Segmentation and drivers of wine liking and consumption in US wine consumers
Notice bibliographique
Résumé
Abstract: This study examined the influence of selected experiential (wine expertise), psychological (alcoholic beverage adventurousness), and biological (age, sex, 6- n -propylthiouracil [PROP] responsiveness) factors on self-reported liking and consumption of 14 wine styles in a sample of 1,010 US wine consumers. Cluster analysis of wine liking scores revealed three distinct groups, representing plausible market segments, namely red wine lovers, dry table wine likers and sweet dislikers, and sweet wine likers. These clusters differ in key demographic measures, including sex, age, household income, and education, as well as wine expertise and PROP responsiveness. Wines were collapsed into five categories (dry table, sparkling, fortified, sweet, and wine-based beverages) to examine more closely the factors affecting wine liking, total annual intake, and consumption frequency (analysis of variance [ANOVA] followed by Tukey's honest significant difference [HSD] 0.05). Wine expertise was most strongly associated with liking and consumption measures, while PROP responsiveness and alcoholic beverage adventurousness were also important contributors. Neither age nor sex had any large and consistent effects on liking or consumption, although the sex × expertise interaction was significant for some styles. These data provide an example of multifactorial segmentation of a wine market using Northeastern United States as an example, and indicate opportunities for targeted alignment of marketing to cohorts identified here. Keywords: market segmentation, taste genetics, PROP, wine expertise, wine liking, adventurousness
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».