Knowledge effects on the exploratory acquisition of wine
Notice bibliographique
Résumé
Purpose – This paper aims to determine whether exploratory wine purchasing behaviour is affected by consumers’ objective and subjective wine knowledge. Design/methodology/approach – A questionnaire was developed using recognised scales for exploratory consumer tendencies, objective and subjective wine knowledge. The survey was administered using the MTurk platform. A factor analysis was first used to test the psychometric properties of the measures of the three constructs. Once the robustness of the measures was ascertained, cross-tabulations and testing via ANOVA’s of the demographics of age, gender, weekly wine consumption and education on the constructs was undertaken. In addition the causal relationship of subjective and objective wine knowledge on exploratory purchase behaviour was investigated via the use of multiple regression analysis. Findings – The results show that consumers with more real (objective) knowledge of wines are more likely to participate in exploratory wine purchasing. Objective wine knowledge is greatest amongst older consumers and those who consume more wine. Research limitations/implications – While attempts were made to limit biases due to the research approach, the results may lack generalisability because a US sample only, was used. Recommendations for future research extending the sample population as well as for changes to the question formats are suggested. Practical implications – The findings of this study have implications for wine marketers in that marketing strategies and activities (labelling, distribution, media, etc.) may need to be adapted depending on the exploratory purchasing behaviour and wine knowledge of their target customers. Originality/value – Exploratory wine acquisition behaviour is important to wine marketers. This behaviour encourages trial but, at the same time, impacts brand loyalty. This paper identifies the characteristics of consumers in terms of wine knowledge, consumption and demographics most likely to exhibit this behaviour and provides support for the need for marketers to identify these consumers and adapt their marketing activities targeting them.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».