The influence of product features on brand switching: the case of magnetic resonance imaging equipment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper seeks to provide evidence that the long‐term success of capital‐intensive technology products requires continuous integration of innovations in the form of new features and capabilities that meet broad user preferences. Design/methodology/approach Magnetic resonance imaging (MRI) research centers, which represent lead users in this industry, are used as a case study. An online survey was developed to identify and rank the main factors behind brand switching, then secondary sources are used to confirm the research results. Findings A multi‐faceted approach to data collection is used to show that product innovations in the form of specific features are the main motive for switching to a new technology, consistent with the expectation that lead users seek technologies that maintain leading‐edge positions. Research limitations/implications There are limitations to generalizing from this case study to other industries. The findings can be generalized to industries with similar characteristics, such as aircraft and heavy machinery manufacturing. In practice, managers should find a reliable strategy to assess factors underpinning brand switching that is unique to their industry. Determining the main factors behind switching is a critical matter when defining the appropriate strategy to keep their market share from eroding. Originality/value The literature reports considerable research that investigates brand switching. However, most of it focuses on highly competitive markets for consumer goods. This paper addresses a paucity of knowledge about what influences lead users of capital‐intensive products to switch between brands.
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.
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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle