1.184

Solusi untuk bias seleksi mandiri adalah menggunakan pendekatan hasil proporsional. Pemilihan bias karena korelasi antara karakteristik yang diamati dari pengguna dan tingkat aktivitas sosial pengguna (tingkat perawatannya) dapat diatasi dengan menggunakan teknik pencocokan berdasarkan skor kecenderungan (Rosenbaum dan Rubin 1983; untuk penggunaan skor kecenderungan baru-baru ini di konteks pemasaran, lihat Aral et al. 2009; Mithas dan Krishnan 2009).

Secara matematis, biarkan yi, 1 menunjukkan hasil observasi i, jika perawatan terjadi (diberikan oleh Ti = 1), dan yi, 0 menunjukkan hasilnya jika perawatan tidak terjadi (Ti = 0). Jika kedua negara di dunia diamati, efek pengobatan rata-rata, τ, akan sama dengan y1 - y 0, di mana y1 dan y0 mewakili mean yang keluar untuk kelompok perlakuan dan kelompok kontrol, masing-masing. Namun, mengingat bahwa hanya y1 atau y0 yang diamati untuk setiap observasi, kecuali tugas ke dalam kelompok perlakuan acak, umumnya, τ ... y1 - y0.

Kecocokan skor kecenderungan yang cocok untuk mengatasi masalah ini dengan mencari vektor kovariat, Z, sehingga (y1, y 0) z T | Z, pr (T = 1 | Z) 0 (0, 1), di mana z menunjukkan independensi. Itu adalah, penugasan perawatan tidak bergantung pada hasil tergantung pada serangkaian atribut Z. Selain itu, jika seseorang tertarik dalam memperkirakan efek pengobatan rata-rata, hanya

kondisi yang lebih lemah, E [y0 | T = 1, Z] = E [y0 | T = 0, Z] = EE [y0 | Z], pr (T = 1 | Z) 0 (0, 1), diperlukan.

kami mengelompokkan partisipasi pengguna dalam kegiatan komunitas ke dalam empat perawatan biner yang berbeda dan mengulangi latihan berikut untuk setiap perlakuan secara terpisah:

• GroupLead, yang sama dengan satu jika pengguna pernah memimpin grup

• BlogEntry, yang sama dengan satu jika pengguna pernah memposting entri ke blog

• GroupMember, yang sama dengan satu jika pengguna pernah bergabung dengan grup

• ForumPost, yang sama dengan satu jika pengguna pernah memposting entri ke halaman forum

Dalam konteks kami, kami dapat mengidentifikasi sejumlah variabel yang diamati yang mungkin mempengaruhi kecenderungan konsumen untuk terlibat dalam aktivitas sosial dan harus, oleh karena itu, dimasukkan dalam kovariat di Z. Akibatnya, kita harus mencocokkan pengamatan yang memiliki nilai iden-tical untuk semua variabel yang termasuk dalam Z. Misalnya, dalam kasus perlakuan GroupLead, kita harus mencocokkan konsumen pria 22 tahun yang mendengarkan 1.000 lagu, telah menggunakan Last.fm selama setahun, dan adalah pemimpin grup, dengan pria 22 tahun lainnya yang mendengarkan 1.000 lagu dan telah menggunakan Last.fm selama setahun, tetapi yang bukan pemimpin grup. Karena pencocokan tepat sering tidak dapat dipertahankan, Rosen-baum dan Rubin (1983) membuktikan bahwa pengkondisian pada p (Z) setara dengan pengkondisian pada Z, di mana p (Z) = pr (T = 1 | Z) adalah skor kecenderungan.

Setelah memperkirakan skor kecenderungan, pencocokan algo-rithm didefinisikan untuk mencocokkan kasus yang diobati dan yang tidak diobati. Kami menggunakan teknik pencocokan pendahulunya sesuai kernel (Heckman 1997) . skor kecenderungan yang berbeda untuk setiap perlakuan yang termasuk dalam variabel CommunityActivity (yaitu, memposting ke forum, keanggotaan grup, dan entri blog), dan pengguna kemudian dicocokkan berdasarkan beberapa skor ini.

Hasil perbandingan kami untuk masing-masing perlakuan disajikan pada Tabel 10. Kolom A pada Tabel 10 sesuai dengan kasus di mana perawatan didefinisikan sebagai GroupMember.

	A	B	C	D	E	F
					Community	Community
Treatment	Group	Group	Blog	Forum	Activity	Activity
	Membership	Leadership	Entries	Postings	(Heckman)	(Mahalanobis)
Number of matched cases	29,941	2,423	6,097	16,375	30,882	30,882
Percentage of subscribers among	8.5%	15.2%	12.5%	10.0%	8.4%	8.4%
treated cases
Percentage of subscriptions among	6.9%	98.%	9.8%	7.0%	7.0%	6.2%
nontreated cases
Diff Mean	1.6%	5.4%	2.6%	3.0%	1.4%	2.2%
t-test (Diff Mean > 0)	7.38***	5.78***	4.78***	9.83***	6.61***	11.07***
Diff Mean (Std. Err.)	.002	.009	.005	.003	.001	.001
Std. Dev.	.37	.45	.43	.39	.25	.35
Rosenbaum upper bounds significant	1.5	1.7	1.5	1.8	1.5
for Gamma (Γ)

Analisis Sensitivitas Batas Rosenbaum

Kami selanjutnya melakukan analisis sensitivitas dengan memperkirakan batas Rosenbaum (Rosenbaum 2002), yang mengukur seberapa kuat tidak teramati harus mempengaruhi proses seleksi untuk benar-benar membatalkan efek kausal yang diidentifikasi dalam analisis kecocokan kecenderungan (untuk aplikasi terbaru dari metode ini, lihat Sen et al. 2012; Sun dan Zhu 2010).

1		p	/ (1 −  p )
	≤	i	i	≤	Γ
Γ		p j	/ (1 −  p j )

di mana Γ $ 1. Γ mengukur tingkat efek pilihan dari faktor yang tidak dapat diamati. Ketika Γ = 1, pengguna dengan skor pro-rawat yang sama memiliki kemungkinan yang sama untuk berlangganan, dan tidak ada efek seleksi yang tidak teramati. Ketika Γ> 1, tidak dapat diobservasi menyebabkan rasio odds dari penugasan perawatan berbeda antara kelompok perlakuan dan kontrol. Metode ini didasarkan pada intuisi bahwa Γ harus mendekati 1 jika tidak teramati tidak memainkan peran penting dalam seleksi. Statistik uji dikembangkan untuk menunjukkan seberapa jauh Γ harus dari 1 agar tidak teramati untuk membatalkan efek pengobatan. Hal ini, tentu saja, tergantung pada konteks penelitian — jika Rosenbaum yang terikat untuk seleksi yang tidak teramati (Γ) tampak terlalu besar untuk menjadi kenyataan dalam kenyataan dalam konteks tertentu, seorang peneliti dapat menyimpulkan bahwa hasil kualitatif dari kecocokan kecenderungan tetap berlaku.

Diskusi

Kami memperluas hasil kami dalam dua arah. Pertama, kami menggunakan model bahaya untuk mempelajari pengaruh aktivitas komunitas pada waktu antara bergabung dengan situs web dan keputusan berlangganan.

Kedua, kami memperluas hasil kami dengan menggunakan kecocokan skor kecenderungan, metode memperkirakan efek pengobatan dari data non-eksperimental. Penelitian sebelumnya tentang kesediaan untuk membayar telah menggunakan survei atau wawancara untuk menilai niat pembelian (Riggins 2003; Srinivasan et al. 2002; Ye et al. 2004).

Kami menunjukkan bahwa kontribusi konten kepada komunitas meningkatkan keinginan para kontributor untuk membayar layanan pra-mium. Ini memberikan bukti pertama mengenai efek kausal dari aktivitas komunitas pada kesediaan konsumen untuk membayar.

Implikasi untuk Strategi Bisnis Digital

Studi ini mengusulkan perspektif baru tentang strategi bisnis digital untuk industri konten di zaman sosial sosial. Proses transisi sebelumnya dari digitasi konten dan pengaktifan jaring menyebabkan industri konten berpindah dari platform offline ke online, di mana penyedia konten sekarang melakukan sebagian besar bisnis mereka.

Namun, strategi bisnis digital perusahaan harus selaras dengan nilai-nilai inti dan identitas perusahaan. Ini berarti bahwa penawaran sosial itu sendiri harus mempertimbangkan karakteristik basis pengguna, atribut dan jenis konten yang ditawarkan oleh penyedia tertentu, serta etika dan nilai-nilai penyedia. Misalnya, situs web musik yang berfokus pada musik kon-temporer mungkin memilih untuk menerapkan pengalaman sosial yang mendorong berbagi dan penemuan musik baru sambil membantu pengguna mengekspresikan identitas unik mereka. Oleh karena itu, strategi bisnis digital penyedia konten harus menyelaraskan insentif bagi pengguna untuk naik ke atas tangga tangga partisipasi dan, secara paralel, menggunakan tangga partisipasi yang sama sebagai mekanisme segmentasi untuk memanfaatkan tingkat partisipasi yang berbeda.

Implikasi Manajerial

Penelitian ini mendukung gagasan bahwa situs web yang hanya menawarkan konten dan tidak mendukung aktivitas komunitas tidak cukup untuk melibatkan konsumen dan memotivasi mereka untuk membayar langganan. Namun, menambahkan komponen sosial hanya sebagai pengaya tidak selalu menghasilkan laba juga. Penelitian kami menunjukkan bahwa penyedia konten tidak boleh bertanya pada diri sendiri “Bagaimana saya akan membuat pengguna saya membayar?” Tetapi “Bagaimana saya akan membuat pengguna saya berpartisipasi lebih banyak?” Solusi untuk pertanyaan ini dapat meningkatkan tingkat konversi gratis-ke-biaya.

Meskipun Last.fm adalah contoh yang baik untuk memasukkan fitur sosial sebagai bagian inheren dari pengalaman situs web, tampaknya situs web belum sepenuhnya memanfaatkannya. Pertama, sepengetahuan kami, Last.fm melakukan sedikit inisiatif untuk mendorong pengguna untuk menaiki tangga partisipasi.

Kedua, sementara hasil kami menunjukkan hubungan yang jelas antara perilaku sosial dan kemauan membayar, Last.fm dan situs web freemium lainnya saat ini memilih untuk tidak mendasarkan penawaran premium pada “tunjangan sosial.” Mengubah manfaat pelanggan premium untuk mencerminkan sifat sosialnya dapat meningkatkan tingkat konversi.

Penting untuk dicatat bahwa strategi mempromosikan partisipasi komunitas kemungkinan akan bekerja paling baik di situs konten yang mencapai pembaca yang tinggi, seperti situs web berita atau musik utama yang sukses yang melayani berbagai pengguna. Ini benar karena dua alasan. Yang pertama adalah bahwa situs-situs tersebut memiliki sejumlah besar pengguna yang mulai pada tahap pertama partisipasi. Bahkan jika hanya sebagian kecil dari pengguna ini berkembang menjadi sangat terlibat dan akhirnya menyumbangkan pembayaran ke situs, mereka mungkin masih merupakan populasi besar yang dapat menguntungkan pendapatan keseluruhan situs. Kedua, situs web yang menerapkan fitur komputasi sosial juga rentan terhadap eksternalitas pekerjaan-bersih, dan dengan demikian nilai konsumen sangat dipengaruhi oleh perilaku sesama konsumen.

Keterbatasan dan Pekerjaan Masa Depan

Karena tidak ada pengganti yang sempurna untuk konten asli dan unik, beberapa orang mungkin berpendapat bahwa kemauan konsumen untuk membayar konten tersebut akan lebih tinggi, dan oleh karena itu pembuat konten tidak perlu menambahkan fitur komunitas ke situs web mereka.

Selain itu, kami berfokus pada situs web konten kepemilikan. Meskipun mungkin temuan kami dapat diperluas ke situs web yang menawarkan konten buatan pengguna juga, kami tidak memiliki data di situs web tersebut.
Kami juga fokus pada komunitas di tempat. Namun, kami tidak memiliki data di situs yang menerapkan tangga partisipasi mereka menggunakan komunitas eksternal seperti Facebook. Ada kemungkinan bahwa situs web tersebut masih dapat menangkap nilai dari komitmen pengguna. Ekstensi tersebut akan berfungsi sebagai petunjuk menarik untuk pekerjaan di masa depan.

Ucapan terima kasih

Kami berterima kasih kepada Ravi Bapna, Jacob Goldenberg, Vijay Gurbaxani, Arun Sundararajan, dan Barak Libai, dan peserta seminar di University of California, Irvine; Universitas New York; Universitas Indiana; Konferensi Internasional tentang Sistem Informasi; Konferensi Sains Pemasaran; dan Lokakarya Informasi dalam Jaringan untuk umpan balik mereka. Kami juga ingin mengucapkan terima kasih kepada Oren Ziv karena telah memperkenalkan kami kepada Last.fm. Dukungan keuangan dari Google Inter-University Center untuk Pasar Elektronik dan Auctions, dukungan dari Henry Crown Institute of Business Research dan dana Rothschild-Caesarea sangat disyukuri.

Referensi

Adams, P. 2011. Grouped: How Small Groups of Friends are the Key to Influence on the Social Web, Berkeley, CA: New Riders Press.

Anderson, C.  2009.  Free:  The Future of a Radical Price, New

York,: Hyperion.

Aral, S., Muchnick, L., and Sundararajan, A. 2009. “Distinguishing Influence-Based Contagion from Homophily-Driven Diffusion in Dynamic Networks,” Proceedings of the National Academy of Sciences of the United States of America (106:51), pp. 21544-21549.

Asvanund, A., Clay, K., Krishnan, R., and Smith, M. D. 2004. “An Empirical Analysis of Network Externalities in Peer-to-Peer Music Sharing Networks,” Information Systems Research (15:2), pp. 155-174.

Banker, R. D., Bardhan, I. R., Chang, H., and Lin, S. 2006. “Plant Information Systems, Manufacturing Capabilities, and Plant Performance,” MIS Quarterly (30:2), pp. 315-338.

Bateman, P. J., Gray, P. H., and Butler, B. S. 2011. “The Impact of Community Commitment on Participation in Online Commu-nities,” Information Systems Research (22:4), pp. 841-854.

Bapna, R., amd Umyarov, A. 2012. “Are Paid Subscriptions on Music Social Networks Contagious? A Randomized Field Experiment,” SOBACO Working Paper, Carlson School of Management, University of Minnesota, Minneapolis, MN.

Beatty, S. E., and Kahle, L. R. 1988. “Alternative Hierarchies of the Attitude–Behavior Relationship: The Impact of Brand Commitment and Habit,” Journal of the Academy of Marketing Science (16:2), pp. 1-10.

Ben-Akiva, M., and Lerman, S. R. 1985. Discrete Choice Models, Cambridge, MA: MIT Press.

Bhattacharjee, S., Gopal, R. D., Lertwachara, K., Marsden, J. R., and Telang, R. 2007. “The Effect of Digital Sharing Tech-nologies on Music Markets: A Survival Analysis of Albums on Ranking Charts,” Management Science (53:9), pp. 1359-1374.

Bhattacharjee, S., Gopal, R. D., and Sanders, G. L. 2003. “Digital Music And Online Sharing: Software Piracy 2.0?,” Communi-cations of the ACM (46:7), pp. 107-111.

Brynjolfsson, E., Hu, Y., and Smith, M. D. 2003. “Consumer Surplus in the Digital Economy: Estimating the Value of Increased Product Variety at Online Booksellers,” Management Science (49:11), pp. 1580-1596.

Burke, M., Marlow, C., and Lento, T. 2009. “Feed Me: Motivating Newcomer Contribution in Social Network Sites,” in Pro-ceedings of the 27^th Annual SIGCHI Conference on Human Factors in Computing Systems, Boston, April 4-9.

Cassell, J., Huffaker, D., Tversky, D., and Ferriman, K. 2006. “The Language of Online Leadership: Gender and Young Engagement on the Internet,” Developmental Psychology (22), pp. 436-449.

Choi, J., Lee, S. M., and Soriano, D. R. 2009. “An Empirical Study of User Acceptance of Fee-Based Online Content,” Journal of Computer Information Systems (49:3), pp. 60-70.

Clemons, E. K. 2009. “The Complex Problem of Monetizing Virtual Electronic Social Networks,” Decision Support Systems (48:1), pp. 46-56.

Cook, J., and Wall, T. 1980. “New Work Attitude Measures of Trust, Organizational Commitment and Personal Need Non- Fulfillment,” Journal of Occupational Psychology (53:1), pp.

39-52.

Cummings, J., Butler, B., and Kraut, R. 2002. “The Quality of Online Social Relationships,” Communications of the ACM (45:7), pp. 103-108.

Dick, A. S., and Basu, K. 1994. “Customer Loyalty: Toward an Integrated Conceptual Framework,” Journal of the Academy of Marketing Science (22:1), pp. 99-113.

DiPrete, T. A., and Gangl, M. 2004. “Assessing Bias in the Estima-tion of Causal Effects: Rosenbaum Bounds on Matching Estimators and Instrumental Variables Estimation with Imperfect Instruments,” Sociological Methodology (24), pp. 271-310.

Doerr, J., Benlian, A., Vetter, J., and Hess, T. 2010. “Pricing of Content Services: An Empirical Investigation of Music as a Service,” Sustainable e-Business Management (58), pp. 13-24.

Dyson, E. E. 1995. “Intellectual Value,” Wired Magazine, July (http://www.wired.com/wired/archive/3.07/dyson.html).

Eisenberger, R., Fasolo, P., and Davis -LaMastro, V. 1990. “Per-ceived Organizational Support and Employee Diligence, Com-mitment, and Innovation,” Journal of Applied Psychology (75), pp. 51-59.

El Sawy, O. A. 2003. “The 3 Faces of Information Systems Identity: Connection, Immersion and Fusion,” Communications of the AIS (12), pp. 588-598.

Fitzsimons, G. J., and Lehmann, D. R. 2004. “Reactance to Recommendations: When Unsolicited Advice Yields Contrary Responses,” Marketing Science (23:1), pp.1-16.

Fornell, C. 1992. “A National Customer Satisfaction Barometer:

The Swedish Experience,” Journal of Marketing (56), pp. 6-21.

Forte, A., and Bruckman, A. 2008. “Why Do People Write for Wikipedia? Incentives to Contribute to Open- Content Pub-lishing,” in Proceedings of 41^st Annual Hawaii International Conference on System Sciences, Los Alamitos, CA: IEEE Computer Society Press.

Fullerton, G. 2003. “When Does Commitment Lead to Loyalty?,” Journal of Service Research (5:4), pp. 333-344.

Fullerton, G. 2005. “The Service Quality–Loyalty Relationship in Retail Services: Does Commitment Matter?,” Journal of Retailing and Consumer Services (12:2), pp. 99-111.

Godes, D., and Mayzlin, D. 2004. “Using Online Conversations to Study Word of Mouth Communication,” Marketing Science (23:4), pp. 545-560.

Gopal, R. D., Sanders, G. L., Bhattacharjee, S., Agrawal, M. K., and Wagner, S. C. 2004. “A Behavioral Model of Digital Music Piracy, Journal of Organizational Computing and Electronic Commerce,” Journal of Organizational Computing and Electronic Commerce (14:2), pp. 89-105

Greene, W. H. 2000. Econometric Analysis (4^th ed.), Upper Saddle River, NJ: Prentice Hall.

Heckman, J. J. 1997. “Instrumental Variables: A Study of Implicit Behavioral Assumptions Used in Making Program Evaluations,” Journal of Human Resources (32:3), pp. 441-462.

Henderson, J. C., and Venkatraman, N. 1993. “Strategic Align-ment: Leveraging Information Technology for Transforming Organizations,” IBM Systems Journal (32:1), pp. 4-16.

Huang, J., and Chen, Y. 2006. “Herding in Online Product Choice,” Psychology and Marketing (23:5), pp. 413-428.

Huberman, B. A., Romero, D. M., and Wu, F. 2009. “Crowd-sourcing, Attention and Productivity,” Journal of Information Science (35:6), pp. 758-765.

Hung, J. 2010. “Economic Essentials of Online Publishing with Associated Trends and Patterns,” Publishing Research Quarterly (26:2), pp. 79-95.

Jain, S. 2008. “Digital Piracy: A Competitive Analysis,” Mar-keting Science (27:4), pp. 610-626.

Joyce, E., and Kraut, R. E. 2006. “Predicting Continued Parti-cipation in Newsgroups,” Journal of Computer-Mediated Com-munication (11:3), pp. 723-747.

Kim, A. J. 2000. Community Building on the Web, Berkeley, CA:

Peachpit Press.

Lampe, C., and Johnston, E. 2005. “Follow the (Slash) Dot: Effects of Feedback on New Members in an Online Community,” in Proceedings of the 2005 International ACM Conference on Supporting Group Work, New York: ACM Press, pp. 11-20.

Lave, J., and Wenger, E. 1991. Situated Learning: Legitimate Peripheral Participation, Cambridge, UK: Cambridge Univer-sity Press.

Li, C., and Bernoff, J. 2008. Groundswell: Winning in a World Transformed by Social Technologies, Boston, MA: Harvard Business Review.

Lu, Y., and Ramamurthy, K. 2011. “Understanding the Link Between Information Technology Capability and Organizational Agility: An Empirical Examination,” MIS Quarterly (35:4), pp. 931-954.

Mann, H. B., and Whitney, D. R. 1947. “On a Test of whether One of Two Random Variables Is Stochastically Larger than the Other,” Annals of Mathematical Statistics (18), pp. 50-60.

Manski, C., and Lerman, L. 1977. “The Estimation of Choice Probabilities from Choice-Based Samples,” Econometrica (45:8), pp. 1977-1988.

Meyer, J. P., and Allen, N. J. 1991. ”A Three-Component Conceptualization of Organizational Commitment,” Human Resource Management Review (1:1), pp. 61-89.

Mithas, S., and Krishnan, M. S. 2009. “From Association to Causation via a Potential Outcomes Approach,” Information Systems Research (20:2), pp. 295-313.

Neuberger, C., and Nuernbergk, C. 2010. “Competition, Comple-mentarity or Integration?,” Journalism Practice (4:3), pp. 319-332.

Nielsen. 2010. “Changing Models: A Global Perspective for Paying for Content Online” (http://in.nielsen.com/site/documents/ PaymentforOnlineContent.pdf).

Nielsen. 2012. “Nielsen SoundScan Website” (http://nielsen.com/ us/en/industries/media-entertainment.html).

Nonnecke, B., and Preece, J. 2000. “Lurker Demographics: Counting the Silent,” in Proceedings of Annual ACM Conference on Human Factors in Computing Systems, New York, NY: ACM Press, pp. 73-80.

O’Reilly, T. 2005. “What is Web 2.0: Design Patterns and Busi-ness Models for the Next Generation of Software” (http://www. reillynet.com/pub/a/oreilly/tim/news/2005/09/30/ what-is-web-20.html).

Parameswaran, M., and Whinston, A. B. 2007. “Research Issues in Social Computing,” Journal of the Association for Information Systems (8:6), pp. 336-350.

Pauwels, K., and Weiss, A. 2008. “Moving from Free to Fee: How Online Firms Market to Change Their Business Model Success-fully,” Journal of Marketing (72:3), pp. 14-31.

Pew Research Center. 2010. “Understanding the Participatory News Consumer,” (http://pewresearch.org/pubs/1508/internet-cell-phone-users-news-social-experience).

Picard, R. G. 2000. “Changing Business Models of Online Content Services—Their Implications for Multimedia and Other Content Producers,” International Journal on Media Management (2:2), pp. 60-68.

Posner, R. A. 2005. “Bad News,” New York Times, July 31 (http:// www.nytimes.com/2005/07/31/books/review/31POSNER.html ?pagewanted=print).

Preece, J., and Schneiderman, B. 2009. “The Reader-to-Leader Framework: Motivating Technology-Meditated Social Parti-cipation,” AIS Transactions on Human–Computer Interaction (1:1), pp. 13-32.

Pritchard, M. P., and Howard, D. R. 1997. “The Loyal Traveler: Examining a Typology of Service Patronage,” Journal of Travel Research (35:4), pp. 2-10.

Raju, J., Srinivasan, S. V., and Lal, R. 1990. “The Effects of Brand Loyalty on Competitive Price Promotional Strategies,” Manage-ment Science (36:3), pp. 276-304.

Riggins, F. J. 2003. “Market Segmentation and Information Development Costs in a Two-Tiered Fee-Based and Sponsorship-Based Web Site,” Journal of Management Information Systems (19:3), pp. 69-81.

Rob, R., and Waldfogel, J. 2006. “Piracy on the High C’s: Music Downloading, Sales Displacement, and Social Welfare in a Sample of College Students,” Journal of Law and Economics (49:1), pp. 29-62.

Rosenbaum, P. R. 2002. Design of Observational Studies, New York: Springer.

Rosenbaum P. R., and Rubin, D. B. 1983. “The Central Role of the Propensity Score in Observational Studies for Causal Effects,” Biometrika (70:1), pp. 41-55.

Rubin, D. B. 1980. “Bias Reduction Using Mahalanobis-Metric Matching,” Biometrics (36), pp. 293-298.

Sambamurthy, V., Bharadwaj, A., and Grover, V. 2003. “Shaping Agility through Digital Options: Reconceptualizaing the Role of Information Technology in Contemporary Firms,” MIS Quarterly (27:2), pp. 237-263.

Sen, B., Shin, J., and Sudhir, K. 2011. “Demand Externalities from Co-Location: Evidence from a Natural Experiment,” Working Paper, Yale University, New Haven, CT.

Shankar, V., Rangaswamy, A., and Pusateri, M. 1999. “The Online Medium and Customer Price Sensitivity,” eBusiness Research Center Working Paper 04-1999, Pennylvania State University, College Park, PA.

Srinivasan, S. S., Anderson, R., and Ponnavolu, K. 2002. “Cus-tomer Loyalty in E-commerce: An Exploration of its Antece-dents and Consequences,” Journal of Retailing (78:1), pp. 41-50.

Straub, D., and Watson, R. 2001. “Transformational Issues in Researching IS and Net- Enabled Organizations,” Information Systems Research (12:4), pp. 337-345.

Sun., M., and Zhu, F. 2012. “Ad Revenue and Content Commer-cialization: Evidence from Blogs,” Working Paper (available at http://dx.doi.org/10.2139/ssrn.1735696).

Teece, D. J. 2010. “Business Models, Business Strategy and Inno-vation,” Long Range Planning (43:2-3), pp. 172-194.

Villanueva, J., Yoo, S., and Hanssens, D. M. 2008. “The Impact of Marketing-Induced vs. Word-of-mouth Customer Acquisition on Customer Equity,” Journal of Marketing Research (45:1), pp. 48-59.

Weill. P., and Vitale, M. R.        2001.  Place to Space, Boston:

Harvard Business School Press.

Wenger, E. 1998. Communities of Practice: Learning, Meaning

and Identity, Cambridge, UK: Cambridge University Press.

Wheeler , B. C. 2002. “NEBIC: A Dynamic Capabilities Theory for Assessing Net-Enablement,” Information Systems Research (12:4), pp. 337-345.

Wiener, Y. 1982. “Commitment in Organizations: A Normative View,” Academy of Management Review (7), pp. 418- 428.

Ye, L. R., Zhang, Y., Nguyen, D. D., and Chiu, J. 2004. “Fee-Based Online Services: Exploring Consumers’ Willingness to Pay,” Journal of Technology and Information Management (13:2), pp. 134-141.

Yoo, Y. 2010. “Computing in Everyday Life: A Call for Research on Experiential Computing,” MIS Quarterly (34:2), pp. 213-231.

Yoo, Y., and Alavi, M. 2004. “Emergent Leadership in Virtual Teams: What Do Emergent Leaders Do?,” Information and Organization (14), pp. 27-58.

Zeithaml, V. A. 1988. “Consumer Perceptions of Price, Quality, and Value: A Means -End Model and Synthesis of Evidence,” Journal of Marketing (52), pp. 2-22.

Zeithaml, V. A., Berry, L. L., and Parasuraman, A. 1996. “The Behavioral Consequences of Service Quality,” Journal of Marketing (60), pp. 31-46.

Tentang Penulis

Gal Oestreicher-Singer adalah asisten profesor di Recanati Business School di Tel Aviv University. Penelitian sebelumnya telah dipublikasikan di jurnal terkemuka termasuk Ilmu Manajemen, Riset Sistem Informasi, dan Jurnal Riset Pemasaran. Dia menerima gelar Ph.D. dari New York University pada tahun 2008, dan memiliki gelar dalam bidang hukum dan teknik elektro dari Universitas Ibrani di Yerusalem dan Universitas Tel Aviv.

Lior Zalmanson adalah seorang mahasiswa doktoral di Recanati Business School di Tel Aviv University. Dia punya B.Sc. dalam ilmu komputer dan M.Sc. dalam sistem informasi dan manajemen teknologi dari Tel Aviv University.