Predicting Indian Shoppers’ Malls Loyalty Behaviour
Notice bibliographique
Résumé
Executive Summary Mall managers tend to believe that purchasing decisions are made inside the shopping malls. These decisions, however, are influenced by various antecedent factors. This implies that shoppers look beyond the basic chore of shopping and experience while shopping plays a vital role. To attract the attention of shoppers, mall developers make huge investments in mall promotion and ambient factors in order to enhance the shopping experience. As the Indian shoppers’ euphoria about shopping malls gets toned down with time, mall managers need to focus on something more substantive. Such fundamental benefits can be offered to shoppers only if mall managers know what is more relevant for the shoppers visiting the malls. Past studies have identified a number of factors such as ambience, physical infrastructure, convenience, safety, and marketing activities. This research posits that a more optimal and focused approach in mall management requires identification of relative significance of various influencing factors. This way, mall managers would be able to offer the most meaningful benefits to shoppers at a very optimal level of investment. Once shoppers get what they value the most, they are expected to be more loyal to the shopping mall. Despite the development of various forecasting techniques, predicting mall loyalty has remained under-explored in marketing literature. This article addresses the gap by using neural network model to predict shoppers’ loyalty towards a particular mall. To gain more insights from the model, the authors have also identified relative significance of the factors impacting shoppers’ mall selection. This study establishes that mall shoppers value ‘convenience’ as the most influencing factor in their selection of malls. This factor alone garners one-third of the total weightage among the five factors, which reflects that significance of convenience is 66 per cent more than what is expected in a scenario when all determinants contribute equally. This strongly indicates that Indian mall shoppers are more utilitarian than hedonic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».