Are Mature Female Consumers Well Served by the Fashion Retail Sector
Notice bibliographique
Résumé
The fashion retail sector is going through extremely challenging times with continuing globalisation and the ongoing impact of the recent global recession in many markets. Markets are highly competitive and companies must strive to craft strategies which will deliver competitive advantage. Across the developed and the developing world, populations are ageing. The trend is so marked as to have been termed an ‘Agequake’ by A.T. Kearney, (2011, 1) in terms of its predicted impact on economies, companies and most particularly, retailers. Women aged 50 and over are now one of the most powerful consumer groups in the UK, spending more than £2.5bn per season on fashion (Kantar Worldpanel 2014). Furthermore, 90% of British retailers are seeing most growth come from the 50 plus sector (Smithers, 2014). Yet research commissioned by retailer JD Williams in 2014 found that over 60% of mature women (defined in the study as 50 plus) felt ‘underserved’ and ‘forgotten’ by the fashion industry. Given the macro, socio-demographic trends of a growing segment of mature consumers with high disposable incomes, the question must be asked why mature women feel the fashion industry has forgotten them and whether fashion retailers are overlooking the opportunity for competitive advantage which would accrue from targeting this potentially lucrative segment? This paper will review the key literature in the areas of segmentation and maturity to gain an insight into the segmentation strategies of the fashion retail sector and their perception of the mature female consumer. Furthermore, the possibility of an academic / practitioner divide will be reviewed to establish whether this exists and if so to establish its impact on the segmentation strategies of fashion retailers.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».